開発者ガイド（上級） - CrewAI によるマルチエージェントアカウントリサーチ

ライブのエンタープライズデータをクエリし、アカウントの健全性を分析し、エグゼクティブブリーフを生成するマルチエージェント AI Crew を構築します。このガイドでは、CrewAI のマルチエージェントオーケストレーションと CData Connect AI を組み合わせて、3 つの専門エージェントでアカウントリサーチを自動化する Python アプリケーションの作成方法を説明します。

注意: このガイドでは Google スプレッドシートをデータソースとして使用していますが、CData Connect AI がサポートする 350 以上のデータソースのいずれにも同じ原則が適用されます。

このガイドを完了すると、以下の機能を持つアプリケーションが完成します：

CData Connect AI を通じて 300 以上のエンタープライズデータソースに CrewAI エージェントから接続
それぞれ異なる役割、目標、ツールを持つ専門エージェントの定義
crewai.tools の @tool デコレータを使用した MCP ツールラッパーの構築
コンテキスト依存関係を持つタスクの連鎖による順次データパイプラインの作成
リサーチからレポートまでのワークフローをオーケストレーションする Crew の組み立て
1 つの CLI コマンドで構造化された Markdown アカウントブリーフを生成

アーキテクチャの概要

このアプリケーションは、Model Context Protocol（MCP）を使用して CrewAI エージェントとエンタープライズデータソースを橋渡しします：

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│                 │     │                  │     │                 │
│  CrewAI Agents  │---->│  CData Connect   │---->│  データソース    │
│  (3 エージェント) │     │  AI MCP サーバー  │     │  (350 種類以上)  │
│                 │<----│                  │<----│                 │
└─────────────────┘     └──────────────────┘     └─────────────────┘
        |                        |
        |    ツールの検出         |
        |    & 実行              |
        v                        |
┌─────────────────┐              |
│                 │              |
│  OpenAI API     │--------------┘
│  (GPT-4o)       │   自然言語から
│                 │   SQL への変換
└─────────────────┘

仕組み：

Python アプリケーションが CData Connect AI に接続
CData Connect AI の MCP がデータ検出とクエリ用のツールを公開
CrewAI エージェントがこれらのツールを使用してライブデータソースに対して SQL クエリを実行
各エージェントが担当するデータ領域を処理し、結果を下流に渡す
最終エージェントがフォーマットされた Markdown エグゼクティブブリーフを出力

前提条件

このガイドには以下が必要です：

システムにインストールされた Python 3.10+（Python のダウンロード）（CrewAI は 3.10 以降が必要です）
pip パッケージインストーラー（Python 3.4+ に同梱）。pip --version で確認できます
OpenAI API キー（有料アカウントが必要）
CData Connect AI アカウント（無料トライアル利用可能）
サンプル Google スプレッドシートデータ用の Google アカウント
リポジトリのクローン用に Git

はじめに

概要

手順の概要は以下の通りです：

Google スプレッドシートでサンプルデータをセットアップ
CData Connect AI を設定し、パーソナルアクセストークンを作成
Python プロジェクトをセットアップし、依存関係をインストール
コードアーキテクチャを理解
Crew アプリケーションを構築して実行

ステップ 1: Google スプレッドシートでサンプルデータをセットアップ

機能をデモンストレーションするために、顧客データを含むサンプル Google スプレッドシートを使用します。このデータセットには、アカウント、販売機会、サポートチケット、使用状況メトリクスが含まれています。

サンプル顧客ヘルススプレッドシートに移動します
ファイル > コピーを作成をクリックして、Google ドライブに保存します
わかりやすい名前を付けます（例：「demo_organization」）。この名前は後で接続を設定する際に必要になります。

スプレッドシートには 4 つのシートが含まれています：

account: 会社情報（名前、業界、収益、従業員数）
opportunity: 販売パイプラインデータ（ステージ、金額、確率）
tickets: サポートチケット（優先度、ステータス、説明）
usage: 製品使用状況メトリクス（ジョブ実行回数、処理レコード数）

ステップ 2: CData Connect AI の設定

2.1 サインアップまたはログイン

https://jp.cdata.com/ai/signup/ で新規アカウントを作成するか、 https://cloud.cdata.com/ でログインします
新規アカウントを作成する場合は、登録プロセスを完了します

2.2 Google スプレッドシート接続を追加

ログイン後、左側のナビゲーションメニューでSourcesをクリックし、Add Connectionをクリックします
Add Connection パネルからGoogle Sheetsを選択します
接続を設定します：
- Spreadsheet プロパティに、コピーしたシートの名前を設定します（例：「demo_organization」）
- Sign inをクリックして Google OAuth で認証します
認証後、Permissionsタブに移動し、ユーザーがアクセス権を持っていることを確認します

2.3 パーソナルアクセストークンの作成

Python アプリケーションは、パーソナルアクセストークン（PAT）を使用して Connect AI と認証します。

右上の歯車アイコンをクリックして設定を開きます
Access Tokensセクションに移動します
Create PATをクリックします
トークンに名前を付け（例：「CrewAI Account Research」）、Createをクリックします
重要: トークンはすぐにコピーしてください。一度しか表示されません！

ステップ 3: Python プロジェクトのセットアップ

3.1 GitHub からクローン（推奨）

すべてのソースファイルを含む完全なプロジェクトをクローンします：


git clone https://github.com/CDataSoftware/connectai-crewai-account-research.git
cd connectai-crewai-account-research
pip install -r requirements.txt

3.2 代替方法: ゼロから作成

新しいプロジェクトディレクトリを作成し、依存関係をインストールします：


mkdir connectai-crewai-account-research
cd connectai-crewai-account-research
pip install crewai crewai-tools langchain langchain-openai python-dotenv requests

次に、ステップ 4 と 5 で説明するソースファイルを作成します。

3.3 環境変数の設定

プロジェクトルートに .env ファイルを作成します：


cp .env.example .env

.env をテキストエディタで開き、認証情報を入力します：


# OpenAI Configuration (required for CrewAI)
OPENAI_API_KEY=sk-proj-...

# CData Connect AI Configuration
[email protected]
CDATA_ACCESS_TOKEN=your-personal-access-token-here

プレースホルダーの値を実際の認証情報に置き換えてください。

ステップ 4: コードアーキテクチャの理解

プロジェクトは、連携して動作する 6 つの Python モジュールで構成されています：

4.1 Config クラス

設定と認証情報の管理を処理します：
from dataclasses import dataclass import os import base64 from dotenv import load_dotenv load_dotenv() @dataclass class Config: """Configuration for the Connect AI CrewAI Account Research crew.""" openai_api_key: str cdata_email: str cdata_access_token: str openai_model: str = "gpt-4o" mcp_server_url: str = "https://mcp.cloud.cdata.com/mcp" @classmethod def from_env(cls) -> "Config": """Create configuration from environment variables.""" openai_api_key = os.getenv("OPENAI_API_KEY") cdata_email = os.getenv("CDATA_EMAIL") cdata_access_token = os.getenv("CDATA_ACCESS_TOKEN") missing = [] if not openai_api_key: missing.append("OPENAI_API_KEY") if not cdata_email: missing.append("CDATA_EMAIL") if not cdata_access_token: missing.append("CDATA_ACCESS_TOKEN") if missing: raise ValueError( f"Missing required environment variables: {', '.join(missing)} " "Please set these in your .env file or environment. " "See .env.example for a template." ) return cls( openai_api_key=openai_api_key, cdata_email=cdata_email, cdata_access_token=cdata_access_token, openai_model=os.getenv("OPENAI_MODEL", "gpt-4o"), mcp_server_url=os.getenv( "MCP_SERVER_URL", "https://mcp.cloud.cdata.com/mcp" ), ) def get_auth_header(self) -> str: """Generate Base64 authentication header.""" credentials = f"{self.cdata_email}:{self.cdata_access_token}" return base64.b64encode(credentials.encode()).decode()
Config クラスは `@dataclass` を使用して環境変数から認証情報を読み込み・検証し、MCP サーバー用の Base64 エンコードされた Basic Auth ヘッダーを生成します。

4.2 MCP Client

CData Connect AI MCP サーバーとの HTTP 通信を処理します：


import json
import sys
import requests
from config import Config


class MCPClient:
    """HTTP client for CData Connect AI MCP server."""

    def __init__(self, config: Config):
        self.config = config
        self._tools = []
        self.session = requests.Session()
        self.session.headers.update({
            "Content-Type": "application/json",
            "Accept": "application/json, text/event-stream",
            "Authorization": f"Basic {config.get_auth_header()}",
            "User-Agent": (
                "CDataConnectAI-CrewAIAgent "
                f"(Python/{sys.version_info.major}.{sys.version_info.minor})"
            ),
        })

    @staticmethod
    def _parse_sse_response(response_text: str) -> dict:
        """Parse Server-Sent Events response."""
        for line in response_text.split("
"):
            line = line.strip()
            if line.startswith("data: "):
                return json.loads(line[6:])
        raise ValueError(f"No data found in SSE response: {response_text[:200]}")

    def list_tools(self) -> list:
        """Discover available tools from the MCP server."""
        response = self.session.post(
            self.config.mcp_server_url,
            json={"jsonrpc": "2.0", "method": "tools/list", "params": {}, "id": 1},
        )
        response.raise_for_status()
        result = self._parse_sse_response(response.text)
        self._tools = result.get("result", {}).get("tools", [])
        return self._tools

    def call_tool(self, tool_name: str, arguments: dict) -> dict:
        """Execute a tool on the MCP server."""
        response = self.session.post(
            self.config.mcp_server_url,
            json={
                "jsonrpc": "2.0",
                "method": "tools/call",
                "params": {"name": tool_name, "arguments": arguments},
                "id": 2,
            },
        )
        response.raise_for_status()
        result = self._parse_sse_response(response.text)
        return result.get("result", {})

    def get_catalogs(self):
        """List available data source connections."""
        return self.call_tool("getCatalogs", {})

    def get_schemas(self, catalog_name: str):
        """Get schemas for a catalog."""
        return self.call_tool("getSchemas", {"catalogName": catalog_name})

    def get_tables(self, catalog_name: str, schema_name: str):
        """Get tables for a schema."""
        return self.call_tool("getTables", {
            "catalogName": catalog_name, "schemaName": schema_name
        })

    def get_columns(self, catalog_name: str, schema_name: str, table_name: str):
        """Get columns for a table."""
        return self.call_tool("getColumns", {
            "catalogName": catalog_name,
            "schemaName": schema_name,
            "tableName": table_name,
        })

    def query_data(self, query: str):
        """Execute a SQL query."""
        return self.call_tool("queryData", {"query": query})

MCPClient は JSON-RPC 2.0 で通信し、Server-Sent Events（SSE）レスポンスを解析します。一般的な MCP 操作用の便利なメソッドも提供しています。

4.3 ツールラッパー

各関数は CData Connect AI の MCP 呼び出しをラップし、CrewAI エージェントがエンタープライズデータをクエリできるようにします：


from crewai.tools import tool
from config import Config
from mcp_client import MCPClient

# Shared client instance - created once, reused across all tool calls
_config = Config.from_env()
_client = MCPClient(_config)

# Connection identifiers - update these to match the Connect AI setup
CATALOG = "GoogleSheets1"
SCHEMA = "GoogleSheets"


@tool("get_account_info")
def get_account_info(account_name: str):
    """Query the account table for company profile information.

    Returns account details including name, industry, annual_revenue,
    employee_count, and region.
    """
    query = (
        f"SELECT * FROM [{CATALOG}].[{SCHEMA}].[demo_organization_account] "
        f"WHERE [Name] = '{account_name}'"
    )
    return _client.query_data(query)


@tool("get_opportunities")
def get_opportunities(account_name: str):
    """Query the opportunity table for active sales pipeline data.

    Returns open opportunities including stage, amount, probability,
    and expected close_date for the given account.
    """
    query = (
        f"SELECT * FROM [{CATALOG}].[{SCHEMA}].[demo_organization_opportunity] "
        f"WHERE [AccountId] IN "
        f"(SELECT [Id1] FROM [{CATALOG}].[{SCHEMA}].[demo_organization_account] "
        f"WHERE [Name] = '{account_name}')"
    )
    return _client.query_data(query)


@tool("get_support_tickets")
def get_support_tickets(account_name: str):
    """Query the tickets table for open support requests.

    Returns ticket details including priority, status, subject,
    and created_date for the given account.
    """
    query = (
        f"SELECT * FROM [{CATALOG}].[{SCHEMA}].[demo_organization_tickets] "
        f"WHERE [AccountId] IN "
        f"(SELECT [Id1] FROM [{CATALOG}].[{SCHEMA}].[demo_organization_account] "
        f"WHERE [Name] = '{account_name}')"
    )
    return _client.query_data(query)


@tool("get_usage_metrics")
def get_usage_metrics(account_name: str):
    """Query the usage table for product adoption metrics.

    Returns usage data including date, jobs_run, and
    records_processed for the given account.
    """
    query = (
        f"SELECT * FROM [{CATALOG}].[{SCHEMA}].[demo_organization_usage] "
        f"WHERE [ACCOUNT_ID] IN "
        f"(SELECT [Id1] FROM [{CATALOG}].[{SCHEMA}].[demo_organization_account] "
        f"WHERE [Name] = '{account_name}')"
    )
    return _client.query_data(query)

@tool デコレータは、通常の Python 関数を CrewAI エージェントが使用できる BaseTool インスタンスに変換します。docstring がツール選択のガイドとして機能します。

CrewAI のツールについて詳しくはこちら。

4.4 エージェント定義

それぞれ異なる役割を持つ 3 つの専門エージェントを定義します：


from crewai import Agent
from tools import (
    get_account_info,
    get_opportunities,
    get_support_tickets,
    get_usage_metrics,
)

# Agent 1: Researcher - gathers raw account & opportunity data
researcher = Agent(
    role="Account Researcher",
    goal="Gather comprehensive account data from CRM",
    backstory=(
        "You are an expert at finding all relevant customer information "
        "from CRM systems. You excel at retrieving account profiles and "
        "sales pipeline data. You always present data in a clear, "
        "structured format so other team members can quickly understand "
        "the account landscape."
    ),
    tools=[get_account_info, get_opportunities],
    verbose=True,
    allow_delegation=False,
)

# Agent 2: Analyst - assesses health signals and risk
analyst = Agent(
    role="Health Analyst",
    goal="Assess account health and identify risk signals",
    backstory=(
        "You are skilled at analyzing customer health metrics. You "
        "identify patterns in support tickets and usage data to determine "
        "account risk levels. You classify risk as LOW, MEDIUM, or HIGH "
        "and always back up your assessment with specific metrics."
    ),
    tools=[get_support_tickets, get_usage_metrics],
    verbose=True,
    allow_delegation=False,
)

# Agent 3: Writer - produces the final executive brief
writer = Agent(
    role="Brief Writer",
    goal="Create concise executive summaries",
    backstory=(
        "You are a clear communicator who distills complex customer "
        "insights into actionable executive briefs. You excel at "
        "identifying key metrics and recommending next steps. Your "
        "documents follow a consistent structure: executive summary, "
        "key metrics, risk assessment, and recommended actions."
    ),
    tools=[],  # No tools - synthesizes other agents' work
    verbose=True,
    allow_delegation=False,
)

各エージェントには、CrewAI の基盤 LLM がタスクにどのようにアプローチするかを導く role、goal、backstory が設定されています。Researcher が CRM データを収集し、Analyst が健全性シグナルを評価し、Writer がすべてを成果物としてまとめます。

CrewAI のエージェントについて詳しくはこちら。

4.5 コンテキスト連鎖を使ったタスク定義

タスクは各エージェントの処理内容と、エージェント間のデータの流れを定義します：


from crewai import Task
from agents import researcher, analyst, writer

# Task 1: Research - gather account profile + opportunities
research_task = Task(
    description=(
        "Research the account named {account_name}.
"
        "Gather:
"
        "- Account profile (name, industry, revenue, employees, region)
"
        "- Active opportunities and total pipeline value

"
        "Provide a comprehensive account profile with all available data."
    ),
    agent=researcher,
    expected_output="Complete account profile with opportunity summary",
)

# Task 2: Analysis - assess health signals and risk
analysis_task = Task(
    description=(
        "Analyze health signals for {account_name}.
"
        "Assess:
"
        "- Support ticket volume and severity
"
        "- Product usage trends and license utilization
"
        "- Overall risk level (LOW / MEDIUM / HIGH)

"
        "Provide a risk assessment with supporting metrics."
    ),
    agent=analyst,
    expected_output="Risk assessment with key health metrics",
    context=[research_task],  # Receives Researcher's output
)

# Task 3: Writing - produce the final executive brief
writing_task = Task(
    description=(
        "Create an executive brief for {account_name}.
"
        "Include:
"
        "- Executive summary (2-3 sentences)
"
        "- Key metrics (ARR, usage, support health)
"
        "- Risk assessment
"
        "- 3-5 recommended actions (prioritized)

"
        "Format the output as a clean Markdown document.
"
        "Use clear, concise language suitable for executives.

"
        "IMPORTANT: Output raw markdown only. Do NOT wrap your response "
        "in ```markdown code blocks."
    ),
    agent=writer,
    expected_output="Formatted markdown document",
    context=[research_task, analysis_task],  # Receives both outputs
    output_file="output/{account_name}-brief.md",
)

context パラメータでタスクを連鎖させています。Analyst は Researcher の出力を受け取り、Writer は両方の出力を受け取ります。{account_name} プレースホルダーは、crew.kickoff() の実行時に置き換えられます。

CrewAI のタスクについて詳しくはこちら。

コンテキスト連鎖の流れ：

research_task (no context)
    ↓
analysis_task (context: [research_task])
    ↓
writing_task (context: [research_task, analysis_task])
    ↓
output/{account_name}-brief.md

ステップ 5: アプリケーションの構築

メインのエントリポイントでエージェントとタスクを Crew に組み立て、CLI インターフェースを提供します：


import argparse
import sys
from crewai import Crew, Process
from agents import researcher, analyst, writer
from tasks import research_task, analysis_task, writing_task


def create_crew() -> Crew:
    """Create the account research crew."""
    crew = Crew(
        agents=[researcher, analyst, writer],
        tasks=[research_task, analysis_task, writing_task],
        process=Process.sequential,  # Run tasks in order
        verbose=True,
    )
    return crew


def main():
    """Parse CLI arguments and run the crew."""
    parser = argparse.ArgumentParser(
        description="Automated Account Research with CrewAI + CData Connect AI"
    )
    parser.add_argument(
        "--account",
        required=True,
        help="Account name to research (e.g. 'Acme Corp')",
    )
    args = parser.parse_args()

    print(f"
{'='*60}")
    print(f"  Account Research Crew")
    print(f"  Target: {args.account}")
    print(f"{'='*60}
")

    crew = create_crew()

    try:
        result = crew.kickoff(inputs={"account_name": args.account})
    except Exception as exc:
        print(f"
[ERROR] Crew execution failed: {exc}", file=sys.stderr)
        sys.exit(1)

    print(f"
{'='*60}")
    print(f"  Account brief generated: output/{args.account}-brief.md")
    print(f"{'='*60}
")
    print(result)


if __name__ == "__main__":
    main()

Process.sequential によりタスクが順番に実行され、crew.kickoff(inputs={"account_name": ...}) がすべてのタスク記述のプレースホルダーを置き換えます。

CrewAI のプロセスについて詳しくはこちら。

ステップ 6: アプリケーションの実行

すべての設定が完了したら、Crew を実行します：


python src/crew.py --account "Acme Corp"

以下のような出力が表示されます：

============================================================
  Account Research Crew
  Target: Acme Corp
============================================================

[Researcher Agent]: Gathering account data...
  ✓ Account: Acme Corp
  ✓ ARR: $450K
  ✓ Industry: Manufacturing
  ✓ Open opportunities: $180K

[Analyst Agent]: Analyzing health signals...
  ✓ Support tickets: 12 open (3 high priority)
  ✓ Product usage: 94% license utilization
  ⚠️ Risk score: MEDIUM

[Writer Agent]: Creating account brief...
  ✓ Executive summary written
  ✓ Key metrics compiled
  ✓ Action items identified

============================================================
  Account brief generated: output/Acme Corp-brief.md
============================================================

注意: verbose=True を設定すると、コンソール出力にエージェントの詳細な推論と思考の連鎖が含まれます。上記の出力は、各エージェントが生成する内容の簡略化されたサマリーです。

ステップ 7: 実行例

さまざまなアカウントに対して Crew を実行してみましょう：


python src/crew.py --account "Acme Corp"
python src/crew.py --account "TechStart Inc"
python src/crew.py --account "Global Manufacturing Ltd"

生成されるブリーフの例

出力ファイルは以下の構造に従います（完全な例は output/sample_briefs/acme-corp-brief.md を参照してください）：

# Acme Corp - Account Health Brief
**Generated**: 2025-02-02 | **Risk Level**: MEDIUM

## Executive Summary
Acme Corp is a $450K manufacturing customer showing strong product
adoption but concerning support trends. Immediate attention required
on escalated tickets before renewal discussion.

## Key Metrics
- ARR: $450,000
- Contract Renewal: 45 days
- Support Health: ⚠️ 3 P1 tickets
- Usage: ✅ 94% license utilization
- Pipeline: $180K expansion opportunity

## Risk Assessment
**Overall Risk**: MEDIUM

## Recommended Actions
1. **[HIGH]** Schedule technical review for P1 tickets
2. **[MEDIUM]** Executive business review within 2 weeks
3. **[LOW]** Qualify expansion opportunity

ステップ 8: 利用可能な MCP ツール

CData Connect AI MCP サーバーは以下のツールを公開しています：

ツール	説明
`getCatalogs`	利用可能なデータソース接続を一覧表示
`getSchemas`	特定のカタログのスキーマを取得
`getTables`	スキーマ内のテーブルを取得
`getColumns`	テーブルのカラムメタデータを取得
`queryData`	SQL クエリを実行
`getProcedures`	ストアドプロシージャを一覧表示
`getProcedureParameters`	プロシージャのパラメータ詳細を取得
`executeProcedure`	ストアドプロシージャを実行

本プロジェクトの 4 つの CrewAI ツールラッパーは、以下のように各エージェントにマッピングされています：

CrewAI ツール	使用する MCP ツール	割り当て先	データ領域
`get_account_info`	`queryData`	Researcher	アカウントプロファイル
`get_opportunities`	`queryData`	Researcher	販売パイプライン
`get_support_tickets`	`queryData`	Analyst	サポートリクエスト
`get_usage_metrics`	`queryData`	Analyst	製品使用状況

ステップ 9: SQL クエリの形式

データをクエリする際は、完全修飾テーブル名を使用します：


SELECT [column1], [column2]
FROM [CatalogName].[SchemaName].[TableName]
WHERE [column1] = 'value'
ORDER BY [column2]

例えば、account テーブルをクエリするには：


SELECT [Name], [annual_revenue], [industry]
FROM [GoogleSheets1].[GoogleSheets].[demo_organization_account]
ORDER BY [annual_revenue] DESC

サブクエリを使用して関連テーブルをクエリするには：


SELECT * FROM [GoogleSheets1].[GoogleSheets].[demo_organization_opportunity]
WHERE [AccountId] IN (
    SELECT [Id1] FROM [GoogleSheets1].[GoogleSheets].[demo_organization_account]
    WHERE [Name] = 'Acme Corp'
)

ヒント: カタログ名とスキーマ名をプログラムで検出するには：


from config import Config
from mcp_client import MCPClient

config = Config.from_env()
client = MCPClient(config)
print(client.get_catalogs())
print(client.get_schemas("GoogleSheets1"))
print(client.get_tables("GoogleSheets1", "GoogleSheets"))

トラブルシューティング

CrewAI のインストールエラー

CrewAI は Python 3.10 以降が必要です。インストールされているバージョンを確認してください：


python --version

古いバージョンの場合は、Python 3.10+ をインストールし、新しい仮想環境を作成してください。

OpenAI API エラー

OPENAI_API_KEY が有効で、利用可能なクレジットがあることを確認してください。
CrewAI は GPT-4o で最も効果的に動作します。別のモデルは OPENAI_MODEL 環境変数で設定できます。

認証エラー

.env の CData メールアドレスと PAT が正しいことを確認してください。
PAT が期限切れになっていないことを確認してください。
Connect AI アカウントがアクティブであることを確認してください。

ツールが利用できない

Connect AI に少なくとも 1 つのデータソースが接続されていることを確認してください。
ユーザーが接続にアクセスする権限を持っていることを確認してください。

ツール呼び出しの失敗

CData Connect AI インスタンスに少なくとも 1 つのアクティブなデータソースが接続されていることを確認してください。
完全修飾テーブル名を使用してください: [Catalog].[Schema].[Table]。
src/tools.py のカタログ名とスキーマ名が Connect AI の設定と一致していることを確認してください。
client.get_columns() でカラム名が存在することを確認してください。
verbose 出力を確認し、Connect AI MCP サーバーからの具体的なエラーメッセージを確認してください。

出力ファイルが生成されない

output/ ディレクトリが存在することを確認してください（git clone で作成されます）。
output/ ディレクトリのファイル権限を確認してください。
エージェントの verbose 出力を確認してください。上流のタスクが失敗すると、下流のタスクが実行されない場合があります。

次のステップ

マルチエージェント Crew が動作するようになったら、次のことを試してみましょう：

エージェントを追加: src/agents.py のパターンに従って、追加の専門エージェント（競合インテリジェンス、財務アナリストなど）を作成できます。
より多くのデータソースを接続: CData Connect AI ダッシュボードから、Salesforce、HubSpot、Snowflake など 350 以上のサポートされたソースを追加できます。
プロセスタイプの変更: 独立したタスクの場合は、Process.sequential から Process.parallel に変更してみてください。
出力フォーマットの変更: Writer タスクの記述を変更して、Markdown の代わりに JSON を出力させることもできます。
メモリとキャッシュの追加: マルチセッションリサーチ向けに、CrewAI のメモリ機能を活用してみてください。
高度なパターンを探索: CrewAI ドキュメントでは、委任、階層型プロセス、Human-in-the-Loop ワークフローについて詳しく解説されています。

リソース

GitHub リポジトリ - 完全なソースコード
CrewAI ドキュメント - 高度な Crew パターン、メモリ、エージェント連携
CData Connect AI ドキュメント - より多くのデータソースの接続とガバナンス設定
CData プロンプトライブラリ - さまざまなユースケース向けのサンプルプロンプト
OpenAI API ドキュメント - OpenAI モデルと API リファレンス
Model Context Protocol - MCP の仕様とドキュメント
CData コミュニティフォーラム - コミュニティサポートとディスカッション

CData Connect AI を始めよう

AI 搭載のデータアプリケーションを構築する準備はできましたか？CData Connect AI は、AI アプリケーションから 350 以上のエンタープライズデータソースへのガバナンスされたセキュアなアクセスを提供します。マルチエージェント Crew から、Salesforce、Snowflake、HubSpot、Google スプレッドシート、データベースなどのライブビジネスデータを、単一の MCP インターフェースを通じてクエリできます。

無料トライアルにサインアップして、今日からインテリジェントなマルチエージェント Crew の構築を始めましょう！

Feedback

開発者ガイド（上級） - CrewAI によるマルチエージェント アカウントリサーチ