Agentic AIとMCPを利用したサービス作成入門

Manusによる生成

Transcript

1. Agentic AI とMCP を利用した サービス作成入門 初学者のためのPython 実装ガイド
2. 目次 1. イントロダクション Agentic AIとMCPの概要 本スライドの目的と対象者 2. Agentic AI の基礎 Agentic AIとは何か 従来のAIとの違い アーキテクチャと動作原理
3. 目次（続き） 3. MCP (Model Context Protocol) の基礎 MCPとは何か MCPの目的と利点 アーキテクチャと主要コンポーネント 4. Python による実装準備 環境構築 必要なライブラリのインストール 基本的な設定
4. 目次（続き） 5. Agentic AI の実装 シンプルなAIエージェントの作成 エージェントの機能拡張 エージェント間の連携 6. MCP サーバーの実装 基本的なMCPサーバーの作成 リソースの実装 ツールの実装
5. 目次（続き） 7. Agentic AI とMCP の連携 連携の基本概念 連携のメリット 実装例 8. 実用的なユースケース カスタマーサービス アプリケーション開発 データ分析と意思決定支援 9. まとめと次のステップ
6. 1. イントロダクション
7. Agentic AI とMCP の概要 Agentic AI （エージェンティックAI ） 自律的に行動し、目標達成のために複数のステップを実行できるAIシステム 人間の指示を理解し、適切なアクションを取ることができる 複雑な問題解決や意思決定を支援 MCP (Model Context Protocol) AIモデルとデータソース・ツールを接続するための標準プロトコル 異なるシステム間でのデータやコンテキストの共有を容易にする AIアプリケーション開発を効率化する「USB-C」のような役割
8. 本スライドの目的と対象者 目的 Agentic AIとMCPの基本概念を理解する Pythonを使った実装方法を学ぶ 実用的なサービスの作り方を習得する 対象者 AIやプログラミングの初学者 Pythonの基本構文を理解している方 AIを活用したサービス開発に興味がある方
9. 2. Agentic AI の基礎
10. Agentic AI とは何か 定義 Agentic AIは、自律的に行動し、リアルタイムで適応し、コンテキストと目標に基づ いて複数ステップの問題を解決するAIシステムです。 特徴 自律性: 最小限の人間の介入で独立してタスクを実行 適応性: 変化する環境や状況に対応 目標指向: 設定された目標に向かって行動 推論能力: 複雑な状況を理解し、適切な判断を下す
11. Agentic AI の例 実世界の例 バーチャルアシスタント: ユーザーの要求を理解し、複数のシステムと連携してタ スクを完了 カスタマーサービスボット: 顧客の問い合わせを理解し、適切な情報を提供または 人間にエスカレーション 自動運転システム: 環境を認識し、安全な運転判断を行う コード生成AI: 要件を理解し、適切なコードを生成・テスト・デバッグ
12. 従来のAI との違い 従来のAI （ルールベース・単機能AI ） 事前に定義されたルールに従って動作 特定のタスクに特化 環境の変化に適応するのが難しい 人間の継続的な指示が必要 生成AI テキスト・画像などのコンテンツを生成 単一の応答を生成することに特化 複数ステップのタスク実行には制限がある
13. 従来のAI との違い（続き） Agentic AI 自律的に複数ステップのタスクを実行 環境の変化に適応 目標達成のために推論と計画を行う 複数のツールやシステムと連携可能 エンドツーエンドのソリューションを提供
14. アーキテクチャと動作原理 基本アーキテクチャ 1. 知覚（Perception ）: 環境やユーザー入力からの情報収集 2. 理解（Understanding ）: 収集した情報の解釈と理解 3. 計画（Planning ）: 目標達成のための行動計画の作成 4. 実行（Execution ）: 計画に基づいたアクションの実行 5. 学習（Learning ）: 結果からのフィードバックと改善
15. アーキテクチャの主要原則 モジュール性（Modularity ） 複雑な機能を専門モジュールに分解 開発と保守を簡素化 システム全体を中断せずにアップグレード可能 スケーラビリティ（Scalability ） 増加するデータと複雑さに対応するための計算リソースの拡張 クラウドインフラストラクチャの活用 需要の増加に応じた適応
16. アーキテクチャの主要原則（続き） 相互運用性（Interoperability ） 多様なモジュールとシステムのシームレスな連携 標準化された通信プロトコルとデータ形式の使用 様々な技術やサービスの統合 強化学習（Reinforcement Learning ） 適応学習を通じたシステムの継続的な改善 環境との相互作用からの学習 時間の経過とともに意思決定と応答を最適化
17. エージェントタイプ 1. 生成情報検索エージェント 規制の少ない環境/トピックに対する知識提供 多様なソースからの情報集約と提供 2. 処方的知識エージェント 高度に規制された環境/トピックに対する知識提供 厳格なコンプライアンス基準に従った情報提供
18. エージェントタイプ（続き） 3. 動的ワークフローエージェント アクションの実行に特化 アプリケーション間のワークフロー自動化 適切なAPIの特定と最適なシーケンスの決定 4. ユーザーアシスタントエージェント 個々のユーザーの日常的なタスクを直接支援 人間とAIのコラボレーションを促進 過去のチケットやデータからの学習
19. システムタイプ 1. シングルエージェントシステム 特定の問題に対処するための様々なツールを持つ単一のAIエージェント 利点: 設計、実装、管理が容易 意思決定の一貫性と予測可能性 中央集権的な制御 制限: 多様なタスクへの対応に制限あり スケーリングが難しい メモリと処理能力の制約
20. システムタイプ（続き） 2. マルチエージェントシステム（MAS ） 複雑なタスクに取り組むために協力する複数の独立したエージェント 利点: 各エージェントが独自の役割と専門知識を持つ 複雑な問題の分散処理 柔軟性と拡張性の向上 障害耐性の向上 課題: エージェント間の調整が複雑 一貫性の維持が難しい
21. 3. MCP (Model Context Protocol) の基礎
22. MCP とは何か 定義 MCPは、アプリケーションがLLM（大規模言語モデル）にコンテキストを提供する方 法を標準化するオープンプロトコルです。 アナロジー AIアプリケーション用の「USB-C」ポートのようなもの 様々なデバイスを周辺機器に接続するUSB-Cのように MCPはAIモデルを異なるデータソースやツールに接続
23. MCP の目的と利点 目的 LLM上にエージェントや複雑なワークフローを構築するのを支援 データやツールとLLMの統合を標準化 AIアプリケーション開発の効率化 利点 1. LLMが直接接続できる事前構築された統合のリスト 2. LLMプロバイダーとベンダー間の切り替えの柔軟性 3. インフラストラクチャ内でデータを保護するためのベストプラクティス
24. MCP の重要性 なぜMCP が重要か 1. 標準化: 異なるAIシステム間の連携を容易にする 2. 相互運用性: 様々なデータソースやツールとの連携 3. 効率化: 開発時間とコストの削減 4. セキュリティ: データ保護のベストプラクティスを組み込み 5. 柔軟性: ベンダーロックインの回避
25. アーキテクチャと主要コンポーネン ト 基本アーキテクチャ クライアント-サーバーモデルに基づく ホストアプリケーションが複数のサーバー に接続可能
26. MCP の主要コンポーネント MCP ホスト Claude Desktop、IDE、AIツールなどのプログラム MCPを通じてデータにアクセスしたいアプリケーション MCP クライアント サーバーとの1:1接続を維持するプロトコルクライアント ホストアプリケーションの一部として機能
27. MCP の主要コンポーネント（続き） MCP サーバー 標準化されたModel Context Protocolを通じて特定の機能を公開する軽量プログ ラム リソース、ツール、プロンプトなどを提供 データソース ローカルデータソース: コンピューターのファイル、データベース、サービス リモートサービス: インターネット経由で利用可能な外部システム（API等）
28. MCP の主要機能 1. サーバー MCPプロトコルのコアインターフェース 接続管理、プロトコル準拠、メッセージルーティングを処理 アプリケーションのライフサイクル管理 2. リソース LLMにデータを公開する方法 RESTのGETエンドポイントに類似 データ提供が主目的（計算や副作用は最小限）
29. MCP の主要機能（続き） 3. ツール LLMがサーバーを通じてアクションを実行できるようにする 計算や副作用を伴う処理 RESTのPOSTエンドポイントに類似 4. プロンプト LLMインタラクションの再利用可能なテンプレート 特定のタスクや対話パターンを定義
30. MCP の主要機能（続き） 5. イメージ 視覚的コンテキストの提供 画像データの処理と共有 6. コンテキスト LLMとの対話に関連する情報 リクエスト情報、ユーザーデータ、セッション状態など
31. 4. Python による実装準備
32. 環境構築 必要なもの Python 3.8以上 pip（Pythonパッケージマネージャー） 仮想環境（venv, conda, uvなど） 推奨ツール Visual Studio Code（コードエディタ） Git（バージョン管理） Jupyter Notebook（実験と学習）
33. 環境構築手順 1. Python のインストール # Ubuntuの場合 sudo apt update sudo apt install python3 python3-pip # macOSの場合（Homebrewを使用） brew install python # Windowsの場合 # python.orgからインストーラーをダウンロード
34. 環境構築手順（続き） 2. 仮想環境の作成 # venvを使用する場合 python -m venv agentic_ai_env source agentic_ai_env/bin/activate # Linuxの場合 agentic_ai_env\Scripts\activate # Windowsの場合 # uvを使用する場合（推奨） pip install uv uv init agentic_ai_project cd agentic_ai_project
35. 必要なライブラリのインストール MCP のインストール # uvを使用する場合（推奨） uv add "mcp[cli]" # pipを使用する場合 pip install "mcp[cli]" その他の有用なライブラリ # uvを使用する場合 uv add httpx pydantic fastapi # pipを使用する場合 pip install httpx pydantic fastapi
36. 基本的な設定 プロジェクト構造の作成 agentic_ai_project/ ├── src/ │ ├── __init__.py │ ├── agent.py # Agentic AI実装 │ ├── mcp_server.py # MCPサーバー実装 │ └── integration.py # 連携実装 ├── tests/ │ ├── __init__.py │ └── test_agent.py ├── examples/ │ ├── simple_agent.py │ └── simple_mcp.py ├── requirements.txt └── README.md
37. 基本的な設定（続き） requirements.txt の作成 mcp[cli]>=1.9.0 httpx>=0.24.0 pydantic>=2.0.0 fastapi>=0.100.0 README.md の作成 # Agentic AI & MCP Project Agentic AIとMCPを利用したサービスの実装例。 ## インストール方法 ...
38. 5. Agentic AI の実装
39. シンプルなAI エージェントの作成 基本的なエージェントクラス # src/agent.py from typing import List, Dict, Any, Optional class SimpleAgent: def __init__(self, name: str, capabilities: List[str]): self.name = name self.capabilities = capabilities self.memory = [] def perceive(self, input_data: Any) -> None: """環境からの入力を処理""" self.memory.append(input_data) def think(self) -> Dict[str, Any]: """入力に基づいて推論""" # 簡単な実装例 return {"thoughts": f"Processing input as {self.name}"}
40. シンプルなAI エージェントの作成（続き） # src/agent.py（続き） def plan(self) -> List[Dict[str, Any]]: """行動計画を作成""" # 簡単な実装例 return [ {"action": "analyze", "params": {"data": self.memory[-1]}}, {"action": "respond", "params": {"message": "計画的な応答"}} ] def act(self, plan: Optional[List[Dict[str, Any]]] = None) -> Dict[str, Any]: """計画に基づいて行動""" if plan is None: plan = self.plan() results = [] for step in plan: # 実際には各アクションの実装が必要 results.append(f"Executed {step['action']}") return {"results": results}
41. シンプルなAI エージェントの作成（続き） エージェントの使用例 # examples/simple_agent.py from src.agent import SimpleAgent # エージェントの作成 assistant = SimpleAgent( name="HelperAgent", capabilities=["text_analysis", "response_generation"] ) # エージェントの使用 assistant.perceive("こんにちは、天気を教えてください") thoughts = assistant.think() plan = assistant.plan() result = assistant.act(plan) print(f"思考: {thoughts}") print(f"計画: {plan}")
42. エージェントの機能拡張 LLM を活用したエージェント # src/llm_agent.py import httpx from typing import List, Dict, Any, Optional class LLMAgent: def __init__(self, name: str, api_key: str, api_url: str): self.name = name self.api_key = api_key self.api_url = api_url self.memory = [] self.conversation_history = [] async def get_llm_response(self, prompt: str) -> str: """LLM APIを呼び出して応答を取得""" headers = {"Authorization": f"Bearer {self.api_key}"} data = {"prompt": prompt, "max_tokens": 500} async with httpx.AsyncClient() as client: response = await client.post(self.api_url, json=data, headers=headers)
43. エージェントの機能拡張（続き） # src/llm_agent.py（続き） async def perceive(self, input_data: str) -> None: """ユーザー入力を処理""" self.memory.append(input_data) self.conversation_history.append({"role": "user", "content": input_data}) async def think(self) -> Dict[str, Any]: """LLMを使用して推論""" conversation = "\n".join([ f"{msg['role']}: {msg['content']}" for msg in self.conversation_history ]) thinking_prompt = f""" 以下は会話の履歴です: {conversation} あなたは{self.name}として、次にどのように対応すべきか考えてください。 思考プロセス: """ thoughts = await self.get_llm_response(thinking_prompt) return {"thoughts": thoughts}
44. エージェントの機能拡張（続き） # src/llm_agent.py（続き） async def plan(self) -> List[Dict[str, Any]]: """LLMを使用して計画を立てる""" thoughts = await self.think() planning_prompt = f""" 思考プロセス: {thoughts['thoughts']} 上記の思考に基づいて、具体的な行動計画をJSON形式で作成してください。 例: [{"action": "search", "params": {"query": "天気 東京"}}] 行動計画: """ plan_text = await self.get_llm_response(planning_prompt) # 実際の実装ではJSON解析とバリデーションが必要 import json try: return json.loads(plan_text) except: return [{"action": "respond", "params": {"message": "計画の作成に失敗しました"}}]
45. エージェントの機能拡張（続き） # src/llm_agent.py（続き） async def act(self, plan: Optional[List[Dict[str, Any]]] = None) -> Dict[str, Any]: """計画に基づいて行動""" if plan is None: plan = await self.plan() results = [] for step in plan: action = step["action"] params = step.get("params", {}) if action == "respond": message = params.get("message", "応答内容がありません") self.conversation_history.append({"role": "assistant", "content": message}) results.append({"type": "response", "content": message}) elif action == "search": # 検索機能の実装（実際にはAPIを呼び出すなど） query = params.get("query", "") results.append({"type": "search", "query": query, "results": f"{query}の検索結果"}) # 他のアクションタイプも同様に実装 return {"results": results}
46. エージェント間の連携 マルチエージェントシステム # src/multi_agent_system.py from typing import List, Dict, Any from src.agent import SimpleAgent class MultiAgentSystem: def __init__(self, agents: List[SimpleAgent]): self.agents = agents self.coordinator = None def set_coordinator(self, coordinator: SimpleAgent): """コーディネーターエージェントを設定""" self.coordinator = coordinator async def process_task(self, task: str) -> Dict[str, Any]: """タスクを処理するためにエージェント間で協力""" if self.coordinator is None: raise ValueError("コーディネーターが設定されていません") # コーディネーターがタスクを分析
47. エージェント間の連携（続き） # src/multi_agent_system.py（続き） # タスクを適切なエージェントに割り当て assignments = [] for agent in self.agents: # 各エージェントの能力に基づいて割り当てを決定 # 実際の実装ではより洗練された割り当てロジックが必要 if any(capability in task.lower() for capability in agent.capabilities): assignments.append(agent) if not assignments: return {"status": "error", "message": "適切なエージェントが見つかりません"} # 割り当てられたエージェントにタスクを実行させる results = [] for agent in assignments: agent.perceive(task) agent_plan = await agent.plan() agent_result = await agent.act(agent_plan) results.append({ "agent": agent.name, "result": agent_result })
48. エージェント間の連携（続き） # src/multi_agent_system.py（続き） # コーディネーターが結果を統合 self.coordinator.perceive(results) integration_plan = await self.coordinator.plan() final_result = await self.coordinator.act(integration_plan) return { "status": "success", "analysis": analysis, "agent_results": results, "integrated_result": final_result } 使用例 # 実装例は省略（後のセクションで連携の完全な例を示します）
49. 6. MCP サーバーの実装
50. 基本的なMCP サーバーの作成 MCP サーバーの基本構造 # src/mcp_server.py from mcp.server.fastmcp import FastMCP # MCPサーバーの作成 mcp_server = FastMCP("SimpleDemo") # サーバーの基本情報を設定 mcp_server.set_description("シンプルなMCPサーバーのデモ") mcp_server.set_version("1.0.0")
51. 基本的なMCP サーバーの作成（続き） サーバーの実行方法 # examples/run_mcp_server.py import asyncio from src.mcp_server import mcp_server async def main(): # サーバーを起動 await mcp_server.serve() if __name__ == "__main__": asyncio.run(main()) コマンドラインからの実行 # MCPのCLIツールを使用 mcp install src/mcp_server.py
52. リソースの実装 静的リソースの実装 # src/mcp_server.py from mcp.server.fastmcp import FastMCP mcp_server = FastMCP("ResourceDemo") @mcp_server.resource("config://app") def get_app_config() -> str: """アプリケーション設定を取得""" return """ { "name": "DemoApp", "version": "1.0.0", "settings": { "max_items": 100, "cache_enabled": true } }
53. リソースの実装（続き） 動的リソースの実装 # src/mcp_server.py（続き） @mcp_server.resource("users://{user_id}/profile") def get_user_profile(user_id: str) -> str: """ユーザープロファイルを取得""" # 実際の実装ではデータベースからユーザー情報を取得 return f""" {{ "user_id": "{user_id}", "name": "サンプルユーザー", "email": "user{user_id}@example.com", "created_at": "2025-01-01T00:00:00Z" }} """ @mcp_server.resource("weather://{city}") async def get_weather(city: str) -> str: """指定した都市の天気情報を取得""" # 実際の実装では外部APIを呼び出す import random weather_types = ["晴れ", "曇り", "雨", "雪"] temp = random.randint(0, 35) weather = random.choice(weather_types)
54. ツールの実装 基本的なツールの実装 # src/mcp_server.py（続き） @mcp_server.tool() def add(a: int, b: int) -> int: """2つの数値を加算""" return a + b @mcp_server.tool() def multiply(a: int, b: int) -> int: """2つの数値を乗算""" return a * b
55. ツールの実装（続き） より複雑なツールの実装 # src/mcp_server.py（続き） @mcp_server.tool() async def analyze_sentiment(text: str) -> dict: """テキストの感情分析を行う""" # 実際の実装では感情分析APIを使用 # ここではシンプルな例として、ポジティブ/ネガティブワードのカウントで代用 positive_words = ["良い", "素晴らしい", "嬉しい", "楽しい", "好き"] negative_words = ["悪い", "ひどい", "悲しい", "嫌い", "残念"] positive_count = sum(1 for word in positive_words if word in text) negative_count = sum(1 for word in negative_words if word in text) # スコアの計算（-1.0〜1.0の範囲） total = positive_count + negative_count if total == 0: score = 0.0 else: score = (positive_count - negative_count) / total return { "sentiment": "positive" if score > 0 else "negative" if score < 0 else "neutral", "score": score, "positive_count": positive_count,
56. ツールの実装（続き） 外部API を使用するツール # src/mcp_server.py（続き） import httpx @mcp_server.tool() async def fetch_news(topic: str, count: int = 5) -> list: """指定したトピックに関するニュースを取得""" # 実際の実装ではニュースAPIを使用 # ここではダミーデータを返す news_items = [ { "title": f"{topic}に関する最新ニュース {i}", "source": "サンプルニュース", "published_at": "2025-05-24T12:00:00Z", "summary": f"{topic}についての詳細な記事内容がここに表示されます。" } for i in range(1, count + 1) ]
57. ライフスパンの管理 アプリケーションのライフサイクル管理 # src/mcp_server_with_lifespan.py from contextlib import asynccontextmanager from collections.abc import AsyncIterator from dataclasses import dataclass from mcp.server.fastmcp import Context, FastMCP # データベース接続のシミュレーション class Database: @classmethod async def connect(cls): print("データベースに接続中...") db = cls() return db async def disconnect(self): print("データベース接続を閉じています...")
58. ライフスパンの管理（続き） # src/mcp_server_with_lifespan.py（続き） @dataclass class AppContext: db: Database @asynccontextmanager async def app_lifespan(server: FastMCP) -> AsyncIterator[AppContext]: """アプリケーションのライフサイクルを型安全なコンテキストで管理""" # 起動時の初期化 db = await Database.connect() try: yield AppContext(db=db) finally: # シャットダウン時のクリーンアップ await db.disconnect() # ライフスパンをサーバーに渡す mcp_server = FastMCP("LifespanDemo", lifespan=app_lifespan)
59. ライフスパンの管理（続き） # src/mcp_server_with_lifespan.py（続き） # 型安全なライフスパンコンテキストをツールで使用 @mcp_server.tool() def query_db(ctx: Context, sql: str) -> str: """データベースクエリを実行するツール""" db = ctx.request_context.lifespan_context.db return db.query(sql) # リソースでもコンテキストを使用可能 @mcp_server.resource("database://tables") def get_tables(ctx: Context) -> str: """データベースのテーブル一覧を取得""" db = ctx.request_context.lifespan_context.db return db.query("SHOW TABLES")
60. 7. Agentic AI とMCP の連携
61. 連携の基本概念 Agentic AI とMCP の連携とは Agentic AIがMCPを通じて外部データソースや ツールにアクセスし、より高度なタスクを実行 できるようにする仕組み 連携の主な目的 1. AIエージェントの能力拡張 2. 外部データへのアクセス 3. 実世界のアクションの実行 4. 複雑なワークフローの自動化
62. 連携のメリット 1. 標準化されたデータアクセス 一貫したインターフェースでデータにアクセス データソースの変更に柔軟に対応 2. ツールの再利用性 一度作成したツールを複数のAIエージェントで利用可能 開発効率の向上 3. セキュリティの向上 データアクセスの制御が容易 権限管理の一元化
63. 連携のメリット（続き） 4. 柔軟な拡張性 新しいデータソースやツールの追加が容易 システム全体を変更せずに機能拡張が可能 5. 開発効率の向上 AIとデータソース/ツールの分離による開発の並行化 標準化されたインターフェースによるテストの容易さ
64. 連携の実装例 基本的な連携の実装 # src/integration.py from src.llm_agent import LLMAgent from mcp.client import MCPClient import asyncio class AgenticAIWithMCP: def __init__(self, agent: LLMAgent, mcp_server_url: str): self.agent = agent self.mcp_client = MCPClient(mcp_server_url) async def connect(self): """MCPサーバーに接続""" await self.mcp_client.connect() async def disconnect(self): """MCPサーバーとの接続を閉じる""" await self.mcp_client.disconnect()
65. 連携の実装例（続き） # src/integration.py（続き） async def get_resource(self, resource_uri: str) -> str: """MCPリソースを取得""" return await self.mcp_client.get_resource(resource_uri) async def call_tool(self, tool_name: str, **params) -> Any: """MCPツールを呼び出す""" return await self.mcp_client.call_tool(tool_name, **params) async def process_task(self, task: str) -> Dict[str, Any]: """タスクを処理""" # エージェントにタスクを認識させる await self.agent.perceive(task) # エージェントに考えさせる thoughts = await self.agent.think() # エージェントに計画を立てさせる plan = await self.agent.plan()
66. 連携の実装例（続き） # src/integration.py（続き） # 計画に基づいてMCPリソースとツールを使用 results = [] for step in plan: action = step["action"] params = step.get("params", {}) if action == "get_resource": resource_uri = params.get("uri", "") if resource_uri: resource_data = await self.get_resource(resource_uri) results.append({ "type": "resource", "uri": resource_uri, "data": resource_data }) elif action == "call_tool": tool_name = params.get("name", "") tool_params = params.get("params", {}) if tool_name: tool_result = await self.call_tool(tool_name, **tool_params) results.append({ "type": "tool", "name": tool_name, "params": tool_params, "result": tool_result })
67. 連携の実装例（続き） # src/integration.py（続き） # エージェントに結果を処理させる for result in results: await self.agent.perceive(result) # 最終的な応答を生成 final_response = await self.agent.act() return { "task": task, "thoughts": thoughts, "plan": plan, "results": results, "response": final_response }
68. 連携の実装例（続き） 使用例 # examples/integration_example.py import asyncio from src.llm_agent import LLMAgent from src.integration import AgenticAIWithMCP async def main(): # LLMエージェントの作成 agent = LLMAgent( name="AssistantAgent", api_key="your_api_key", api_url="https://api.example.com/llm" ) # 統合システムの作成 integration = AgenticAIWithMCP( agent=agent, mcp_server_url="http://localhost:8000" ) # MCPサーバーに接続 await integration.connect() try: # タスクの処理 result = await integration.process_task( "東京の天気を教えて、その後におすすめのアクティビティを提案してください" ) print("処理結果:") print(f"思考: {result['thoughts']}") print(f"計画: {result['plan']}") print(f"結果: {result['results']}") print(f"応答: {result['response']}") finally: # 接続を閉じる await integration.disconnect()
69. 実際のユースケース例 天気情報に基づく旅行プランの提案 # examples/travel_planner.py import asyncio from src.llm_agent import LLMAgent from src.integration import AgenticAIWithMCP async def travel_planner_demo(): # エージェントとMCPの設定（省略） # タスクの処理 task = """ 今週末の京都の天気を調べて、天気に適した観光プランを提案してください。 以下の条件を考慮してください： - 雨の場合は屋内の観光スポットを中心に - 晴れの場合は屋外の観光スポットを中心に - 食事の提案も含めてください """ result = await integration.process_task(task) # 結果の表示（省略）
70. 8. 実用的なユースケース
71. カスタマーサービス 自動カスタマーサポートシステム # examples/customer_service.py from src.llm_agent import LLMAgent from src.integration import AgenticAIWithMCP from mcp.server.fastmcp import FastMCP # MCPサーバーの設定 support_server = FastMCP("CustomerSupport") @support_server.resource("faq://{category}") def get_faq(category: str) -> str: """カテゴリ別のFAQを取得""" faqs = { "account": "アカウント関連のFAQ...", "billing": "支払い関連のFAQ...", "product": "製品関連のFAQ..." } return faqs.get(category, "該当するFAQがありません") @support_server.tool() def create_ticket(customer_id: str, issue: str, priority: str) -> dict: """サポートチケットを作成""" ticket_id = f"TKT-{hash(customer_id + issue) % 10000:04d}" return { "ticket_id": ticket_id, "status": "created",
72. カスタマーサービス（続き） # examples/customer_service.py（続き） @support_server.tool() def check_account_status(customer_id: str) -> dict: """顧客アカウントの状態を確認""" # 実際の実装ではデータベースから情報を取得 return { "customer_id": customer_id, "status": "active", "subscription": "premium", "last_login": "2025-05-20T14:30:00Z" } # エージェントとの連携コード（省略） # 実際の実装では、顧客の問い合わせを受け取り、 # 適切なFAQを提供したり、必要に応じてチケットを作成したりする
73. アプリケーション開発 コード生成と最適化 # examples/code_assistant.py from src.llm_agent import LLMAgent from src.integration import AgenticAIWithMCP from mcp.server.fastmcp import FastMCP # MCPサーバーの設定 code_server = FastMCP("CodeAssistant") @code_server.resource("docs://{language}/{topic}") def get_documentation(language: str, topic: str) -> str: """プログラミング言語とトピックに関するドキュメントを取得""" # 実際の実装では外部APIやローカルデータベースからドキュメントを取得 return f"{language}の{topic}に関するドキュメント..." @code_server.tool() def analyze_code(code: str) -> dict: """コードを分析し、問題点や最適化の提案を行う""" # 実際の実装では静的解析ツールを使用 return { "issues": ["変数名が不明確", "未使用の変数がある"],
74. アプリケーション開発（続き） # examples/code_assistant.py（続き） @code_server.tool() def generate_test(code: str, test_framework: str = "pytest") -> str: """コードに対するテストケースを生成""" # 実際の実装ではLLMを使用してテストを生成 return f""" def test_functionality(): # {test_framework}を使用したテストコード assert function_name(input) == expected_output """ @code_server.tool() def refactor_code(code: str, goal: str) -> str: """指定された目標に基づいてコードをリファクタリング""" # 実際の実装ではLLMを使用してリファクタリングを行う return f"# リファクタリングされたコード\n# 目標: {goal}\n{code.replace('old', 'new')}" # エージェントとの連携コード（省略）
75. データ分析と意思決定支援 ビジネスインテリジェンスアシスタント # examples/business_intelligence.py import pandas as pd import matplotlib.pyplot as plt import io import base64 from mcp.server.fastmcp import FastMCP # MCPサーバーの設定 bi_server = FastMCP("BusinessIntelligence") @bi_server.resource("sales://{period}") def get_sales_data(period: str) -> str: """期間ごとの売上データを取得""" # 実際の実装ではデータベースからデータを取得 if period == "daily": return "日次売上データ..." elif period == "weekly": return "週次売上データ..." elif period == "monthly": return "月次売上データ..."
76. データ分析と意思決定支援（続き） # examples/business_intelligence.py（続き） @bi_server.tool() def analyze_trends(data: str, metric: str) -> dict: """データのトレンドを分析""" # 実際の実装ではデータ分析ライブラリを使用 return { "trend": "上昇傾向", "growth_rate": "15%", "key_factors": ["新製品の導入", "マーケティングキャンペーン"] } @bi_server.tool() def generate_chart(data: str, chart_type: str) -> str: """データからチャートを生成""" # サンプルデータの作成（実際の実装ではデータを解析して使用） df = pd.DataFrame({ 'Month': ['Jan', 'Feb', 'Mar', 'Apr', 'May'], 'Sales': [100, 120, 140, 130, 150] }) # チャートの作成 plt.figure(figsize=(10, 6)) if chart_type == "bar": df.plot(kind='bar', x='Month', y='Sales') elif chart_type == "line": df.plot(kind='line', x='Month', y='Sales') else: return "サポートされていないチャートタイプです" plt.title('Monthly Sales') plt.ylabel('Sales (in thousands)') # 画像をBase64エンコード buffer = io.BytesIO() plt.savefig(buffer, format='png') buffer.seek(0) image_base64 = base64.b64encode(buffer.read()).decode('utf-8') return f"data:image/png;base64,{image_base64}"
77. データ分析と意思決定支援（続き） # examples/business_intelligence.py（続き） @bi_server.tool() def forecast(data: str, periods: int) -> dict: """将来の予測を行う""" # 実際の実装では時系列予測モデルを使用 return { "forecast": [160, 170, 175], "confidence_interval": { "lower": [150, 155, 160], "upper": [170, 185, 190] }, "accuracy": "85%" } @bi_server.tool() def generate_report(analysis: dict, charts: list, recommendations: list) -> str: """分析結果からレポートを生成""" # 実際の実装ではテンプレートエンジンを使用 return f""" # ビジネス分析レポート ## トレンド分析 {analysis['trend']} ## 予測 今後の見通し: {analysis.get('forecast', '予測なし')} ## 推奨アクション {', '.join(recommendations)} """ # エージェントとの連携コード（省略）
78. その他のユースケース 1. パーソナルアシスタント スケジュール管理 タスク自動化 情報検索と要約 2. コンテンツ生成と管理 マーケティングコンテンツの作成 コンテンツの最適化 多言語対応 3. ヘルスケア 医療データの分析
79. 9. まとめと次のステップ
80. 本スライドのまとめ 学んだこと Agentic AIの基本概念と特徴 MCP (Model Context Protocol)の目的と仕組み Pythonを使ったAgentic AIの実装方法 MCPサーバーの作成と設定 Agentic AIとMCPの連携方法 実用的なユースケースと実装例 重要なポイント Agentic AIは自律的に行動し、複雑なタスクを実行できる MCPは標準化されたプロトコルでAIとデータ/ツールを接続 両者の連携により、強力なAIサービスを構築可能
81. 次のステップ スキルの向上 1. より複雑なAgentic AIシステムの実装 2. 高度なMCPサーバーの開発 3. 実際のビジネス課題への適用 探求すべき関連技術 LangChain, AutoGPT, BabyAGIなどのフレームワーク ベクトルデータベースと埋め込み マルチモーダルAIの統合
82. 参考資料 書籍 「Agentic AIシステム開発ガイド」 「Pythonによる実践的AIアプリケーション開発」 オンラインリソース Model Context Protocol公式ドキュメント Anthropic - MCPの紹介 GitHub - MCP Python SDK コミュニティ MCP開発者コミュニティ Agentic AI研究グループ
83. Q&A ご質問があればお気軽にどうぞ！
84. 付録: 追加リソース
85. 用語集 Agentic AI: 自律的に行動し、目標達成のために複数のステップを実行できるAIシステ ム MCP (Model Context Protocol): AIモデルとデータソース・ツールを接続するための 標準プロトコル LLM (Large Language Model): GPT-4、Claude、Llamaなどの大規模言語モデル リソース (Resource): MCPにおいて、データを提供するためのエンドポイント ツール (Tool): MCPにおいて、アクションを実行するためのエンドポイント エージェント (Agent): 特定の目標を達成するために自律的に行動するAIシステム
86. サンプルコード集 完全なサンプルプロジェクト https://github.com/example/agentic-ai-mcp-samples チュートリアルとワークショップ https://modelcontextprotocol.io/tutorials コミュニティプロジェクト https://github.com/topics/model-context-protocol
87. トラブルシューティング よくある問題と解決策 1. MCP サーバーに接続できない ポートが正しく開放されているか確認 ファイアウォール設定を確認 サーバーが実行中か確認 2. エージェントがツールを正しく使用しない プロンプトの改善 ツールの説明をより明確に 段階的な指示を提供 3. パフォーマンスの問題
88. ご清聴ありがとうございました！ 連絡先: example@example.com