このプロジェクトは、Predict Droughts using Weather & Soil Dataを題材に、MCPを活用して自律的なデータ分析エージェントの構築を試みたものです。

1. リポジトリのクローン

   git clone https://github.com/jintonic3561/comp_with_agent
   cd comp-with-agent

2. VSCode Devcontainerで環境起動

   • VSCodeでプロジェクトフォルダを開く
   • Ctrl+Shift+P → "Dev Containers: Reopen in Container" を選択
   • コンテナが自動的に構築され、必要な依存関係がインストールされます

3. データをダウンロード

   • Predict Droughts using Weather & Soil Dataからデータをダウンロード
   • data/ ディレクトリに展開

4. CLIエージェントを起動

   claude

   または

   gemini

5. 自然言語で分析を依頼！

MCPサーバとしてPython関数の実行環境をLLMに提供することで、エージェントがデータを眺めながら分析を深められるようにすることを目指します。

渡される関数の仕様を工夫することで、その出力もエージェントに自律的に利用してもらえるようにします。

詳細はカレーちゃんのAI道場LT資料をご覧ください。

カレーちゃんのAI道場についての詳細はこちらです。

MCPサーバーとツールのコンポーネント群

agent/
├── mcp/
│   ├── config.json              # MCPサーバー設定
│   ├── servers/                 # MCPサーバー実装
│   │   ├── data_information.py  # データ情報提供サーバー
│   │   ├── analysis_executor.py # 分析実行サーバー
│   │   └── notebook_writer.py   # ノートブック作成サーバー
│   └── components/              # ツール実装
│       ├── data_information/    # データ情報関連ツール
│       ├── analysis_executor/   # 分析実行ツール
│       └── notebook_writer/     # ノートブック操作ツール

1. data_information: データセットの構造と内容に関するメタデータを提供

   • list_available_data(): 利用可能なデータ一覧
   • get_data_description(): データ詳細説明
   • get_join_keys_info(): データ結合キー情報
   • get_problem_formulation(): 問題設定

2. analysis_executor: データ分析関数の実行環境

   • execute_soil_analysis(): 土壌データ分析
   • execute_timeseries_analysis(): 時系列データ分析
   • execute_all_data_analysis(): 全データ統合分析

3. notebook_writer: Jupyter Notebookの作成と管理

   • add_cell_to_notebook(): ノートブックへのセル追加

分析対象データセット

サンプル分析の実行結果

それほど多くない変更で、異なるデータセットをこのプロジェクトで使用することができます。 以下の手順で改修を行ってください：

agent/mcp/components/data_information/tools.pyを編集します。

ご自身が取り組みたい問題設計やデータの説明をmd形式で返すようにすればOKです。

def list_available_data() -> List[str]:
    # 新しいデータファイル名に更新
    available_data = ["your_data1", "your_data2", "your_data3"]
    return available_data

def get_data_description(data_type: str) -> str:
    # 新しいデータセットの説明を追加
    if data_type == "your_data_type":
        return """
        # あなたのデータセット
        
        ## データ概要
        データの概要説明...
        
        ## 列の説明
        | 列名 | データ型 | 説明 |
        |------|---------|------|
        | column1 | type | 説明 |
        """
...

agent/mcp/components/analysis_executor/tools.pyを編集します。

• ご自身のそれぞれのデータを読み込んで分析を行えるよう、各関数を修正します。
• 心臓部となる _execute_function 関数はこのまま利用できるはずです。

/work/agent/mcp/servers 配下のpythonスクリプトのうち、前段で編集したツールが含まれるサーバスクリプトを編集します。

mcp.tool(your_tool_name) の部分を、ご自身のツールに合わせて変更してください。

新しいデータセットをdata/ディレクトリに配置します。

この時点で、Claude CodeやGemini CLIがツールを認識してくれるはずです。 彼らに話しかけて、実装したツールを読み込めているか確認してください。

このプロジェクトは GNU Affero General Public License v3.0 (AGPL-3.0) のもとで公開されています。
AGPLの条件に従う限り、自由に利用・改変・再配布が可能です。