• 「Agent Development Kitでデータサイエンスエージェントを開発してみた」の記事を参考に、ローカル環境でデータサイエンスエージェントが動作する状態であること。

ここで、今回の機能拡張の鍵となるMCP（Model Context Protocol）について解説します。MCPは、AIエージェントが外部のツールやサービスと安全かつ標準化された方法で通信するためのプロトコル（通信規約）です。

エージェントは、それ自体が持つ知識だけでは、リアルタイムの情報を収集したり、ローカルファイルを操作したりすることはできません。MCPは、エージェントと、そうした外部機能を提供するツールサーバーとの間の「共通言語」として機能します。これにより、エージェントは以下のような、自身の能力を超えたタスクを安全に実行できるようになります。

• ウェブページの取得 (fetch): 指定されたURLのコンテンツをリアルタイムに読み込み、分析のためのテキスト情報として取得します。
• ファイルの操作: ローカルファイルの読み書きや、ユーザーがアップロードしたCSVファイルなどのデータを処理します。
• 外部コマンドの実行: 安全なサンドボックス環境で、任意のシェルコマンドを実行し、その結果を分析に利用します。

今回はこのMCP上で動作するfetchツールを利用します。これにより、データサイエンスエージェントは、これまでアクセスできなかったインターネット上の最新情報を収集し、それを手元のデータと組み合わせて分析するという、より高度で実践的なタスクを実行できるようになるのです。

既存のアーキテクチャでは、司令塔であるroot_agentが、データベース担当のdb_agentやPython分析担当のds_agentといった専門家たちを呼び出してタスクを処理していました。

今回の改修では、このroot_agentが直接利用できる新しい武器として、MCPのfetchツールを追加します。これにより、root_agentはユーザーの質問にURLが含まれていることを検知すると、他のサブエージェントを呼び出す前に、まずMCPツールを使ってウェブページの内容を把握し、その情報を後続の分析タスクのインプットとして渡すことができるようになります。

それでは、データサイエンスエージェントにMCPツールを組み込んでいきましょう！

1. MCPツールを呼び出すためのツール定義の追加

まず、司令塔であるroot_agentがMCPのfetch機能を呼び出すための窓口となるツールを定義します。python/agents/data-science/data_science/tools.pyに、以下のcall_mcp_tool関数を追加します。

# python/agents/data-science/data_science/tools.py に追加



from google.adk.tools.mcp_tool import StdioConnectionParams

from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset

from mcp import StdioServerParameters



# ... 既存の関数の下に以下を追加 ...



def call_mcp_tool():

    """

    Tool to call the MCP toolset for fetching web content.

    """

    return MCPToolset(

        connection_params=StdioConnectionParams(

            server_params=StdioServerParameters(

                command='uvx',

                args=[

                    "mcp-server-fetch",

                ],

            ),

            timeout=20,

        ),

    )

このコードは、ADKに対して「uvx mcp-server-fetchというコマンドで起動するMCPサーバーと通信するためのツールセットを用意してください」と指示しています。これにより、エージェントはfetchのようなMCPが提供する様々な機能を呼び出せるようになります。

2. Root AgentへのMCPツールセットの登録

次に、作成したツールをroot_agentが使えるように登録します。python/agents/data-science/data_science/agent.pyを修正し、root_agentのtoolsリストに先ほど定義したcall_mcp_toolを追加します。

# python/agents/data-science/data_science/agent.py の修正



# ... (既存のimport文) ...

from .tools import call_db_agent, call_ds_agent, call_insight_agent, call_mcp_tool # call_mcp_tool をインポート



# ... (setup_before_agent_call はそのまま) ...



root_agent = Agent(

    # ... (既存のパラメータ) ...

    tools=[

        call_db_agent,

        call_ds_agent,

        call_insight_agent,

        load_artifacts,

        call_mcp_tool(), # この行を追加

    ],

    # ... (既存のパラメータ) ...

)

3. Root Agentへの指示（プロンプト）の更新

最後に、root_agentに新しいツールの使い方を教えます。ユーザーの質問にURLが含まれていたら、分析を始める前にまずそのURLの内容を取得するように指示します。python/agents/data-science/data_science/prompts.pyのreturn_instructions_root関数を修正します。

具体的には、# **Workflow:**セクションの先頭に、URLを処理するための新しいステップを追加します。

# python/agents/data-science/data_science/prompts.py の修正



def return_instructions_root() -> str:



    instruction_prompt_root_v2 = """

    (前半は省略)

    # **Workflow:**



    # 1. **Analyze User's Query for URLs:**

    #    - If the user's query contains one or more URLs, you MUST use the `fetch` tool from the MCP toolset to retrieve the content of each webpage.

    #    - Use the fetched content as the primary source of information for the subsequent steps.



    # 2. **Understand Intent**

    (以降、既存のステップ番号を1つずつずらす)

    # 3. **Retrieve Data TOOL (`call_db_agent` - if applicable):** ...

    # 4. **Analyze Data TOOL (`call_ds_agent` - if applicable):** ...

    # 5. **Generate Insight TOOL (`call_insight_agent` - if applicable):** ...

    # 6. **BigQuery ML Tool (`call_bqml_agent` - if applicable):** ...

    # 7. **Respond:** ...

    (以降省略)

    """

    return instruction_prompt_root_v2

これで実装は完了です！エージェントはウェブを閲覧する能力を手に入れました。

それでは、新機能が正しく動作するか確認しましょう。ADKのWeb UIを起動（poetry run adk web）し、データサイエンスエージェントに以下のようなプロンプトを入力します。

この記事（https://sight-r.sts-inc.co.jp/blog/ai-datascience-agentengine-deploy/）の内容を要約して、データサイエンスエージェントをデプロイする際の重要なポイントを3つ挙げてください。

このプロンプトを受け取ったエージェントは、まずプロンプトの指示に従い、MCPのfetchツールを呼び出して指定されたURLのコンテンツを取得します。その後、取得したテキストデータを分析し、要約と重要ポイントの抽出を行います。

エージェントから以下のような応答が返ってくれば、実装は成功です！

今回は、データサイエンスエージェントにMCPのfetchツールを統合し、外部のウェブサイトからリアルタイムに情報を取得する能力を付与しました。これにより、エージェントは単に手元のデータを分析するだけでなく、インターネット上の膨大な情報を活用して、より文脈に沿った、付加価値の高い分析を行うことが可能になりました。

ぜひ皆さんもMCPを活用して、AIエージェントをより広い範囲で活用できるようにしていきましょう！