Kaggle MCP (Model Context Protocol) Server

Kaggle MCP サーバー

Kaggle データセットの検索、ダウンロード、EDA プロンプトの生成機能を、Claude Desktop などの MCP クライアントに提供する Model Context Protocol（MCP）サーバーです。

機能

• キーワードを使って Kaggle データセットを検索します。
• Kaggle データセットをローカルにダウンロードして、解凍します。
• Kaggle データセットの初期探索的データ分析（EDA）プロンプトを生成します。
• 環境変数または標準の kaggle.json ファイルを使った Kaggle 認証情報に対応しています。
• ローカル、Docker、または Smithery 経由で実行できます。

利用可能な MCP 機能

ツール

search_kaggle_datasets(query: str)

Kaggle で query に一致するデータセットを検索し、最大 10 件の結果を JSON で返します。

返されるフィールドには、次のものが含まれます。

• ref
• title
• subtitle
• download_count
• last_updated
• usability_rating

download_kaggle_dataset(dataset_ref: str, download_path: str | None = None)

Kaggle データセットをダウンロードして、解凍します。

• dataset_ref：owner/dataset-slug 形式の Kaggle データセット参照です。例：kaggle/titanic。
• download_path：省略可能なローカル出力パスです。省略した場合、ファイルは ./datasets/<dataset_slug>/ に保存されます。

プロンプト

generate_eda_notebook(dataset_ref: str)

指定された Kaggle データセット参照を使って、基本的な Python EDA コードを生成するためのプロンプトを作成します。このプロンプトでは、データの読み込み、欠損値の確認、可視化、要約統計量の算出を求めます。

要件

• Python 3.10 以降
• Kaggle アカウントと API トークン
• MCP 互換クライアント

Kaggle 認証情報

Kaggle アカウントの設定から Kaggle API トークンを作成します。

1. https://www.kaggle.com/settings にアクセスします。
2. Create New API Token を選択します。
3. kaggle.json をダウンロードします。

環境変数または標準の Kaggle 設定ファイルを使用します。

オプション 1：環境変数

プロジェクトのルートに .env ファイルを作成します。

KAGGLE_USERNAME=your_kaggle_username
KAGGLE_KEY=your_kaggle_api_key

オプション 2：kaggle.json

標準の Kaggle の場所に kaggle.json を配置します。

• macOS/Linux：~/.kaggle/kaggle.json
• Windows：C:\Users\<Your User Name>\.kaggle\kaggle.json

macOS/Linux では、ファイルをすべてのユーザーが読み取れる状態にしないでください。

chmod 600 ~/.kaggle/kaggle.json

インストール

git clone <repository-url>
cd kaggle-mcp

仮想環境を作成して、有効化します。

python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

以下のいずれかの方法で依存関係をインストールします。

uv を使用する場合

uv sync

pip を使用する場合

pip install -r requirements.txt

ローカルでの実行

uv を使用する場合：

uv run kaggle-mcp

または、サーバーモジュールを直接実行します。

python src/server.py

サーバーは MCP stdio 経由で通信し、MCP クライアントから起動することを想定しています。

Claude Desktop の設定

Claude Desktop の設定を開き、Developer > Edit Config に移動して、このサーバーを claude_desktop_config.json に追加します。

プロジェクト環境にインストールした場合：

{
  "mcpServers": {
    "kaggle-mcp": {
      "command": "uv",
      "args": ["run", "kaggle-mcp"],
      "cwd": "/absolute/path/to/kaggle-mcp",
      "env": {
        "KAGGLE_USERNAME": "your_kaggle_username",
        "KAGGLE_KEY": "your_kaggle_api_key"
      }
    }
  }
}

kaggle.json を使用する場合は、env ブロックを省略できます。

Docker

イメージをビルドします。

docker build -t kaggle-mcp .

.env の認証情報を使って実行します。

docker run --rm -i --env-file .env kaggle-mcp

Smithery

このリポジトリには smithery.yaml が含まれています。Smithery はサーバーを stdio 経由で起動し、次の設定値を環境変数として渡します。

• kaggleUsername -> KAGGLE_USERNAME
• kaggleKey -> KAGGLE_KEY

ワークフローの例

1. MCP クライアントに「心臓病のデータセットを Kaggle で検索して」と尋ねます。
2. クライアントが search_kaggle_datasets を呼び出します。
3. 結果からデータセット参照を選びます。例：user/heart-disease-dataset。
4. 「user/heart-disease-dataset をダウンロードして」と尋ねます。
5. 「user/heart-disease-dataset の EDA ノートブック用プロンプトを生成して」と尋ねます。

プロジェクト構成

.
├── Dockerfile
├── README.md
├── pyproject.toml
├── requirements.txt
├── smithery.yaml
├── src/
│   ├── __init__.py
│   └── server.py
└── uv.lock

ダウンロードしたデータセットは、デフォルトで datasets/ の下に保存されます。このディレクトリは、ダウンロードを要求したときに実行時に作成されます。