LangGraph と JD Edwards のデータを CData Connect AI で統合

Dibyendu Datta
Lead Technology Evangelist

CData Connect AI を活用して、LangGraph エージェントが自動化ワークフロー内でJD Edwards のデータにセキュアにアクセスし、操作できるようにします。

LangGraph は、推論モデル（LLM）、ツール統合、データ操作を組み合わせたインテリジェントなグラフベースの AI ワークフローを構築・可視化するためのフレームワークです。CData Connect AI と統合することで、エージェントは標準化されたツールセットを通じてエンタープライズデータにリアルタイムでセキュアにアクセス、クエリ、操作できるようになります。

CData Connect AI は、JD Edwards などのデータソースを Model Context Protocol（MCP）を通じて公開できるマネージド MCP プラットフォームです。これにより、AI エージェントは複雑な ETL やカスタム統合なしに、数百種類のデータソースのメタデータ、カタログ、テーブル、SQL 対応のデータアクセスを操作できます。

この記事では、LangGraph で MCP エンドポイントを登録し、CData Connect AI を通じてデータソース接続を設定し、リアルタイムデータ（例：JD Edwards オブジェクト）をオンデマンドでクエリ・可視化するワークフローを構築する方法を説明します。また、組み込みの MCP ツールセット（getCatalogs、getSchemas、getTables、queryData など）を使用して、自然言語エージェントがエンタープライズデータとセキュアかつインタラクティブに対話できるようにする方法を示します。

前提条件

CData Connect AI のアカウント
Python バージョン 3.10 以上（LangGraph パッケージのインストール用）
OpenAI API キーを生成して保存
Visual Studio Code をシステムにインストール
LangGraph から LangGraph API キーを取得して保存

ステップ1：LangGraph 用の JD Edwards 接続を設定

LangGraph が JD Edwards にアクセスする前に、CData Connect AI で JD Edwards 接続を作成する必要があります。この接続はリモート MCP サーバーを通じて LangGraph に公開されます。

Connect AI にログインして「Sources」をクリック、次に「+ Add Connection」をクリック
利用可能なデータソースから「JD Edwards」を選択
JD Edwards に接続するために必要な認証プロパティを入力します。
ドライバーは Application Interface Services（AIS）Server を経由して JD Edwards に接続します。以下の接続プロパティを設定します。
- URL：AIS Server のベース HTTPS URL（例：https://jde-ais.example.com:8300）。
- User：JD Edwards のユーザー名。
- Password：JD Edwards のパスワード。
- Environment（オプション）：使用する JD Edwards の環境（例：本番環境なら PD920、開発環境なら DV920）。指定しない場合は、AIS Server のデフォルト環境が使用されます。
- Role（オプション）：セッションで使用する JD Edwards のロール。指定しない場合は、AIS Server のデフォルトロールが使用されます。
- DeviceName（オプション）：接続元のデバイスまたはアプリケーションの識別子。AIS Server での監査やログ記録に使用されます。
- Jasserver（オプション）：リクエストのルーティング先となる Java Application Server（JAS）インスタンス。クラスタ環境で便利です。
公開するデータの選択

JD Edwards ではテーブルとビジネスビューが System Code ごとに整理されており、ドライバーは各 System Code をそれぞれ個別のスキーマとして公開します。利用できるスキーマは、以下のプロパティで制御できます。
- DataModel：System Code をスキーマとして公開する ERP モジュール（カンマ区切りで複数指定可）。接続先インスタンスのすべての System Code を公開する場合は All を指定します。デフォルトは FinancialManagement です。
- SystemCodes：DataModel の System Code に加えて公開したい System Code のカンマ区切りリスト（例：42,43）。
接続時、ドライバーは認証情報を AIS Server に送信してセッショントークンを取得し、キャッシュします。セッションの有効期限が切れる前に、新しいトークンが自動でリクエストされます。
「Save & Test」をクリック
認証後、JD Edwards 接続の「Permissions」タブを開き、必要に応じてユーザーベースの権限を設定します

パーソナルアクセストークン（PAT）を生成

LangGraph はアカウントのメールアドレスとパーソナルアクセストークン（PAT）を使用して Connect AI に認証します。きめ細かなアクセス制御を維持するため、統合ごとに個別の PAT を作成することをお勧めします。

Connect AI で、右上の「歯車アイコン」を選択して「Settings」を開きます
「Access Tokens」で「Create PAT」を選択します
トークンにわかりやすい名前を付けて「Create」を選択します
トークンをコピーして安全に保管します。PAT は作成時にのみ表示されます

JD Edwards 接続が設定され PAT が生成されたので、LangGraph は CData MCP サーバーを通じてJD Edwards のデータに接続する準備が整いました。

ステップ2：開発環境をセットアップ

LangGraph と CData Connect AI を接続し、OpenAI LLM を推論に使用するためのプロジェクトディレクトリをセットアップし、必要な依存関係をインストールします。このセットアップにより、LangGraph は Connect AI が公開する JD Edwards MCP サーバーツールを呼び出し、OpenAI が自然言語推論を処理できるようになります。

LangGraph プロジェクト用の新しいフォルダを作成します：
```
mkdir LangGraph cd LangGraph
```

必要な Python パッケージをインストールします：

pip install langgraph langchain-openai langchain-mcp-adapters python-dotenv "langgraph-cli[inmem]"

Python 3.10 以上と有効な OpenAI API キーが環境に設定されていることを確認します。

ステップ3：MCP 接続の環境変数を設定

LangGraph は環境変数を使用して CData Connect AI に接続し、API 認証情報と設定を定義します。これらの認証情報を .env ファイルに保存して、セキュアで再利用可能にします。LangGraph は実行時にこのファイルを自動的に読み込むため、スクリプトは機密情報をハードコードすることなく MCP サーバーに認証・通信できます。

プロジェクトディレクトリに .env という新しいファイルを作成します。

以下の環境変数を追加して、LangGraph、CData Connect AI、OpenAI の設定を定義します：

# LangSmith（オプション）
LANGSMITH_API_KEY=lsv2_pt_xxxx   #LangSmith API Key
LANGCHAIN_TRACING_V2=true
LANGCHAIN_PROJECT=LangGraph-Demo

# MCP 設定
MCP_BASE_URL=https://mcp.cloud.cdata.com/mcp   #MCP サーバー URL
MCP_AUTH=base64encoded(EMAIL:PAT)   #Base64 エンコードされた Connect AI Email:PAT
OPENAI_API_KEY=sk-proj-xxxx

ファイルを保存します。LangGraph はこれらの値を使用して CData Connect AI の JD Edwards MCP サーバーに認証し、JD Edwards のデータに接続し、推論用に OpenAI モデルを初期化します。

注意: Base64 エンコードされた認証文字列は、Base64 エンコードツールなどのオンライン Base64 エンコーダーを使用して生成できます。前提条件で取得した CData Connect AI のユーザー名と PAT をエンコードしてください。

ステップ4：LangGraph エージェントスクリプトを作成

このステップでは、LangGraph を CData Connect AI MCP サーバーに接続する Python スクリプトを作成します。スクリプトは getCatalogs、getSchemas、queryData などの利用可能な MCP ツールを取得し、LangGraph ワークフローを構築し、接続されたJD Edwards のデータに対して自然言語プロンプトを実行します。

ワークフローは MCP を使用して Connect AI からリアルタイムのJD Edwards のデータをセキュアに取得し、OpenAI GPT-4o を使用してそのデータを解釈・推論します。また、後で LangGraph Studio で可視化できるようにグラフを公開します。

ファイルを作成

LangGraph プロジェクトフォルダ内に test.py という新しい Python ファイルを作成します。

以下のコードを追加

test.py に以下のスクリプトを使用します：


import asyncio
import os
import operator
from typing_extensions import TypedDict, Annotated
from dotenv import load_dotenv

from langgraph.graph import StateGraph, START, END
from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, HumanMessage

# Load environment variables
load_dotenv()

# Define the agent state
class AgentState(TypedDict):
    messages: Annotated[list[BaseMessage], operator.add]

# Define the async agent logic
async def run_agent(user_prompt: str) -> str:
    MCP_BASE_URL = os.getenv("MCP_BASE_URL")
    MCP_AUTH = os.getenv("MCP_AUTH")
    OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

    print("Connecting to the MCP server...")
    mcp_client = MultiServerMCPClient(
        connections={
            "default": {
                "transport": "streamable_http",
                "url": MCP_BASE_URL,
                "headers": {"Authorization": f"Basic {MCP_AUTH}"} if MCP_AUTH else {},
            }
        }
    )

    print("Loading available MCP tools...")
    all_mcp_tools = await mcp_client.get_tools()
    print(f"Loaded tools: {[tool.name for tool in all_mcp_tools]}")

    # Initialize the LLM
    llm = ChatOpenAI(model="gpt-4o", temperature=0.2, api_key=OPENAI_API_KEY)

    print("Creating the LangGraph agent...")
    agent = create_agent(
        model=llm,
        tools=all_mcp_tools,
        system_prompt="You are a helpful assistant. Use tools when needed."
    )

    # Build the workflow graph
    builder = StateGraph(AgentState)
    builder.add_node("agent", agent)
    builder.add_edge(START, "agent")
    builder.add_edge("agent", END)
    graph_instance = builder.compile()

    print(f"Processing user query: {user_prompt}\n")
    initial_state = {"messages": [HumanMessage(content=user_prompt)]}
    result = await graph_instance.ainvoke(initial_state)
    print(f"Agent Response:\n{result['messages'][-1].content}")

# Expose the graph for visualization
builder = StateGraph(AgentState)
builder.add_node(
    "agent",
    create_agent(
        model=ChatOpenAI(model="gpt-4o", temperature=0.2, api_key=os.getenv("OPENAI_API_KEY")),
        tools=[],
        system_prompt="You are a helpful assistant."
    )
)
builder.add_edge(START, "agent")
builder.add_edge("agent", END)
graph = builder.compile()

if __name__ == "__main__":
    import argparse
    parser = argparse.ArgumentParser()
    parser.add_argument("--serve", action="store_true", help="Run visualization server")
    args = parser.parse_args()

    if args.serve:
        print("To visualize the graph, run:")
        print("langgraph dev")
    else:
        asyncio.run(run_agent("List the first 2 catalogs available"))

ステップ5：LangGraph プロジェクトを設定

CLI がワークフローグラフと環境設定を認識できるように LangGraph プロジェクトを設定します。LangGraph Studio での使用またはローカル可視化実行中にグラフを登録する設定ファイルを作成します。

設定ファイルを作成

プロジェクトディレクトリに langgraph.json という新しいファイルを作成します。

以下の設定を追加

langgraph.json ファイルに以下の内容を使用します：


{
  "dependencies": ["."],
  "graphs": {
    "agent": "./test.py:graph"
  },
  "env": ".env"
}

ステップ6：LangGraph で JD Edwards をプロンプト（Connect AI 経由）

LangGraph 開発サーバーを実行して、LangGraph Studio でワークフローを表示し対話します。これにより、エージェントがプロンプトを処理し、ツールを呼び出し、MCP サーバーを通じてJD Edwards のデータを取得する様子を直接可視化できます。

LangGraph 開発サーバーを起動

プロジェクトディレクトリでターミナルを開き、以下を実行します：

langgraph dev

Studio インターフェースにアクセス

サーバーが起動すると、LangGraph はローカル API を起動し、Studio UI へのリンクを提供します：

https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

通常、コマンド実行時にリンクは自動的に開きます。開かない場合は、ブラウザでこのリンクを開いて LangGraph Studio ダッシュボードをロードしてください。

エージェントと対話

Studio インターフェースで、以下のような自然言語プロンプトを入力します：

カタログで利用可能なすべての JD Edwards テーブルを表示

LangGraph はエージェントの推論フローをリアルタイムで可視化し、プロンプトの解釈、適切な MCP ツールの呼び出し、JD Edwards からのリアルタイムデータの取得の様子を表示します。

CData Connect AI を入手

数百種類の SaaS、ビッグデータ、NoSQL ソースへのリアルタイムデータアクセスをクラウドアプリケーションから直接取得するには、CData Connect AI を今すぐお試しください！

はじめる準備はできましたか？

CData Connect AI の詳細、または無料トライアルにお申し込みください：

無料トライアル

CData は、AI を本番環境で機能させるデータレイヤーです。数百の主要エンタープライズソースへのライブコネクティビティとレプリケーション、セマンティックコンテキスト、組み込みガバナンスを提供。Databricks、Microsoft、Google、Palantir をはじめ、世界中の 10,000 以上のお客様の AI を支えています。

お問い合わせ

CData Connect AI Gateway のご紹介

ユースケース別

プラットフォーム別

ユースケース別

ソース別

導入事例

デベロッパーセンター

5分で始めるクイックスタート

マネージド

セルフホスト

探索

参加する

サポート & サービス