ClickHouse MCP 서버를 사용해 LlamaIndex AI 에이전트를 구축하는 방법

이 가이드에서는 LlamaIndex AI 에이전트를 구축하여 ClickHouse SQL 플레이그라운드를 ClickHouse MCP 서버를 통해 사용하는 방법을 알아봅니다.

예시 노트북이 예시는 examples 리포지토리에서 노트북 형태로 확인할 수 있습니다.

사전 요구 사항

시스템에 Python이 설치되어 있어야 합니다.
시스템에 pip가 설치되어 있어야 합니다.
Anthropic API Key 또는 다른 LLM 제공업체의 API Key가 필요합니다.

다음 단계는 Python REPL 또는 스크립트에서 실행할 수 있습니다.

라이브러리 설치

다음 명령을 실행하여 필요한 라이브러리를 설치하십시오.

pip install -q --upgrade pip
pip install -q llama-index clickhouse-connect llama-index-llms-anthropic llama-index-tools-mcp

자격 증명 설정

다음으로, Anthropic API Key를 입력해야 합니다:

import os, getpass
os.environ["ANTHROPIC_API_KEY"] = getpass.getpass("Enter Anthropic API Key:")

Response

Enter Anthropic API Key: ········

다른 LLM 제공업체 사용Anthropic API Key가 없고 다른 LLM 제공업체를 사용하려는 경우, LlamaIndex “LLMs” docs에서 자격 증명을 설정하는 방법을 확인할 수 있습니다.

MCP 서버 초기화

이제 ClickHouse MCP 서버가 ClickHouse SQL playground를 사용하도록 구성합니다. 앞서 만든 Python 함수를 Llama Index 도구로 변환해야 합니다:

from llama_index.tools.mcp import BasicMCPClient, McpToolSpec

mcp_client = BasicMCPClient(
    "uv",
    args=[
        "run",
        "--with", "mcp-clickhouse",
        "--python", "3.13",
        "mcp-clickhouse"
    ],
    env={
        "CLICKHOUSE_HOST": "sql-clickhouse.clickhouse.com",
        "CLICKHOUSE_PORT": "8443",
        "CLICKHOUSE_USER": "demo",
        "CLICKHOUSE_PASSWORD": "",
        "CLICKHOUSE_SECURE": "true"
    }
)

mcp_tool_spec = McpToolSpec(
    client=mcp_client,
)

tools = await mcp_tool_spec.to_tool_list_async()

에이전트 생성

이제 앞서 언급한 도구에 접근할 수 있는 agent를 생성할 준비가 되었습니다. 한 번의 실행에서 도구를 호출할 수 있는 최대 횟수를 10으로 설정하십시오. 필요하면 이 매개변수를 수정할 수 있습니다:

from llama_index.core.agent import AgentRunner, FunctionCallingAgentWorker

agent_worker = FunctionCallingAgentWorker.from_tools(
    tools=tools,
    llm=llm, verbose=True, max_function_calls=10
)
agent = AgentRunner(agent_worker)

LLM 초기화

다음 코드를 사용해 Claude Sonnet 4.0 모델을 초기화합니다:

from llama_index.llms.anthropic import Anthropic
llm = Anthropic(model="claude-sonnet-4-0")

에이전트 실행

마지막으로, agent에게 질문할 수 있습니다:

response = agent.query("What's the most popular repository?")

응답이 길어 아래 예시 응답에서는 일부를 생략했습니다:

Response

Added user message to memory: What's the most popular repository?
=== LLM Response ===
I'll help you find the most popular repository. Let me first explore the available databases and tables to understand the data structure.
=== Calling Function ===
Calling function: list_databases with args: {}
=== Function Output ===
meta=None content=[TextContent(type='text', text='amazon\nbluesky\ncountry\ncovid\ndefault\ndns\nenvironmental\nfood\nforex\ngeo\ngit\ngithub\nhackernews\nimdb\nlogs\nmetrica\nmgbench\nmta\nnoaa\nnyc_taxi\nnypd\nontime\nopensky\notel\notel_v2\npypi\nrandom\nreddit\nrubygems\nstackoverflow\nstar_schema\nstock\nsystem\ntw_weather\ntwitter\nuk\nwiki\nwords\nyoutube', annotations=None)] isError=False
=== LLM Response ===
I can see there's a `github` database which likely contains repository data. Let me explore the tables in that database.
=== Calling Function ===
Calling function: list_tables with args: {"database": "github"}
=== Function Output ===
...
...
...
=== LLM Response ===
Based on the GitHub data, **the most popular repository is `sindresorhus/awesome`** with **402,292 stars**.

Here are the top 10 most popular repositories by star count:

1. **sindresorhus/awesome** - 402,292 stars
2. **996icu/996.ICU** - 388,413 stars  
3. **kamranahmedse/developer-roadmap** - 349,097 stars
4. **donnemartin/system-design-primer** - 316,524 stars
5. **jwasham/coding-interview-university** - 313,767 stars
6. **public-apis/public-apis** - 307,227 stars
7. **EbookFoundation/free-programming-books** - 298,890 stars
8. **facebook/react** - 286,034 stars
9. **vinta/awesome-python** - 269,320 stars
10. **freeCodeCamp/freeCodeCamp** - 261,824 stars

The `sindresorhus/awesome` repository is a curated list of awesome lists, which explains its popularity as it serves as a comprehensive directory of resources across many different topics in software development.

​사전 요구 사항

사전 요구 사항