Skip to content

README_ja.md

Latest commit

 

History

History
355 lines (264 loc) · 8.83 KB

README_ja.md

File metadata and controls

355 lines (264 loc) · 8.83 KB
Raw

Company Intelligence MCP Server

企業インテリジェンスレポートを生成するMCPサーバー。FastMCPを使用してREST API経由でアクセス可能。

クイックスタート

# 1. ディレクトリに移動
cd examples/mcp_server

# 2. 依存関係のインストール
uv add fastmcp tavily-python

# 3. 環境変数設定
cp .env.example .env
# .envにTAVILY_API_KEY, OPENAI_API_KEYを設定

# 4. サーバー起動
uv run python server.py

# 5. ワークフローのみ実行（サーバーなし）
uv run python workflow.py "トレジャーデータ"

# 6. クライアント例
uv run python client_example.py "トレジャーデータ"

概要

このMCPサーバーは、企業名をキーとして以下のワークフローを実行し、商談準備用のインテリジェンスレポートを生成します：

Search → Curate → Write → Critique → Output
       ↑                    ↓
       └──── Feedback Loop ─┘

ワークフロー詳細

  1. Search: Tavily APIを使用して複数ソースから情報収集

    • 企業ニュース
    • 業界動向
    • 企業プロフィール
    • 競合情報

  2. Curate: LLMで検索結果をフィルタリング・整理

    • 関連性スコアリング
    • 重複排除
    • カテゴリ分類

  3. Write: LLMでインテリジェンスレポートを生成

    • エグゼクティブサマリー
    • セクション別詳細
    • 商談ポイント

  4. Critique: LLMでレポートを評価

    • 正確性、完全性、関連性、構成、ソース品質
    • 基準未達の場合はWriteに差し戻し（最大3回）

  5. Output: 最終レポートをMarkdown形式で出力

環境設定

1. .envファイルの作成

cd examples/mcp_server
cp .env.example .env
# .envファイルを編集してAPIキーを設定

必須の環境変数

TAVILY_API_KEY=your-tavily-api-key
OPENAI_API_KEY=your-openai-api-key

オプション（Langfuseトレーシング）

LANGFUSE_PUBLIC_KEY=your-langfuse-public-key
LANGFUSE_SECRET_KEY=your-langfuse-secret-key
LANGFUSE_HOST=http://localhost:3000
ENABLE_TRACING=true

その他の設定

GRAFLOW_LLM_MODEL=gpt-5-mini     # デフォルトモデル
WRITER_MODEL=gpt-5-mini          # Writer用モデル
CRITIQUE_MODEL=gpt-5-mini        # Critique用モデル
MAX_CRITIQUE_ITERATIONS=3         # 最大リビジョン回数
MAX_SEARCH_RESULTS=10             # 検索結果の最大数
MCP_SERVER_HOST=0.0.0.0           # サーバーホスト
MCP_SERVER_PORT=9100              # サーバーポート

起動方法

サーバー起動

# ディレクトリに移動
cd examples/mcp_server

# サーバー起動
uv run python server.py

# または uvicorn で起動
uv run uvicorn server:app --host 0.0.0.0 --port 9100

ワークフローのみ実行（サーバーなし）

cd examples/mcp_server
uv run python workflow.py "トレジャーデータ"

API エンドポイント

REST API

エンドポイント メソッド 説明
/health GET ヘルスチェック
/config GET 現在の設定を取得
/mcp POST MCP SSEエンドポイント

MCP Tools

generate_company_intelligence

企業の包括的なインテリジェンスレポートを生成。

Input:

{
  "company_name": "トレジャーデータ",
  "enable_tracing": true
}

Output:

{
  "company_name": "トレジャーデータ",
  "report_markdown": "# トレジャーデータ インテリジェンスレポート\n...",
  "executive_summary": "...",
  "key_takeaways": ["ポイント1", "ポイント2"],
  "sections": [...],
  "sources_count": 15,
  "iterations": 2,
  "generated_at": "2024-01-15T10:30:00",
  "critique_score": 0.85
}

search_company_news

企業の最新ニュースを検索（軽量版）。

Input:

{
  "company_name": "Salesforce",
  "max_results": 10
}

search_industry_trends

業界動向を検索。

Input:

{
  "company_name": "Sony",
  "industry": "エレクトロニクス",
  "max_results": 10
}

クライアントからの利用

Python クライアント例

cd examples/mcp_server

# サーバー起動後、別ターミナルで
uv run python client_example.py "トレジャーデータ"

# ニュース検索のみ
uv run python client_example.py "Salesforce" --action news

# 業界トレンド検索
uv run python client_example.py "Sony" --action trends

curl での呼び出し

# ヘルスチェック
curl http://localhost:9100/health

# レポート生成（SSE経由）
curl http://localhost:9100/mcp

httpx での呼び出し

import httpx

# ヘルスチェック
response = httpx.get("http://localhost:9100/health")
print(response.json())

# 設定確認
response = httpx.get("http://localhost:9100/config")
print(response.json())

Claude Code MCP セットアップ

Claude CodeからこのMCPサーバーを利用できます。

MCPインストールスコープ

MCPサーバーは3つのスコープで構成できます：

スコープ 保存場所 用途
local ~/.claude.json（プロジェクトパス下） 個人用、現在のプロジェクトのみ（デフォルト）
project プロジェクトルートの.mcp.json チーム共有用（バージョン管理にコミット）
user ~/.claude.json 全プロジェクトで利用可能

方法1: CLIでインストール（推奨）

まずサーバーを起動：

cd examples/mcp_server && uv run python server.py

別ターミナルでMCPを登録：

# ローカルスコープ（デフォルト）- 現在のプロジェクトのみ
claude mcp add --transport http company-intel http://localhost:9100/mcp

# プロジェクトスコープ - チームで共有（.mcp.jsonに保存）
claude mcp add --transport http --scope project company-intel http://localhost:9100/mcp

# ユーザースコープ - 全プロジェクトで利用
claude mcp add --transport http --scope user company-intel http://localhost:9100/mcp

方法2: プロジェクト設定ファイル（チーム共有用）

プロジェクトルートに .mcp.json を作成（バージョン管理にコミット）：

{
  "mcpServers": {
    "company-intelligence": {
      "command": "uv",
      "args": ["run", "python", "server.py"],
      "cwd": "./examples/mcp_server",
      "env": {
        "TAVILY_API_KEY": "${TAVILY_API_KEY}",
        "OPENAI_API_KEY": "${OPENAI_API_KEY}"
      }
    }
  }
}

環境変数は ${VAR} 形式で参照できます（実際の値はユーザーの環境から取得）。

MCPサーバーの管理

# 登録済みサーバーの一覧
claude mcp list

# サーバーの詳細を確認
claude mcp get company-intel

# サーバーを削除
claude mcp remove company-intel

確認

Claude Codeを再起動し、/mcp コマンドで接続状態を確認できます。

Langfuse トレーシング

ワークフローの実行はLangfuseでトレースできます：

  1. Langfuse Cloud でアカウント作成
  2. プロジェクトを作成し、APIキーを取得
  3. .envファイルに環境変数を設定
  4. サーバー起動後、Langfuseダッシュボードでトレースを確認

トレースには以下が含まれます：

  • ワークフロー全体の実行時間
  • 各タスク（search, curate, write, critique）の実行時間
  • LLM呼び出しの詳細（プロンプト、レスポンス、トークン数）
  • エラーとスタックトレース

プロジェクト構成

examples/mcp_server/
├── __init__.py              # モジュール初期化
├── config.py                # 設定管理（dotenv対応）
├── workflow.py              # Graflowワークフロー定義
├── server.py                # FastMCP サーバー
├── client_example.py        # クライアント例
├── .env.example             # 環境変数テンプレート
├── claude_mcp_config.json   # Claude Code MCP設定例
├── README.md                # English README
├── README_ja.md             # このファイル
└── agents/
    ├── __init__.py
    ├── search.py        # 検索エージェント（Tavily）
    ├── curator.py       # キュレーションエージェント（LLM）
    ├── writer.py        # ライターエージェント（LLM）
    └── critique.py      # クリティークエージェント（LLM）

依存関係

graflow
fastmcp
tavily-python
litellm
python-dotenv
httpx
uvicorn
pydantic

インストール:

uv add fastmcp tavily-python python-dotenv

ライセンス

Apache License 2.0