--- title: "Bright DataのBright Data MCP（AutoGen AgentChatおよびStudio搭載）" slug: autogen-agentchat-with-web-mcp date: 2025-11-26T12:54:35+00:00 modified: 2025-11-26T12:54:36+00:00 permalink: https://brightdata.jp/blog/ai/autogen-agentchat-with-web-mcp type: blog --- [ ブログ ](https://brightdata.jp/blog "ブログ") / [AI](https://brightdata.jp/blog/ai) [AI](https://brightdata.jp/blog/ai) # Bright DataのBright Data MCP（AutoGen AgentChatおよびStudio搭載） Bright DataのWeb MCPを活用し、ライブWebデータでAutoGen AIエージェントを強化する方法を発見してください。AgentChatとAutoGen Studioのステップバイステップガイドが含まれます。 2 分読 [ ![Antonello Zanini](https://media.brightdata.jp/2022/12/Antonello-Zanini-2-50x50.jpg) ](https://brightdata.com/blog/authors/antonello-zanini) [Antonello Zanini Technical Writer ](https://brightdata.com/blog/authors/antonello-zanini) ![AutoGen AgentChat × Bright Data MCP](https://media.brightdata.jp/2025/10/AutoGen-AgentChat-%C3%97-Bright-Data-MCP.png) この記事では以下の内容をご紹介します： - AutoGenとは何か、その独自性について。 - MCPを介したWebデータ取得・インタラクション機能でエージェントを拡張すべき理由 - – Bright DataのBright Data MCPと連携するAutoGen AgentChatエージェントの構築方法 - – 同じエージェントをビジュアルWebアプリケーションAutoGen Studioでテストする方法 それでは始めましょう！ ## AutoGenとは？ [AutoGenは](https://www.microsoft.com/en-us/research/project/autogen/)、Microsoftが開発したマルチエージェントAIシステム構築のためのオープンソースフレームワークです。複数のAIエージェントが自律的に、あるいは人間の指導のもとで、複雑なタスクを完了するために相互に連携・通信することを可能にします。 このライブラリは[GitHub で 50,000 以上のスター](https://github.com/microsoft/autogen)を獲得するなど、大きな人気を[博しており](https://github.com/microsoft/autogen)、Python と C# (.NET) の両方で利用できます。 ### 主な機能 AutoGenが提供する中核機能は以下の通りです： - **カスタマイズ可能な対話型エージェント**：AIエージェントをLLM（大規模言語モデル）、人間の入力、各種ツールと統合します。高水準APIやJSONを使用して、カスタム動作や会話パターンを定義できます。 - **ヒューマン・イン・ザ・ループワークフロー**：ワークフローの複数ポイントで人間のフィードバックを組み込むことをサポート。例えば`UserProxyAgentは`人間のプロキシとして機能し、監視や介入を可能にします。 - **ツール統合**：エージェントには、Web検索、コード実行、ファイル操作などの機能を装備できます。MCP統合のサポートも含まれます。 - **組み込みエージェントタイプ**: AutoGenは以下を含む複数の事前構築済みエージェントタイプを提供します: - `UserProxyAgent`: 人間ユーザーを代理し、コードを実行可能。 - `AssistantAgent`: タスクの実行やツールの使用が可能な汎用LLMベースのアシスタント。 - `CodeExecutorAgent`: コードの実行とテストに特化しています。 - **可観測性とデバッグ**: エージェントの相互作用やワークフローのトレースとデバッグのための組み込みツールを備え、OpenTelemetryなどの標準をサポートしています。 - **AutoGen Studio**: マルチエージェントシステムの迅速なプロトタイピング、テスト、デプロイを可能にするグラフィカルでローコードなWebインターフェース。 ## Bright DataのBright Data MCPでAutoGenエージェントを拡張する理由 AutoGenは複数のAIモデルプロバイダーをサポートしています。しかし、OpenAI、Anthropic、Ollama、その他のプロバイダーを問わず、どのLLMを選択しても、すべてのモデルには同じ根本的な制限があります。その知識は静的であるということです。 LLMは特定の時点[のスナップショットデータを学習しているため](/blog/web-data/llm-training-data)、知識が急速に陳腐化する可能性があります。さらに重要なのは、LLMがネイティブにライブウェブサイトと対話したり、独自にデータソースにアクセスしたりできない点です。 幸い、AutoGenはMCPをサポートしています。つまり、エージェントを[**Bright DataのBright Data MCPと**](/ai/mcp-server)組み合わせることが可能です。これによりLLMが拡張され、ウェブから直接新鮮で高品質なデータを取得するツールやその他の機能が追加されます。 具体的には、Bright Data MCPは[60以上のAI対応ツールを](https://docs.brightdata.com/mcp-server/tools)提供するオープンソースサーバーです。これらはすべて、Bright Dataのウェブインタラクションおよびデータ収集インフラによって駆動されています。 [無料プラン](/blog/ai/web-mcp-free-tier)でも、以下の2つの画期的なツールを利用できます： **ツール****説明**`search_engine`Google、Bing、Yandexの検索結果をJSONまたはMarkdown形式で取得します。`scrape_as_markdown`ボット検出やCAPTCHAを回避し、任意のウェブページをクリーンなMarkdown形式にスクレイピングします。さらに、Bright Data MCPはAmazon、LinkedIn、TikTok、Google Play、App Store、Yahoo Financeなど主要プラットフォーム向けの構造化データ収集用専門ツールを多数提供します。詳細は[公式GitHubページ](https://github.com/brightdata/brightdata-mcp)でご確認ください。 つまり、AutoGenでBright Data MCPを設定することで、ライブウェブサイトと対話し、最新のウェブデータにアクセスして現実世界に根ざしたインサイトを生成できる複雑なAIエージェントを構築できます。 ## AutoGen AgentChatでPythonを使用したBright Data MCPツールによるAIエージェント構築方法 このガイドセクションでは、マルチエージェントアプリケーション作成用の高レベルAPI[であるAutoGen AgentChatを使用して](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/index.html)エージェントを構築する方法を学びます。具体的には、エージェントがBright Data MCPサーバーが公開する全ツールを利用可能となり、基盤となるLLMの機能を拡張します。 **注**：以下のエージェントはPythonで記述されますが、[.NETへ](https://microsoft.github.io/autogen-for-net/)容易に[適用可能です](https://microsoft.github.io/autogen-for-net/)。 AutoGenとMCPを統合したPythonエージェントを作成する手順は以下の通りです！ ### 前提条件 このチュートリアルを実行するには、以下の環境が整っていることを確認してください： - [Python 3.10以上が](https://www.python.org/downloads/)マシンにインストールされていること。 - Node.js がインストールされていること（[最新の](https://nodejs.org/en/download)[LTS バージョンを](https://nodejs.org/en/download)推奨）。 - [OpenAI APIキー](https://platform.openai.com/api-keys)（または[その他のサポートされているLLMの](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/models.html)APIキー） また、APIキー付きのBright Dataアカウントも必要ですが、後ほど手順を説明しますのでご安心ください。[MCPの基本的な仕組みと](https://modelcontextprotocol.io/specification/2025-06-18) [Bright Data MCPが公開するツールについての](https://docs.brightdata.com/mcp-server/tools)理解があるとさらに役立ちます。 ### ステップ #1: AutoGenプロジェクトの設定 ターミナルを開き、AutoGen AIプロジェクト用の新規ディレクトリを作成します: ```none mkdir autogen-mcp-agent ``` `autogen-mcp-agent/`フォルダには、MCP統合エージェント用のPythonコードが含まれます。 次に、プロジェクトディレクトリに移動し、その内部で[仮想環境を初期化します](https://docs.python.org/3/library/venv.html)： ```none cd autogen-mcp-agent python -m venv .venv ``` 仮想環境を有効化します。LinuxまたはmacOSでは以下を実行: ```none source .venv/bin/activate ``` Windows では同等の操作として以下を実行します: ```none .venv/Scripts/activate ``` プロジェクトに`agent.py`という新しいファイルを追加し、以下のように記述します: ```none autogen-mcp-agent/ ├── .venv/ └── agent.py ``` `agent.py`はメインの Python ファイルとして機能し、AI エージェントのロジックを含みます。 お好みのPython IDE（[Python拡張機能付きのVisual Studio](https://code.visualstudio.com/docs/languages/python) [CodeやPyCharm Community Editionなど](https://www.jetbrains.com/pycharm/download/)）でプロジェクトフォルダを読み込みます。 仮想環境をアクティブ化した状態で、必要な依存関係をインストールします： ```none pip install autogen-agentchat "autogen-ext[openai]" "autogen-ext[mcp]" python-dotenv ``` インストールしたライブラリは以下の通りです： - [`autogen-agentchat`](https://pypi.org/project/autogen-agentchat/): autogen-core 上に構築された使いやすい API を通じて、単一エージェントまたはマルチエージェントアプリケーションを開発するためのライブラリ。 - [`"autogen-ext[openai]"`](https://pypi.org/project/autogen-ext/): OpenAIモデルを活用したエージェント構築のためのAutoGen拡張機能。 - [`"autogen-ext[mcp]"`](https://pypi.org/project/autogen-ext/)[:](https://pypi.org/project/autogen-ext/)AutoGenエージェントをMCPサーバーに接続するための拡張機能。 - [`python-dotenv`](https://pypi.org/project/python-dotenv/): ローカルの`.env`ファイルから環境変数をロードします。 **注**: OpenAIモデルを使用しない場合は、[ドキュメントの説明に従い](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/models.html)、お好みのLLMプロバイダーに対応するパッケージをインストールしてください。 完了！これでAutoGenを用いたAIエージェント開発のためのPython環境が整いました。 ### ステップ #2: 環境変数読み込みの設定 エージェントはOpenAIやBright Dataなどのサードパーティサービスへの接続に依存します。これらの接続を認証するにはAPIキーの提供が必要です。セキュリティ上の問題を引き起こす可能性のある悪しき慣行である`agent.py`ファイルへのハードコーディングではなく、環境変数からシークレットを読み取るようスクリプトを設定してください。 これが、最初にpython-dotenvパッケージをインストールした理由です。`agent.py`ファイルでライブラリをインポートし、`load_dotenv()`を呼び出して環境変数をロードします： ```none from dotenv import load_dotenv load_dotenv() ``` これでアシスタントはローカルの`.env`ファイルから変数を読み込めるようになります。 したがって、プロジェクトディレクトリのルートに`.env`ファイルを追加します: ```none autogen-mcp-agent/ ├── .venv/ ├── .env # <------ └── agent.py ``` これでコード内で環境変数にアクセスできます: ```none import os os.getenv("ENV_NAME") ``` 素晴らしい！スクリプトが環境変数を使用してサードパーティ連携のシークレットを読み込みました。 ### ステップ #3: Bright Data の Bright Data MCP を開始する エージェントをBright DataのBright Data MCPに接続する前に、まずお使いのマシンでサーバーを実行できることを確認してください。これは、AutoGenにBright Data MCPをローカルで起動するよう指示し、エージェントがそれに接続するためです。 Bright Dataアカウントをお持ちでない場合は[新規作成してください](/?hs_signup=1)。既にアカウントをお持ちの場合は[ログインしてください](/cp/start)。迅速なセットアップには、アカウント内の[「MCP」](/cp/mcp)セクションを参照してください： ![The “MCP” section in your Bright Data account](https://media.brightdata.com/2025/10/image-11-1024x548.png)詳細な手順については、以下の指示に従ってください。 [まずBright Data APIキーを生成します](https://docs.brightdata.com/api-reference/authentication#generating-an-api-key%3A)。すぐに必要となるため、安全な場所に保管してください。ここではBright Data MCP統合プロセスを簡略化するため、APIキーに*管理者*権限が付与されているものと仮定します。 次に、[`@brightdata/mcp`](https://www.npmjs.com/package/@brightdata/mcp)npmパッケージを使用して、システムにBright Data MCPをグローバルにインストールします： ```none npm install -g @brightdata/mcp ``` 次に、ローカルMCPサーバーを起動して動作を確認します： ```none $Env:API_TOKEN=""; npx -y @brightdata/mcp ``` Linux/macOSでは同等のコマンドを実行します: ```none API_TOKEN="" npx -y @brightdata/mcp ``` ``プレースホルダーを実際の Bright Data API トークンに置き換えてください。どちらのコマンドも必要な`API_TOKEN`環境変数を設定し、Bright Data MCP をローカルで起動します。 正常に実行されると、以下のような出力が表示されます: ![Bright Data MCP startup logs](https://media.brightdata.com/2025/10/image-12-1024x157.png)初回起動時、Bright Data MCPはBright Dataアカウント内に以下の2つのデフォルトゾーンを自動作成します: - `mcp_unlocker`:[Web Unlocker](/products/web-unlocker)用ゾーン - `mcp_browser`:[ブラウザAPI](/products/scraping-browser)用のゾーン。 Bright Data MCPは60以上のツールを動作させるために、これら2つのBright Data製品に依存しています。 ゾーンが作成されたことを確認するには、Bright Dataダッシュボードにログインし、[「プロキシ＆スクレイピングインフラストラクチャ」](/cp/zones)ページに移動してください。テーブル内に以下の2つのゾーンが確認できるはずです： ![The mcp_unlocker and mcp_browser zones created by the Bright Data MCP at startup](https://media.brightdata.com/2025/10/image-13-1024x539.png)**注意**: APIトークンに*管理者*権限がない場合、これらのゾーンは作成されません。この場合、ダッシュボードで手動で定義し、環境変数を通じてコマンド内でゾーン名を設定する必要があります（[詳細はGitHubページを参照](https://github.com/brightdata/brightdata-mcp?tab=readme-ov-file#-account-setup)）。 デフォルトでは、MCPサーバーが公開するのは`search_engineとscrape_as_markdownツール`（およびそれらのバッチ版）のみです。これらのツールは[Bright Data MCPの無料プラン](/blog/ai/web-mcp-free-tier)に含まれるため、無料で利用できます。 ブラウザ自動化や構造化データフィードなどの高度なツールを利用するには、Proモードを有効にする必要があります。Bright Data MCP起動前に環境変数`PRO_MODE="true"`を設定してください： ```none $Env:API_TOKEN=""; $Env:PRO_MODE="true"; npx -y @brightdata/mcp ``` Linux/macOSの場合： ```none API_TOKEN="" PRO_MODE="true" npx -y @brightdata/mcp ``` プロモードでは60以上のツールがすべて利用可能になりますが、無料プランには含まれず[追加料金が発生します](https://github.com/brightdata/brightdata-mcp?tab=readme-ov-file#-pricing--modes)。 完了！これでBright Data MCPサーバーがご自身のマシン上で動作することを確認しました。次のステップでAutoGen AgentChatエージェントを起動し接続する設定を行うため、MCPプロセスを停止してください。 ### ステップ #4: Bright Data MCP接続の設定 Bright Data MCPがマシンで実行可能になったので、スクリプトにサーバー接続を指示します。 まず、以前に取得したBright Data APIキーを`.env`ファイルに追加します： ```none BRIGHT_DATA_API_KEY="" ``` ``を実際のAPIキーに置き換えてください。 `agent.py` 内で、Bright Data API キーの値を以下のように読み込みます: ```none BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY") ``` 次に、[`非同期`](https://docs.python.org/3/library/asyncio.html)関数を定義し、ローカルBright Data MCPプロセスへのMCP接続を設定します: ```none from autogen_ext.tools.mcp import ( StdioServerParams, mcp_server_tools ) async def main(): # Bright Data MCP 接続設定 bright_data_mcp_server = StdioServerParams( command="npx", args=[ "-y", "@brightdata/mcp" ], env={ "API_TOKEN": BRIGHT_DATA_API_KEY, "PRO_MODE": "true" # オプション } ) # Bright Data MCPサーバーが公開するツールを読み込み bright_data_tools = await mcp_server_tools(bright_data_mcp_server) # エージェント定義... ``` この設定は、APIトークンに環境変数を使用する前のステップのnpxコマンドを反映しています。`PRO_MODEは`オプションですが、`API_TOKENは`必須であることに注意してください。 基本的に、`agent.py`スクリプトはBright Data MCPプロセスを起動し、[STDIO経由で接続します](https://modelcontextprotocol.io/specification/2025-06-18/basic/transports#stdio)。その結果、AutoGenエージェントに渡せるツールの配列が得られます。 利用可能なツールを一覧表示して接続を確認します: ```none for bright_data_tool in bright_data_tools: print(f"TOOL: {bright_data_tool.name} - {bright_data_tool.description}n") ``` スクリプトをProモード無効で実行すると、以下のような出力が表示されます: ![The tool list output with Pro mode disabled](https://media.brightdata.com/2025/10/image-14-1024x225.png)Proモードを有効にした場合は、60以上の全ツールが表示されます: ![The tool list output with Pro mode enabled](https://media.brightdata.com/2025/10/image-15-1024x525.png)これで完了です！出力結果から、Bright Data MCP 統合が正常に機能していることが確認できます。 ### ステップ #5: AutoGenエージェントの定義 AutoGen AgentChatには[、](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/agents.html)それぞれ異なる応答スタイルで設計された[プリセットエージェント](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/agents.html)が用意されています[。](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/agents.html)このケースでは汎用的な[`AssistantAgentが`](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/agents.html#assistant-agent)最適です。 エージェントを定義する前に、LLM（大規模言語モデル）の統合を設定する必要があります。エージェントは基盤となるAIモデルなしでは機能しないためです。 まず、`.env`ファイルにOpenAI APIキーを追加します： ```none OPENAI_API_KEY="" ``` 次に、コード内でOpenAI統合を設定します: ```none from autogen_ext.models.openai import OpenAIChatCompletionClient model_client = OpenAIChatCompletionClient( model="gpt-4o-mini", ) ``` [`OpenAIChatCompletionClientは`](https://microsoft.github.io/autogen/stable//reference/python/autogen_ext.models.openai.html#autogen_ext.models.openai.OpenAIChatCompletionClient) `OPENAI_API_KEY環境変数を` [`自動的に読み込むため`](https://microsoft.github.io/autogen/stable//reference/python/autogen_ext.models.openai.html#autogen_ext.models.openai.OpenAIChatCompletionClient)、コード内で明示的に読み込む必要はありません。この環境変数はOpenAIへのAPI呼び出し認証に使用されます。 上記の例ではエージェントを[OpenAIのGPT-4oモデル](https://platform.openai.com/docs/models/gpt-4o)に接続しています。他のモデルやLLMプロバイダーを使用する場合は、各ドキュメントを確認し適宜調整してください。 **注記**: 本文執筆時点では、autogen-ext\[openai\]ではGPT-5モデルは未対応です。 では、先に読み込んだ MCP ツールとモデルを組み合わせてアシスタントエージェントを作成しましょう： ```none from autogen_agentchat.agents import AssistantAgent agent = AssistantAgent( name="web_agent", model_client=model_client, tools=bright_data_tools, ) ``` 素晴らしい！これでOpenAIを基盤とし、Bright DataのMCPツールと連携した初のAutoGen AgentChatエージェントが完成しました。 ### ステップ #6: AutoGen チームの作成 エージェントに直接タスクを渡して実行することも可能です。ただし、ツールの実行が1回で終了するため、最適な体験は得られません。`max_tool_iterations引数`でこの動作を調整することもできますが、通常はチームを定義する方が望ましいです。 AutoGenにおける[チームとは](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/teams.html)、目標達成に向けて協力する[エージェントのグループです](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/teams.html)。今回のケースではエージェントは1体のみ（[有効な設定です](https://microsoft.github.io/autogen/stable//user-guide/agentchat-user-guide/tutorial/teams.html#single-agent-team)）ですが、チームを定義しておくことで、後でエージェントを追加してマルチエージェントワークフローを構築する際の拡張が容易になります。 一般的な設定として、エージェントが順番に発言するラウンドロビン方式[`のRoundRobinGroupChatチーム`](https://microsoft.github.io/autogen/stable//reference/python/autogen_agentchat.teams.html#autogen_agentchat.teams.RoundRobinGroupChat)があります。また、ループを終了させる終了条件も必要です。ここでは[`TextMentionTermination`](https://microsoft.github.io/autogen/stable//reference/python/autogen_agentchat.conditions.html#autogen_agentchat.conditions.TextMentionTermination)を使用し、エージェントの応答に「TERMINATE」という単語が出現した時点でプロセスを終了するように設定します： ```none from autogen_agentchat.conditions import TextMentionTermination from autogen_agentchat.teams import RoundRobinGroupChat # ループの終了条件を定義 text_termination = TextMentionTermination("TERMINATE") # 唯一のエージェントを含むチームを作成 team = RoundRobinGroupChat([agent], termination_condition=text_termination) ``` これはAutoGenのほとんどの例で示される標準的な設定であることに注意してください。 エージェントが1人しかいなくても、タスクが完了するまでチームは繰り返し呼び出しを続けます。これは、完了までに複数のツール呼び出し（つまり複数のインタラクションラウンド）を必要とする複雑なタスクにおいて特に有用です。 よし！あとはチームを実行して結果を取得するだけです。 ### ステップ #7: タスクの実行 AutoGen AgentChatアプリケーションを実行するには、エージェントが所属するチームにタスクを渡します。拡張されたWebデータ取得機能をテストするには、次のようなプロンプトを実行してみてください： ```none task = """ App Storeの以下のアプリから情報を取得してください： "https://apps.apple.com/us/app/brave-browser-search-engine/id1052879175" ユーザーレビュー、価格、入手可能な全情報に基づき、このアプリはインストールする価値があり信頼できるか判断してください。 """ ``` 当然ながら、OpenAIモデルだけではこのタスクを実行できません。App Storeの全データを取得できないためです。ここでBright Dataツールとの連携が役立ちます。この設定により、エージェントはアプリページをスクレイピングし、レビューや価格詳細を分析した後、LLMが情報を明確で人間が読めるレポートに加工できます。 これは、インストール前にアプリを評価し、潜在的な問題やユーザーの懸念点を指摘するエージェントを構築する実践的な例です。結局のところ、十分な調査なしにアプリをインストールすることは、セキュリティの観点からリスクを伴う可能性があります。 では、タスクを実行し、ターミナルで直接応答をストリーム出力しましょう： ```none from autogen_agentchat.ui import Console await Console(team.run_stream(task=task)) ``` すばらしい！これでチームが起動し、タスクが設定済みのエージェントに引き継がれます。エージェントは目標達成のために複数回の反復処理を実行する可能性があります。期待される結果は、エージェントがBright DataのBright Data MCPツールを使用してApp Storeからデータをスクレイピングし、LLMがそのデータを統合して選択したアプリのインストール価値を評価することです。 最後のステップとして、スクリプト終了時に選択したモデルへの接続を閉じることを忘れないでください： ```none await model_client.close() ``` ### ステップ #8: 全てを統合する `agent.py`ファイルには以下を含める必要があります： ```none # pip install autogen-agentchat "autogen-ext[openai]" "autogen-ext[mcp]" python-dotenv import asyncio from dotenv import load_dotenv import os from autogen_ext.tools.mcp import ( StdioServerParams, mcp_server_tools ) from autogen_ext.models.openai import OpenAIChatCompletionClient from autogen_agentchat.agents import AssistantAgent from autogen_agentchat.conditions import TextMentionTermination from autogen_agentchat.teams import RoundRobinGroupChat from autogen_agentchat.ui import Console # .envファイルから環境変数をロード load_dotenv() # envsからBright Data APIキーを読み込み BRIGHT_DATA_API_KEY = os.getenv("BRIGHT_DATA_API_KEY") async def main(): # Bright Data MCP 接続設定 bright_data_mcp_server = StdioServerParams( command="npx", args=[ "-y", "@brightdata/mcp" ], env={ "API_TOKEN": BRIGHT_DATA_API_KEY, "PRO_MODE": "true" # オプション } ) # Bright Data MCPサーバーが公開するツールを読み込み bright_data_tools = await mcp_server_tools(bright_data_mcp_server) # LLM統合 model_client = OpenAIChatCompletionClient( model="gpt-4o-mini", ) # Bright Data MCPツールで駆動されるAIアシスタントエージェントを定義 agent = AssistantAgent( name="web_agent", model_client=model_client, tools=bright_data_tools, ) # ループの終了条件を定義 text_termination = TextMentionTermination("TERMINATE") # エージェントのみのチームを作成 team = RoundRobinGroupChat([agent], termination_condition=text_termination) # チームが実行するタスク task = """ App Storeの以下のアプリから情報を取得してください： "https://apps.apple.com/us/app/brave-browser-search-engine/id1052879175" ユーザーレビュー、価格、入手可能な全情報に基づき、このアプリはインストールする価値があり信頼できるか教えてください。 """ # チームの応答をターミナルにストリーム出力 await Console(team.run_stream(task=task)) # AI接続を閉じる await model_client.close() if __name__ == "__main__": asyncio.run(main()) ``` すごい！わずか70行ほどのコードで、App Storeへのインストールを分析する単一エージェントのチームを構築しました。 エージェントの実行: ```none python agent.py ``` ターミナルには以下のように表示されるはずです: ![Note the tool execution from the agent](https://media.brightdata.com/2025/10/image-16-1024x224.png)ご覧の通り、エージェントはWeb M`CPのweb_data_apple_app_store`がこのタスクに適したツールであると正しく識別しました。これは「構造化されたApple App Storeデータを迅速に取得する」ためのProツールです。したがって、これは間違いなく適切な選択でした。Proモードを有効にしていない場合、エージェントは`代わりにscrape_as_markdownツール`を利用します。 ツールの実行には少し時間がかかる場合があります。結果は期待通り、App Storeページから抽出された構造化データ（JSON形式）です： ![Note the JSON result returned by the tool](https://media.brightdata.com/2025/10/image-17-1024x190.png)この構造化出力はLLMによって分析・処理され、Markdown形式のレポートが生成されます： ![The report produced by the AI model](https://media.brightdata.com/2025/10/image-18-1024x804.png)生成されたレポート冒頭の詳細情報に注目してください。これは[対象App Storeページ](https://apps.apple.com/us/app/brave-browser-search-engine/id1052879175)に表示されている内容と完全に一致しています： ![The target page](https://media.brightdata.com/2025/10/image-19-1024x604.png)ミッション完了！エージェントはウェブからデータを取得し、意味のあるタスクを実行するために処理できるようになりました。 これは単純な例に過ぎないことを覚えておいてください。AutoGen AgentChatで利用可能なBright Data MCPツールの幅広いラインナップを活用すれば、[様々な実世界のユースケース](/ai/web-access)に合わせた、より高度なエージェントを設計できます。 さあ、これで完了です！PythonでBright DataのBright Data MCPをAutoGen AgentChat AIエージェントに統合する力を目の当たりにしました。 ## Agent StudioでBright Data MCP強化エージェントを視覚的にテスト AutoGenはまた、エージェントを視覚的に作成・実験できるローコードのブラウザベースツール[「Studio」](https://microsoft.github.io/autogen/stable/user-guide/autogenstudio-user-guide/index.html)を提供しています。MCP統合されたエージェントを簡便にテストするのに活用できます。その方法をご覧ください！ ### 前提条件 このオプションセクションを実行する唯一の前提条件は、AutoGen Studioがインストールされていることです。プロジェクトディレクトリ内のアクティブ化された仮想環境から、以下でインストールしてください： ```none pip install -U autogenstudio ``` AutoGen Studioは`.env`ファイルから`OPENAI_API_KEYを`自動読み込みするため、ツール内で手動設定する必要はありません。 ### ステップ #1: チーム JSON 設定ファイルの取得 AutoGenでは、チーム設定内のあらゆるコンポーネントをJSONファイルとして表現できます。AutoGen StudioはAgentChatを基盤としているため、AgentChatコンポーネントをJSONにエクスポートし、AutoGen Studioに読み込むことが可能です。まさにそれをここで実行します！ まず、以前に作成したチーム定義をローカルのJSONファイルにエクスポートします： ```none config = team.dump_component() with open("bd_mcp_team.json", "w", encoding="utf-8") as f: f.write(config.model_dump_json()) ``` これによりプロジェクトフォルダ内にbd\_mcp\_team.jsonファイルが生成されます。これを開いてください。 このファイルには、Bright DataのBright Data MCPツールに接続するために必要な詳細情報を含む、エージェントのJSON表現が含まれています。 ### ステップ #2: AutoGen Studio で JSON ファイルを読み込む ローカルで AutoGen Studio を起動します: ```none autogenstudio ui --port 8080 ``` アプリケーションはブラウザで`http://127.0.0.1:8080` にアクセス可能です。開くと以下のWebアプリが表示されます： ![The default team in AutoGen Studio](https://media.brightdata.com/2025/10/image-20-1024x551.png)デフォルトでは「RoundRobin Team」というチームが設定されています。これをMCP拡張エージェントとして設定するには、「Visual Builder」スイッチを切り替えて「View JSON」モードにします： ![Enabling the “View JSON” mode](https://media.brightdata.com/2025/10/image-21-1024x783.png)JSONエディタにbd\_mcp\_team.jsonファイルの内容を貼り付け、「変更を保存」ボタンを押します： ![Pressing the “Save Changes” button](https://media.brightdata.com/2025/10/image-22-1024x749.png)更新後の「RoundRobin Team」は次のようになります： ![The updated team](https://media.brightdata.com/2025/10/image-23-1024x784.png)エージェント名がコードで定義した通り「web\_agent」に変更されていることに注意してください。これでAutoGen Studio内でBright Data MCPと統合されたエージェントを直接テストできるようになります。 ### ステップ #3: エージェントの視覚的テスト 右上の「実行」ボタンを押します。チームテスト用のチャットセクションが表示されます： ![Note the chat section on the right](https://media.brightdata.com/2025/10/image-24-1024x550.png)以前と同じタスクプロンプトを貼り付けて実行します： ![Executing the same task as before](https://media.brightdata.com/2025/10/Executing-the-same-task-as-before-1024x548.gif)前回と同様に、エージェントは`web_data_apple_app_store`ツールを選択して実行します。最終的な出力は次のようになります： ![The final, visual result produced by the agent in AutoGen Studio](https://media.brightdata.com/2025/10/image-25-1024x1006.png)左側のメッセージの最後から2番目に、エージェントが生成した応答が表示されます。今回は、自動的に送信される「TERMINATE」メッセージを使用してエージェントが終了することも確認できます。右側には実行の視覚的表現が表示され、ステップごとの動作を理解するのに役立ちます。 エージェントが終了しても、そのコンテキストはチームと共有されたままです。つまり、ChatGPTやその他のチャット型AIインターフェースと同様に、別のタスクを渡すことでシームレスに会話を継続できます。 これはAutoGen Studioでエージェントをテストする真の利点の一つを示しています。エージェントの動作を視覚的に追跡し、出力を確認し、複数のやり取りにわたってコンテキストを維持できるのです。素晴らしい！ ## まとめ 本記事では、AutoGen AgentChatを用いたAIエージェント構築方法と、Bright DataのBright Data MCP（[無料プランあり！](/blog/ai/web-mcp-free-tier)）による機能強化手法を紹介しました。さらにAutoGen Studioを通じた視覚的テストとチャット型体験の実行も検証しました。 この統合により、エージェントはウェブ検索、構造化データ抽出、ウェブデータフィードへのアクセス、ウェブインタラクション機能などを拡張できます。より高度なAIエージェントを構築するには、[Bright DataのAIインフラストラクチャ](/ai)内の幅広い製品・サービス群を探索してください。 今すぐBright Dataの無料アカウントに登録し、AI対応のウェブデータツールで実験を始めましょう！ お問い合わせ無料トライアル![google social icon](/wp-content/themes/brightdata/assets/images/ic_google.svg) 目次 Data for AI Supercharge your AI with instant and reliable access to web data. No blockers. No hassle. Talk to an expert Bright Data MCP Get started with Bright Data’s Web MCP Server today with 5000 free monthly requests and unlock your AI’s full potential. Start free now [ ](https://news.ycombinator.com/submitlink?t=Bright+Data%E3%81%AEBright+Data+MCP%EF%BC%88AutoGen+AgentChat%E3%81%8A%E3%82%88%E3%81%B3Studio%E6%90%AD%E8%BC%89%EF%BC%89&u=https://brightdata.jp/blog/ai/autogen-agentchat-with-web-mcp) [ ](https://www.linkedin.com/shareArticle?mini=true&title=Bright+Data%E3%81%AEBright+Data+MCP%EF%BC%88AutoGen+AgentChat%E3%81%8A%E3%82%88%E3%81%B3Studio%E6%90%AD%E8%BC%89%EF%BC%89&url=https://brightdata.jp/blog/ai/autogen-agentchat-with-web-mcp) [ ](http://www.reddit.com/submit?title=Bright+Data%E3%81%AEBright+Data+MCP%EF%BC%88AutoGen+AgentChat%E3%81%8A%E3%82%88%E3%81%B3Studio%E6%90%AD%E8%BC%89%EF%BC%89&url=https://brightdata.jp/blog/ai/autogen-agentchat-with-web-mcp) ## あなたは下記にもご興味がおありかもしれません [ ![OpenHuman with Bright Data](https://media.brightdata.jp/2026/09/OpenHuman-with-Bright-Data.png) ](https://brightdata.jp/blog/ai/openhuman-with-bright-data "Bright Data CLIを通じたOpenHumanにおける本番対応ウェブアクセス") [AI ![Antonello Zanini](https://media.brightdata.jp/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### Bright Data CLIを通じたOpenHumanにおける本番対応ウェブアクセス Bright Data CLIをOpenHumanに統合して、AIエージェント向けの本番対応ウェブアクセスとデータ収集を実現します。 09-Sep-2026 3 分読 ](https://brightdata.jp/blog/ai/openhuman-with-bright-data) [ ![Multimodal Web Scraping with MiniMax](https://media.brightdata.jp/2026/09/Multimodal-Web-Scraping-with-MiniMax.png) ](https://brightdata.jp/blog/%e3%82%a6%e3%82%a7%e3%83%96%e3%83%87%e3%83%bc%e3%82%bf/multimodal-web-scraping-with-minimax "MiniMaxによるマルチモーダルウェブスクレイピング") [ウェブデータ ![Antonello Zanini](https://media.brightdata.jp/2022/12/Antonello-Zanini-2-50x50.jpg) Antonello Zanini Technical Writer ### MiniMaxによるマルチモーダルウェブスクレイピング Bright Data Web UnlockerとMiniMax M3ビジョンを組み合わせて、画像やウェブページのスクリーンショットから構造化データを抽出します。 09-Sep-2026 1 分読 ](https://brightdata.jp/blog/%e3%82%a6%e3%82%a7%e3%83%96%e3%83%87%e3%83%bc%e3%82%bf/multimodal-web-scraping-with-minimax) [ ![The 10 Best CLI Tools for Codex in 2026](https://media.brightdata.jp/2026/08/The-10-Best-CLI-Tools-for-Codex-in-2026.png) ](https://brightdata.jp/blog/ai/best-cli-tools-for-codex "2026年版 Codex向けCLIツール10選 – テスト＆ランキング") [AI ![Daniel Shashko](https://media.brightdata.jp/2022/04/Daniel-Shashko-2-50x50.png) Daniel Shashko Web Data & AI Expert ### 2026年版 Codex向けCLIツール10選 – テスト＆ランキング Codexをより速く、より有能にする10のCLIツール。サンドボックス内から実際のウェブアクセスを提供するBright Data CLIから始まります。 06-Sep-2026 4 分読 ](https://brightdata.jp/blog/ai/best-cli-tools-for-codex)