MCPサーバーmcp - rag：RAGで商業分析を実現、モジュール設計で拡張とバックエンド切り替えを容易に

MCP Rag

このプロジェクトは、モデルコンテキストプロトコル（MCP）と検索強化生成（RAG）を組み合わせた軽量級のマルチエージェントAIシステムを商業分析に使用する例を示しています。システムは、複数の専用ツールサーバーを調整することで、自然言語での商業データの統計分析と知識検索機能を提供し、モジュール化設計により拡張が容易で、LLMバックエンドの切り替えも可能です。

研究とデータ人工知能チャットボット #エージェント協調 #商業分析 #知識検索 #モジュール化 .Python

スコア : 2ポイント

ダウンロード数 : 6.9K

更新時間 : 2025-08-07

サイトを開く

🚀 MCP-RAG: ビジネス分析のためのエージェンティックAIオーケストレーション

モデルコンテキストプロトコル（MCP） と 検索拡張生成（RAG） を組み合わせた軽量なデモで、ビジネス分析のためのマルチエージェントAIワークフローをオーケストレートします。

🚀 クイックスタート

このプロジェクトは、以下のような エージェンティックAIシステム を構築する方法を紹介しています。

複数のエージェントをオーケストレート：MCPサーバーが異なる専用ツールを調整します。
ビジネス知識を取得：RAGがコンテキストを考慮した情報検索を提供します。
統計分析を実行：自然言語クエリによる自動データ分析を行います。
モジュール性を維持：LLMバックエンドの交換や新機能の追加が容易です。

✨ 主な機能

MCPベースの調整：複数の専用サーバーが連携して動作します。
ビジネス分析ツール：平均、標準偏差、相関、線形回帰などの分析機能を備えています。
RAG知識ベース：ビジネス用語、ポリシー、分析ガイドラインが収録されています。
モジュール式設計：新しいツールの追加やLLMバックエンドの交換が簡単です。
自然言語インターフェース：「第1四半期の平均収益はいくらですか？」のような質問ができます。

📦 インストール

前提条件

Python 3.8以上
Google Gemini APIキー（無料版利用可能） - 将来的なLLM統合に必要
MCPとRAGの概念に関する基本的な理解

インストール手順

リポジトリをクローン：

git clone https://github.com/ANSH-RIYAL/MCP-RAG.git
cd MCP-RAG

依存関係をインストール：
```
pip install -r requirements.txt
```

環境変数を設定：

Gemini API（デフォルト）の場合：

export LLM_MODE="gemini"
export GEMINI_API_KEY="your-gemini-api-key"

カスタムローカルホストAPIの場合：

export LLM_MODE="custom"
export CUSTOM_API_URL="http://localhost:8000"
export CUSTOM_API_KEY="your-api-key"  # オプション

💻 使用例

基本的な使用法

クイックデモ

デモンストレーションスクリプトを実行して、両方のMCPサーバーの動作を確認します。

python main.py

これにより、以下のことが表示されます。

サンプルデータを使用したビジネス分析ツールの動作
ビジネス用語のRAG知識検索
システムがどのように連携して動作するか
選択したバックエンドとのLLM統合

LLMバックエンドの選択

システムは2つのLLMバックエンドをサポートしています。

オプション1：Google Gemini API（デフォルト）

export LLM_MODE="gemini"
export GEMINI_API_KEY="your-gemini-api-key"
python main.py

オプション2：カスタムローカルホストAPI

export LLM_MODE="custom"
export CUSTOM_API_URL="http://localhost:8000"
export CUSTOM_API_KEY="your-api-key"  # オプション
python main.py

カスタムAPIの要件：

OpenAI互換のチャット完了エンドポイント（/v1/chat/completions）をサポートする必要があります。
ツール/関数呼び出し形式を受け入れる必要があります。
ローカルホスト:8000で実行することが想定されています（設定可能）。

会話シナリオ

会話シナリオを実行して、実際の使用例を確認します。

python test_scenarios.py

これは、非技術的なユーザーがシステムとどのように対話するかを示すLinkedIn投稿シナリオをデモンストレーションします。

ビジネス分析ツール

システムは以下の分析機能を提供します。

データ探索：データセット情報とサンプルデータを取得します。
統計分析：平均、標準偏差のフィルタリング付き分析を行います。
相関分析：変数間の関係を見つけます。
予測モデリング：予測のための線形回帰を行います。

RAG知識検索

以下の方法でビジネス知識にアクセスできます。

用語定義：ビジネス概念を検索します。
ポリシー情報：会社の手順を取得します。
分析ガイドライン：データ解釈のコンテキストを取得します。

高度な使用法

シナリオ1：販売分析

Manager: "What's the average earnings from Q1?"
MCP-RAG System: 
1. Analytics Server: calculate_mean(column='earnings', filter_column='quarter', filter_value='Q1-2024')
   → Mean of earnings: 101666.67
2. RAG Server: get_business_terms(term='earnings')
   → Earnings: Total revenue generated by a department or company in a given period
3. Response: "Average earnings for Q1-2024: $101,667"

シナリオ2：パフォーマンス相関

Manager: "What's the correlation between sales and expenses?"
MCP-RAG System:
1. Analytics Server: calculate_correlation(column1='sales', column2='expenses')
   → Correlation between sales and expenses: 0.923
2. Response: "Correlation: 0.923 (strong positive relationship)"

シナリオ3：予測モデリング

Manager: "Build a model to predict earnings from sales and employees"
MCP-RAG System:
1. Analytics Server: linear_regression(target_column='earnings', feature_columns=['sales', 'employees'])
   → Linear Regression Results:
      Target: earnings
      Features: ['sales', 'employees']
      Intercept: 15000.00
      sales coefficient: 0.45
      employees coefficient: 1250.00
      R-squared: 0.987
2. Response: "Model created with R² = 0.987"

シナリオ4：ビジネス知識

Manager: "What does profit margin mean?"
MCP-RAG System:
1. RAG Server: get_business_terms(term='profit margin')
   → Profit Margin: Percentage of revenue that remains as profit after expenses, calculated as (earnings - expenses) / earnings
2. Response: "Profit Margin: Percentage of revenue that remains as profit after expenses"

シナリオ5：ポリシー情報

Manager: "What are the budget allocation policies?"
MCP-RAG System:
1. RAG Server: get_company_policies(policy_type='budget')
   → Budget Allocation: Marketing gets 25% of total budget, Engineering gets 30%, Sales gets 45%
2. Response: "Budget Allocation: Marketing gets 25%, Engineering gets 30%, Sales gets 45%"

🔧 技術詳細

カスタマイズガイド

あなたの組織向け

ステップ1：サンプルデータを置き換える

ビジネスデータを更新：data/sample_business_data.csv を実際のデータに置き換えます。
- 分析ツールのために列を数値にすることを確認します。
- フィルタリングのためのカテゴリ列を追加します。
- トレンド分析のための時間ベースの列を含めます。
知識ベースを更新：data/business_knowledge.txt をあなたの組織の以下の内容に置き換えます。
- ビジネス用語と定義
- 会社のポリシーと手順
- 分析ガイドラインとベストプラクティス

ステップ2：カスタム分析ツールを追加する

変更するファイル：src/servers/business_analytics_server.py

新しいツールを追加：handle_list_tools() 関数（約29行目）で、新しいツールをツールリストに追加します。

@server.list_tools()
async def handle_list_tools() -> ListToolsResult:
    return ListToolsResult(
        tools=[
            # ... 既存のツール (calculate_mean, calculate_std, calculate_correlation, linear_regression) ...
            Tool(
                name="your_custom_analysis",
                description="Your custom analysis tool",
                inputSchema={
                    "type": "object",
                    "properties": {
                        "parameter": {"type": "string"}
                    },
                    "required": ["parameter"]
                }
            )
        ]
    )

ツールロジックを実装：handle_call_tool() 関数（約140行目）で、対応するハンドラーを追加します。

elif name == "your_custom_analysis":
    parameter = arguments["parameter"]
    # Your custom analysis logic here
    result = f"Custom analysis result for {parameter}"
    return CallToolResult(
        content=[TextContent(type="text", text=result)]
    )

ステップ3：RAG機能を拡張する

変更するファイル：src/servers/rag_server.py

新しい知識ソースを追加：load_business_knowledge() 関数（約25行目）を変更して、以下を含めます。
- データベース接続
- ドキュメント処理（PDF、Wordドキュメント）
- API統合（Salesforce、HubSpotなど）

新しいRAGツールを追加：handle_list_tools() 関数（約50行目）で、新しいツールを追加します。

Tool(
    name="your_custom_rag_tool",
    description="Your custom knowledge retrieval tool",
    inputSchema={
        "type": "object",
        "properties": {
            "query": {"type": "string"}
        },
        "required": ["query"]
    }
)

RAGツールロジックを実装：handle_call_tool() 関数（約90行目）で、ハンドラーを追加します。

elif name == "your_custom_rag_tool":
    query = arguments["query"]
    # Your custom RAG logic here
    result = f"Custom RAG result for {query}"
    return CallToolResult(
        content=[TextContent(type="text", text=result)]
    )

ステップ4：LLMバックエンドを統合する

作成するファイル：src/servers/llm_server.py（新しいファイル）

システムにはすでに、GeminiとカスタムローカルホストAPIの両方をサポートする柔軟なLLMクライアント（src/core/llm_client.py）が含まれています。

既存のLLMクライアントを使用する：src/core/gemini_rag_agent.py の FlexibleRAGAgent はすでに以下をサポートしています。
- Google Gemini API
- カスタムローカルホストAPI（OpenAI互換形式）

カスタムLLMサーバーを作成する（オプション）：LLM操作のための専用MCPサーバーが必要な場合は、以下のように作成します。

import asyncio
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent, CallToolResult

server = Server("llm-server")

@server.list_tools()
async def handle_list_tools():
    return ListToolsResult(
        tools=[
            Tool(
                name="process_natural_language",
                description="Convert natural language to tool calls",
                inputSchema={
                    "type": "object",
                    "properties": {
                        "query": {"type": "string"}
                    },
                    "required": ["query"]
                }
            )
        ]
    )

@server.call_tool()
async def handle_call_tool(name: str, arguments: dict):
    if name == "process_natural_language":
        query = arguments["query"]
        # Integrate with OpenAI, Gemini, or local models
        # Convert natural language to appropriate tool calls
        return CallToolResult(
            content=[TextContent(type="text", text=f"Processed: {query}")]
        )

requirements.txtに追加する：

openai>=1.0.0
google-genai>=0.3.0
httpx>=0.24.0

ステップ5：新しいデータソースを追加する

変更するファイル：src/servers/business_analytics_server.py と src/servers/rag_server.py

データベースコネクター：以下のデータベースに接続するツールを追加します。
- PostgreSQL、MySQL、SQLite
- MongoDB、Redis
- データウェアハウス（Snowflake、BigQuery）
API統合：ビジネスシステムに接続します。
- CRMシステム（Salesforce、HubSpot）
- マーケティングプラットフォーム（Google Analytics、Facebook Ads）
- 財務システム（QuickBooks、Xero）

現在のツール実装

ビジネス分析ツール（src/servers/business_analytics_server.py）：

calculate_mean - 数値列の平均を計算します。
calculate_std - 標準偏差を計算します。
calculate_correlation - 変数間の関係を見つけます。
linear_regression - 予測モデルを構築します。
get_data_info - データセット情報を取得します。

RAGツール（src/servers/rag_server.py）：

get_business_terms - ビジネス定義を検索します。
get_company_policies - ポリシー情報を取得します。
search_business_knowledge - 一般的な知識検索を行います。

LLM統合（src/core/llm_client.py）：

FlexibleRAGAgent - GeminiとカスタムローカルホストAPIの両方をサポートします。
LLMClient - 両方のバックエンドのAPI通信を処理します。
ツール呼び出しと会話管理

モジュール式アーキテクチャの利点

モジュール式設計により、以下のことが可能になります。

コンポーネントを交換：他のサーバーに影響を与えることなく、任意のサーバーを交換できます。
機能を追加：既存のコードを書き換えることなく、新しいツールを追加できます。
独立してスケール：異なるサーバーを異なるマシンで実行できます。
ユースケースごとにカスタマイズ：必要なツールのみを使用できます。

拡張例

センチメント分析を追加する

作成するファイル：src/servers/sentiment_analysis_server.py

# Create sentiment_analysis_server.py
@server.list_tool()
async def analyze_sentiment(text: str) -> CallToolResult:
    # Integrate with sentiment analysis API
    # Return sentiment scores and insights

予測を追加する

変更するファイル：src/servers/business_analytics_server.py

# Add to handle_list_tools() function
Tool(
    name="time_series_forecast",
    description="Forecast future values using time series analysis",
    inputSchema={
        "type": "object",
        "properties": {
            "column": {"type": "string"},
            "periods": {"type": "integer"}
        }
    }
)

ドキュメント処理を追加する

作成するファイル：src/servers/document_processor_server.py

# Create document_processor_server.py
@server.list_tool()
async def process_document(file_path: str) -> CallToolResult:
    # Extract text from PDFs, Word docs, etc.
    # Add to knowledge base

アーキテクチャ

プロジェクト構造

MCP-RAG/
├── data/
│   ├── sample_business_data.csv    # 分析用のビジネスデータセット
│   └── business_knowledge.txt      # RAG知識ベース
├── src/
│   └── servers/
│       ├── business_analytics_server.py  # 統計分析ツール
│       └── rag_server.py                 # 知識検索ツール
├── main.py                         # デモとオーケストレーションスクリプト
├── test_scenarios.py               # 会話シナリオ
├── requirements.txt                # 依存関係
└── README.md                       # このファイル

主要コンポーネント

ビジネス分析サーバー：統計分析ツールを提供するMCPサーバー
RAGサーバー：ビジネス知識検索用のMCPサーバー
オーケストレーション層：サーバーとLLM（将来的に）の間を調整する
データ層：サンプルビジネスデータと知識ベース

設定

環境変数

変数	説明	デフォルト
`LLM_MODE`	LLMバックエンドモード："gemini" または "custom"	`gemini`
`GEMINI_API_KEY`	LLM統合のためのGemini APIキー	なし
`GEMINI_MODEL`	Geminiモデル名	`gemini-2.0-flash-exp`
`CUSTOM_API_URL`	カスタムローカルホストAPIのURL	`http://localhost:8000`
`CUSTOM_API_KEY`	カスタムAPIキー（オプション）	なし