メインコンテンツまでスキップ

PythonエージェントからMCPツールを呼び出す

LangGraph、OpenAI Agents SDK、または OpenAI クライアントで構築されたカスタム Python エージェントで MCP ツールを使用します。これらの例は、サインイン、ツールの検索、および独自の Databricks 資格情報を使用してエージェントをローカルでランする方法を示しています。

サインインしたユーザーに代わってツールを呼び出すアプリについては、「アプリをMCPツールに接続する」を参照してください。

接続のその他の方法については、サポートされているコーディングおよび作業エージェント、その他のMCPクライアント、またはAgent Bricks CLIでMCPツールを追加するを参照してください。

前提条件​

system.ai.dbsql, system.ai.sandbox、および system.ai.web_search は ベータ版 です。それらを使用するには、アカウント管理者がアカウントコンソールの プレビュー ページから Enhanced Unity Gateway プレビューを有効にする必要があります。Unity Gateway 自体は一般提供されています。アカウントプレビューの管理を参照してください。

ID の選択については、「サポートされている送信認証」を参照してください。接続要件については、「MCP ネットワーキング」を参照してください。

ステップ 1:インストールとサインイン​

  1. Databricks CLIをインストールしていない場合は、macOSまたはLinuxで次のコマンドを実行します。

    Bash
    curl -fsSL https://raw.githubusercontent.com/databricks/setup-cli/main/install.sh | sh

    Windows またはその他のインストール方法については、「Install the Databricks CLI」を参照してください。

  2. ワークスペースにサインインします。

    Bash
    databricks auth login --host https://<workspace-hostname> --profile DEFAULT
  3. Python ライブラリをインストールします。

    Bash
    pip install --upgrade databricks-mcp databricks-sdk "mcp>=1.24,<2"

この例では、以下のエージェント フレームワークと互換性のあるMCP Python 1.xを使用しています。

ステップ 2: サーバーへの接続​

次のコードを mcp_agent.py として保存します。<mcp-server-url> をサーバーの URL に置き換えます。

  • Databricks提供または登録済みMCP: https://<workspace-hostname>/ai-gateway/mcp-services/<catalog>.<schema>.<service>。
  • Databricks Apps上のサーバー: 概要ページからアプリのURLをコピーし、/mcpを追加します。
  • ワークスペース MCP Endpoint: https://<workspace-hostname> に、次のいずれかのパスが続きます。
    • Unity Catalogの関数: /api/2.0/mcp/functions/{catalog}/{schema}/{function_name}
    • AI Search: /api/2.0/mcp/ai-search/{catalog}/{schema}/{index_name}
    • Genie Agent: /api/2.0/mcp/genie/{genie_space_id}
    • Databricks SQL: /api/2.0/mcp/sql
Python
from databricks_mcp import DatabricksMCPClient
from databricks.sdk import WorkspaceClient

workspace_client = WorkspaceClient()
server_url = "<mcp-server-url>"
mcp_client = DatabricksMCPClient(
server_url=server_url,
workspace_client=workspace_client,
)

tools = mcp_client.list_tools()
for tool in tools:
print(tool.name, tool.description, tool.inputSchema, sep="\n")

スクリプトをランします。

Bash
python mcp_agent.py

サーバーのツール、説明、入力スキーマが表示されます。次のステップとして、これらのツールのいずれかがサポートする読み取り専用タスクを選択します。リストが空の場合、または接続に失敗した場合は、MCP 認証を参照してください。

別のサーバーを使用する​

カタログとスキーマでアクセスできるMCPを検索するには、次を実行します。

Bash
databricks ai-gateway list-mcp-services --parent schemas/system.ai

登録済みのMCPの一覧を表示するには、 system.ai を <catalog>.<schema> に置き換えます。CLI がページネーションを処理します。

ステップ3:これらのツールを使用してエージェントをランする​

フレームワークを選択し、そのパッケージをインストールし、Pythonの例を mcp_agent.py に追加します。各例では、同じ server_url とステップ 2 のワークスペースへのサインインを使用します。

この例では、convert_to_openai_messagesを使用してMCPコンテンツブロックをモデルのチャットメッセージ形式に変換するモデルミドルウェアを使用しています。

Bash
pip install --upgrade "databricks-langchain==0.22.0" "langgraph==1.2.20" "mcp>=1.24,<2"
Python
import asyncio
from databricks_langchain import (
ChatDatabricks,
DatabricksMCPServer,
DatabricksMultiServerMCPClient,
)
from langchain.agents import create_agent
from langchain.agents.middleware import wrap_model_call
from langchain_core.messages import convert_to_messages, convert_to_openai_messages

@wrap_model_call
async def convert_mcp_content(request, handler):
messages = convert_to_messages(convert_to_openai_messages(request.messages))
return await handler(request.override(messages=messages))

async def main():
client = DatabricksMultiServerMCPClient([
DatabricksMCPServer(
name="my-mcp-server",
url=server_url,
workspace_client=workspace_client,
),
])
agent = create_agent(
model=ChatDatabricks(endpoint="databricks-claude-sonnet-4-5"),
tools=await client.get_tools(),
middleware=[convert_mcp_content],
)
task = input("Ask the agent to use a tool: ")
result = await agent.ainvoke({
"messages": [{"role": "user", "content": task}],
})
for message in result["messages"]:
print(message)

asyncio.run(main())

デプロイメント ノートブック (オプション)

Model Serving のデプロイメントでは、このノートブックを適宜変更してサーバー URL を使用します。

LangGraph MCP tool-calling agent

python mcp_agent.pyをもう一度ランします。プロンプトが表示されたら、必要な入力を含めて、選択した読み取り専用タスクを要求します。たとえば、サーバーにチケット検索ツールがある場合は、特定のプロジェクトでオープンなチケットを検索するように依頼します。

出力された会話から、ツール呼び出し、その結果、およびエージェントの回答を確認してください。ツール呼び出しを伴わない回答では、MCP サーバーが使用されたことは確認されません。

トラブルシューティングのためにツールを直接呼び出す​

ステップ 2 で出力されたツール名と入力スキーマを使用します。この例では、サーバーのツールで動作するように名前と引数の入力を求めます。ステップ 2 の接続コードの後にランします。

Python
import json

tool_name = input("Read-only tool name: ")
arguments = json.loads(input("Tool arguments as a JSON object: "))
result = mcp_client.call_tool(tool_name, arguments)
print(result)

結果にツールエラーがなく、期待したデータが含まれていることを確認します。

ツールを呼び出す前に、list_tools()を使用してツール名と入力スキーマを見つけてください。結果のフォーマットはツールによって異なります:

  • structuredContentが存在する場合は、その構造化結果を直接使用してください。ツールは、outputSchemaを使用してその形状を記述できます。
  • それ以外の場合は、content ブロックを検査します。ツールが JSON を返す場合にのみ、テキスト ブロックを JSON として解析します。MCP は、プレーン テキストやその他のコンテンツ タイプもサポートしています。
  • 特定の出力フィールドに依存する前に、isError を確認し、応答のサンプルを検査してください。

準備ができたらデプロイして共有する​

ローカルの例はユーザーとして実行されます。Databricks Apps でエージェントをデプロイする際、使用するアイデンティティを選択します。共有アクセスの場合はアプリの Service Principal、ユーザーごとのアクセスの場合は呼び出し元のユーザーを選択します。

Databricks提供または登録済みのMCPの場合:

ワークスペースのMCP EndpointまたはDatabricks Appsでホストされているサーバーの場合は、基になるリソースまたはアプリへのアクセスを許可します。エージェント認証を参照してください。

その他のリソース​