> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-fbfa8bee.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# Cómo crear un agente de IA con LangChain/LangGraph usando el servidor MCP de ClickHouse.
> Aprende a crear un agente de IA con LangChain/LangGraph que pueda interactuar con el SQL playground de ClickHouse usando el servidor MCP de ClickHouse.
En esta guía, aprenderás a crear un agente de IA con [LangChain/LangGraph](https://github.com/langchain-ai/langgraph) que
pueda interactuar con el [SQL playground de ClickHouse](https://sql.clickhouse.com/) mediante el [servidor MCP de ClickHouse](https://github.com/ClickHouse/mcp-clickhouse).
**Notebook de ejemplo**
Puedes encontrar este ejemplo como un notebook en el [repositorio de ejemplos](https://github.com/ClickHouse/examples/blob/main/ai/mcp/langchain/langchain.ipynb).
## Requisitos previos
* Debes tener Python instalado en tu sistema.
* Debes tener `pip` instalado en tu sistema.
* Necesitarás una clave de API de Anthropic o una clave de API de otro proveedor de LLM.
Puedes ejecutar los siguientes pasos desde tu REPL de Python o mediante un script.
## Instalar bibliotecas
Instale las bibliotecas requeridas ejecutando los siguientes comandos:
```python theme={null}
pip install -q --upgrade pip
pip install -q langchain-mcp-adapters langgraph "langchain[anthropic]"
```
## Configura las credenciales
A continuación, tendrás que proporcionar tu clave de API de Anthropic:
```python theme={null}
import os, getpass
os.environ["ANTHROPIC_API_KEY"] = getpass.getpass("Enter Anthropic API Key:")
```
```response title="Response" theme={null}
Enter Anthropic API Key: ········
```
**Uso de otro proveedor de LLM**
Si no tienes una clave de API de Anthropic y quieres usar otro proveedor de LLM,
puedes consultar las instrucciones para configurar tus credenciales en la [documentación de proveedores de LangChain](https://python.langchain.com/docs/integrations/providers/)
## Inicialice el servidor MCP
Ahora configure el ClickHouse MCP server para que apunte al ClickHouse SQL playground:
```python theme={null}
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
server_params = StdioServerParameters(
command="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"
}
)
```
## Configura el manejador del flujo
Al trabajar con Langchain y ClickHouse MCP server, los resultados de las consultas suelen
devolverse como datos en streaming en lugar de una única respuesta. En el caso de grandes conjuntos de datos o
consultas analíticas complejas cuyo procesamiento puede llevar tiempo, es importante configurar
un manejador del flujo. Sin un manejo adecuado, esta salida en streaming puede ser difícil
de utilizar en tu aplicación.
Configura el manejador para la salida en streaming de modo que sea más fácil de procesar:
```python theme={null}
class UltraCleanStreamHandler:
def __init__(self):
self.buffer = ""
self.in_text_generation = False
self.last_was_tool = False
def handle_chunk(self, chunk):
event = chunk.get("event", "")
if event == "on_chat_model_stream":
data = chunk.get("data", {})
chunk_data = data.get("chunk", {})
# Solo manejar contenido de texto real, omitir flujos de invocación de herramientas
if hasattr(chunk_data, 'content'):
content = chunk_data.content
if isinstance(content, str) and not content.startswith('{"'):
# Agregar espacio tras la finalización de la herramienta si es necesario
if self.last_was_tool:
print(" ", end="", flush=True)
self.last_was_tool = False
print(content, end="", flush=True)
self.in_text_generation = True
elif isinstance(content, list):
for item in content:
if (isinstance(item, dict) and
item.get('type') == 'text' and
'partial_json' not in str(item)):
text = item.get('text', '')
if text and not text.startswith('{"'):
# Agregar espacio tras la finalización de la herramienta si es necesario
if self.last_was_tool:
print(" ", end="", flush=True)
self.last_was_tool = False
print(text, end="", flush=True)
self.in_text_generation = True
elif event == "on_tool_start":
if self.in_text_generation:
print(f"\n🔧 {chunk.get('name', 'tool')}", end="", flush=True)
self.in_text_generation = False
elif event == "on_tool_end":
print(" ✅", end="", flush=True)
self.last_was_tool = True
```
## Llama al agente
Por último, llama a tu agente y pregúntale quién ha aportado más código a ClickHouse:
```python theme={null}
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await load_mcp_tools(session)
agent = create_react_agent("anthropic:claude-sonnet-4-0", tools)
handler = UltraCleanStreamHandler()
async for chunk in agent.astream_events(
{"messages": [{"role": "user", "content": "Who's committed the most code to ClickHouse?"}]},
version="v1"
):
handler.handle_chunk(chunk)
print("\n")
```
Deberías ver una respuesta similar a la que se muestra a continuación:
```response title="Response" theme={null}
Te ayudaré a encontrar quién ha realizado más confirmaciones de código en ClickHouse explorando las bases de datos y tablas disponibles para localizar los datos de confirmaciones de git.
🔧 list_databases ✅ Puedo ver que existe una base de datos `git` que probablemente contiene información sobre las confirmaciones de git. Voy a explorar las tablas de esa base de datos:
🔧 list_tables ✅ ¡Perfecto! Puedo ver que la tabla `clickhouse_commits` en la base de datos git contiene datos de confirmaciones de ClickHouse con 80.644 confirmaciones. Esta tabla tiene información sobre cada confirmación, incluido el autor, las líneas añadidas/eliminadas, los archivos modificados, etc. Voy a consultar esta tabla para encontrar quién ha realizado más confirmaciones de código según distintas métricas.
🔧 run_select_query ✅ Veamos también solo las líneas añadidas para ver quién ha contribuido con más código nuevo:
🔧 run_select_query ✅ Según los datos de confirmaciones de git de ClickHouse, **Alexey Milovidov** ha realizado más confirmaciones de código en ClickHouse por varios criterios:
## Estadísticas clave:
1. **Mayor número total de líneas modificadas**: Alexey Milovidov con **1.696.929 líneas modificadas en total** (853.049 añadidas + 843.880 eliminadas)
2. **Mayor número de líneas añadidas**: Alexey Milovidov con **853.049 líneas añadidas**
3. **Mayor número de confirmaciones**: Alexey Milovidov con **15.375 confirmaciones**
4. **Mayor número de archivos modificados**: Alexey Milovidov con **73.529 archivos modificados**
## Principales contribuidores por líneas añadidas:
1. **Alexey Milovidov**: 853.049 líneas añadidas (15.375 confirmaciones)
2. **s-kat**: 541.609 líneas añadidas (50 confirmaciones)
3. **Nikolai Kochetov**: 219.020 líneas añadidas (4.218 confirmaciones)
4. **alesapin**: 193.566 líneas añadidas (4.783 confirmaciones)
5. **Vitaly Baranov**: 168.807 líneas añadidas (1.152 confirmaciones)
Alexey Milovidov es claramente el contribuidor más prolífico de ClickHouse, lo cual tiene sentido dado que es uno de los creadores originales y desarrolladores principales del proyecto. Su contribución supera ampliamente a la de los demás tanto en volumen total de código como en número de confirmaciones, con casi 16.000 confirmaciones y más de 850.000 líneas de código añadidas al proyecto.
```