【MCP Server】LlamaIndex からJD Edwards のデータに連携しよう！

CData Connect AI Remote MCP Server を活用して、LlamaIndex ReAct エージェントから JD Edwards のデータにセキュアにリアルタイムでアクセスし、操作する方法をご紹介します。

LlamaIndex は、LLM アプリケーションを構築するためのデータフレームワークです。エージェントや RAG パイプライン、外部データをもとに推論する構造化ワークフローなどを開発できます。LlamaIndex と CData Connect AI を組み込みの MCP Server を通じて統合すれば、カスタムコネクタを書くことなく、エージェントがライブの JD Edwards のデータをネイティブツールとして検出・クエリできるようになります。

CData Connect AI は、JD Edwards をはじめとするさまざまなデータソースに接続できる、セキュアでローコードな環境を提供します。複雑な ETL を必要とせず、リアルタイムデータを使ったビジネスアプリケーション間のシームレスな自動化を実現します。

この記事では、CData Connect AI での JD Edwards 接続の設定、LlamaIndex への MCP サーバーの登録、そして JD Edwards のデータをリアルタイムでクエリする ReAct エージェントの構築方法をご紹介します。

前提条件

CData Connect AI のアカウント
Python バージョン 3.10 以上（LlamaIndex パッケージをインストールするため）
OpenAI API キーを生成して保存
システムに Visual Studio Code をインストール

ステップ 1：LlamaIndex 用の JD Edwards 接続を設定する

それでは早速、LlamaIndex から JD Edwards にアクセスできるようにしていきましょう。まず、CData Connect AI で JD Edwards 接続を作成します。この接続は、その後リモート MCP サーバーを通じて LlamaIndex に公開されます。

Connect AI にログインし、「Sources」をクリックして「+ Add Connection」をクリックします

利用可能なデータソースから「JD Edwards」を選択します

JD Edwards に接続するために必要な認証情報を入力しましょう。
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」をクリックします
認証が完了したら、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）を生成する

LlamaIndex 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。アクセス制御の粒度を維持するために、統合ごとに個別の PAT を作成することをおすすめします。

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
トークンの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てください。PAT は作成時にのみ表示されます

これで JD Edwards 接続の設定と PAT の生成が完了しました。LlamaIndex から 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：LlamaIndex で MCP サーバーに接続する

続いて、LlamaIndex を CData Connect AI のリモート MCP サーバーに接続し、推論に OpenAI を使用していきましょう。MCP サーバーのエンドポイントと認証情報を

config.py

ファイルで設定します。これらを設定することで、LlamaIndex の MCP ツールスペックが MCP サーバーツールを呼び出せるようになり、OpenAI が自然言語での推論を処理してくれます。

LlamaIndex MCP プロジェクト用のフォルダを作成します
フォルダ内に
```
config.py
```
と
```
llamaindex_agent.py
```
の2つの Python ファイルを作成します
```
config.py
```
で、MCP サーバーの URL と、Base64 エンコードされた CData Connect AI のメールアドレスおよび PAT（前提条件で取得したもの）を定義します。
```
class Config:

      MCP_BASE_URL = "https://mcp.cloud.cdata.com/mcp"   # MCP Server の URL
      MCP_AUTH     = "base64encoded(EMAIL:PAT)"          # Base64 エンコードされた Connect AI の Email:PAT
```
注：Base64 エンコードツールを使用して、MCP_AUTH の Base64 エンコード版を作成できます。

llamaindex_agent.py

で、MCP ツールスペックと ReAct エージェントを設定します：


"""
LlamaIndex ReAct エージェントと CData Connect AI MCP サーバーを統合します。
このスクリプトは、MCP ツールを検出して LlamaIndex ツールとしてラップし、
OpenAI による推論で駆動されるエージェントループを実行します。
"""

import asyncio
from llama_index.tools.mcp import BasicMCPClient, McpToolSpec
from llama_index.core.agent.workflow import ReActAgent
from llama_index.llms.openai import OpenAI
from config import Config

async def main():

    # Connect AI を指す MCP クライアントを初期化
    mcp_client = BasicMCPClient(
        Config.MCP_BASE_URL,
        headers={"Authorization": f"Basic {Config.MCP_AUTH}"},
    )

    # MCP サーバーが公開するツール（getCatalogs、queryData など）を検出
    tool_spec = McpToolSpec(client=mcp_client)
    tools = await tool_spec.to_tool_list_async()
    print("検出された MCP ツール:", [t.metadata.name for t in tools])

    # ReAct ループを駆動する LLM を設定
    llm = OpenAI(
        model="gpt-4o",
        temperature=0.2,
        api_key="YOUR_OPENAI_API_KEY",  # https://platform.openai.com/
    )

    # MCP ツールを使用するエージェントを構築
    agent = ReActAgent(tools=tools, llm=llm)

    user_prompt = "[rootadoname]1 で利用可能なテーブルはいくつありますか?"  # 必要に応じて変更してください
    print(f"
ユーザープロンプト: {user_prompt}")

    response = await agent.run(user_prompt)

    print("エージェントの最終応答:", response)

if __name__ == "__main__":
    asyncio.run(main())

ステップ 3：LlamaIndex パッケージをインストールする

このワークフローでは LlamaIndex を CData Connect AI MCP サーバーおよび推論用の OpenAI と組み合わせて使用するため、必要な Python パッケージをインストールしていきましょう。

プロジェクトのターミナルで次のコマンドを実行してください。


pip install llama-index llama-index-tools-mcp llama-index-llms-openai

ステップ 4：LlamaIndex を使用して JD Edwards にプロンプトを送信する（MCP サーバー経由）

インストールが完了したら、
```
python llamaindex_agent.py
```
を実行してスクリプトを実行します
スクリプトは MCP サーバーに接続し、接続されたデータをクエリするために利用可能な CData Connect AI MCP ツールを検出します
プロンプトを入力します（例：「JD Edwards で利用可能なテーブルはいくつありますか?」）
エージェントは利用可能なツールをもとに推論し、JD Edwards に対して
```
queryData
```
を呼び出して、その結果を返します

CData Connect AI でビジネスシステムのデータ活用を今すぐスタート

いかがでしたか？LlamaIndex から JD Edwards へのデータ接続が簡単に完了したのではないでしょうか。業務に使えそう、と感じてくださった方は、14 日間の無償トライアルで AI ツールからビジネスシステムへのリアルタイムデータ接続をぜひお試しください。

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