（上の画像をクリックすると、このレッスンの動画をご覧いただけます）
生成AIアプリケーションは、自然言語プロンプトを使用してアプリとやり取りできる点で大きな進歩を遂げています。しかし、これらのアプリに時間やリソースを投資するにつれて、機能やリソースを簡単に統合し、拡張可能で、複数のモデルを利用でき、さまざまなモデルの特性に対応できるようにする必要があります。つまり、生成AIアプリの構築は最初は簡単ですが、成長し複雑になるにつれて、アーキテクチャを定義し、アプリを一貫した方法で構築するための標準に頼る必要が出てきます。ここでMCPが登場し、整理と標準化を提供します。
モデルコンテキストプロトコル (MCP) は、オープンで標準化されたインターフェースであり、大規模言語モデル (LLM) が外部ツール、API、データソースとシームレスにやり取りできるようにします。これにより、トレーニングデータを超えたAIモデルの機能を強化し、よりスマートでスケーラブル、かつ応答性の高いAIシステムを実現します。
生成AIアプリケーションが複雑化するにつれて、スケーラビリティ、拡張性、保守性を確保し、ベンダーロックインを回避するための標準を採用することが重要です。MCPは以下のニーズに対応します：
- モデルとツールの統合を統一化
- 脆弱で一時的なカスタムソリューションを削減
- 複数のベンダーのモデルが1つのエコシステム内で共存可能
Note: MCPはオープンスタンダードを謳っていますが、IEEE、IETF、W3C、ISOなどの既存の標準化団体を通じて標準化する計画はありません。
この記事を読み終えると、次のことができるようになります：
- モデルコンテキストプロトコル (MCP) とそのユースケースを定義する
- MCPがモデルとツール間の通信をどのように標準化するかを理解する
- MCPアーキテクチャの主要コンポーネントを特定する
- 企業や開発の文脈でのMCPの実際の応用を探る
MCP以前は、モデルとツールを統合するには以下が必要でした：
- ツールとモデルのペアごとにカスタムコードを作成
- 各ベンダーごとに非標準のAPIを使用
- アップデートによる頻繁な破損
- ツールが増えるにつれてスケーラビリティが低下
| 利点 | 説明 |
|---|---|
| 相互運用性 | LLMが異なるベンダーのツールとシームレスに連携 |
| 一貫性 | プラットフォームやツール間での統一された動作 |
| 再利用性 | 一度構築したツールを複数のプロジェクトやシステムで利用可能 |
| 開発の加速 | 標準化されたプラグアンドプレイインターフェースで開発時間を短縮 |
MCPはクライアント-サーバーモデルに従います。このモデルでは：
- MCPホストがAIモデルを実行
- MCPクライアントがリクエストを開始
- MCPサーバーがコンテキスト、ツール、機能を提供
- リソース – モデル用の静的または動的データ
- プロンプト – ガイド付き生成のための事前定義されたワークフロー
- ツール – 検索や計算などの実行可能な機能
- サンプリング – 再帰的なやり取りを通じたエージェント的な振る舞い
MCPサーバーは以下のように動作します：
- リクエストフロー：
- エンドユーザーまたはその代理として動作するソフトウェアがリクエストを開始します。
- MCPクライアントがリクエストをMCPホストに送信し、AIモデルのランタイムを管理します。
- AIモデルがユーザープロンプトを受け取り、必要に応じて外部ツールやデータへのアクセスを要求します。
- MCPホストがモデルではなく、標準化されたプロトコルを使用して適切なMCPサーバーと通信します。
- MCPホストの機能：
- ツールレジストリ：利用可能なツールとその機能のカタログを維持
- 認証：ツールアクセスの権限を確認
- リクエストハンドラー：モデルからのツールリクエストを処理
- レスポンスフォーマッター：ツールの出力をモデルが理解できる形式に構造化
- MCPサーバーの実行：
- MCPホストがツール呼び出しを1つ以上のMCPサーバーにルーティングし、それぞれが特化した機能（例：検索、計算、データベースクエリ）を提供します。
- MCPサーバーがそれぞれの操作を実行し、結果をMCPホストに一貫した形式で返します。
- MCPホストがこれらの結果をフォーマットし、AIモデルに中継します。
- レスポンスの完了：
- AIモデルがツールの出力を最終的なレスポンスに組み込みます。
- MCPホストがこのレスポンスをMCPクライアントに送り返し、エンドユーザーまたは呼び出し元のソフトウェアに届けます。
---
title: MCP Architecture and Component Interactions
description: A diagram showing the flows of the components in MCP.
---
graph TD
Client[MCP Client/Application] -->|Sends Request| H[MCP Host]
H -->|Invokes| A[AI Model]
A -->|Tool Call Request| H
H -->|MCP Protocol| T1[MCP Server Tool 01: Web Search]
H -->|MCP Protocol| T2[MCP Server Tool 02: Calculator tool]
H -->|MCP Protocol| T3[MCP Server Tool 03: Database Access tool]
H -->|MCP Protocol| T4[MCP Server Tool 04: File System tool]
H -->|Sends Response| Client
subgraph "MCP Host Components"
H
G[Tool Registry]
I[Authentication]
J[Request Handler]
K[Response Formatter]
end
H <--> G
H <--> I
H <--> J
H <--> K
style A fill:#f9d5e5,stroke:#333,stroke-width:2px
style H fill:#eeeeee,stroke:#333,stroke-width:2px
style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
style G fill:#fffbe6,stroke:#333,stroke-width:1px
style I fill:#fffbe6,stroke:#333,stroke-width:1px
style J fill:#fffbe6,stroke:#333,stroke-width:1px
style K fill:#fffbe6,stroke:#333,stroke-width:1px
style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px
MCPサーバーを使用すると、LLMの機能をデータや機能を提供することで拡張できます。
試してみたいですか？以下は、異なる言語/スタックでシンプルなMCPサーバーを作成するためのSDKと例です：
- Python SDK: https://github.com/modelcontextprotocol/python-sdk
- TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk
- Java SDK: https://github.com/modelcontextprotocol/java-sdk
- C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk
MCPはAIの能力を拡張することで、幅広いアプリケーションを可能にします：
| アプリケーション | 説明 |
|---|---|
| 企業データ統合 | LLMをデータベース、CRM、または内部ツールに接続 |
| エージェント型AIシステム | ツールアクセスと意思決定ワークフローを備えた自律エージェントを実現 |
| マルチモーダルアプリケーション | テキスト、画像、音声ツールを単一の統一されたAIアプリ内で組み合わせる |
| リアルタイムデータ統合 | AIとのやり取りにライブデータを取り入れ、より正確で最新の出力を提供 |
モデルコンテキストプロトコル (MCP) は、AI相互作用のユニバーサルスタンダードとして機能します。これは、USB-Cがデバイスの物理的接続を標準化したのと同じようなものです。AIの世界では、MCPが一貫したインターフェースを提供し、モデル（クライアント）が外部ツールやデータプロバイダー（サーバー）とシームレスに統合できるようにします。これにより、各APIやデータソースごとに多様でカスタムなプロトコルを必要とする状況が解消されます。
MCPの下では、MCP互換ツール（MCPサーバーと呼ばれる）は統一された標準に従います。これらのサーバーは提供するツールやアクションをリストし、AIエージェントからのリクエストに応じてそれらを実行します。MCPをサポートするAIエージェントプラットフォームは、サーバーから利用可能なツールを発見し、この標準プロトコルを通じてそれらを呼び出すことができます。
ツールの提供に加えて、MCPは知識へのアクセスも促進します。これにより、アプリケーションがさまざまなデータソースにリンクすることで、大規模言語モデル (LLM) にコンテキストを提供できます。たとえば、MCPサーバーは企業の文書リポジトリを表し、エージェントが必要に応じて関連情報を取得できるようにします。別のサーバーは、メール送信や記録の更新などの特定のアクションを処理することができます。エージェントの視点から見ると、これらは単に使用可能なツールであり、一部のツールはデータ（知識コンテキスト）を返し、他のツールはアクションを実行します。MCPはこれらの両方を効率的に管理します。
エージェントがMCPサーバーに接続すると、標準フォーマットを通じてサーバーの利用可能な機能やアクセス可能なデータを自動的に学習します。この標準化により、動的なツールの利用が可能になります。たとえば、新しいMCPサーバーをエージェントのシステムに追加すると、その機能が即座に利用可能になり、エージェントの指示をさらにカスタマイズする必要がなくなります。
この統合は、以下の図に示されるように、サーバーがツールと知識の両方を提供し、システム間のシームレスなコラボレーションを確保する流れと一致します。
---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
User -->|Prompt| LLM
LLM -->|Response| User
LLM -->|MCP| ServerA
LLM -->|MCP| ServerB
ServerA -->|Universal connector| ServerB
ServerA --> KnowledgeA
ServerA --> ToolsA
ServerB --> KnowledgeB
ServerB --> ToolsB
subgraph Server A
KnowledgeA[Knowledge]
ToolsA[Tools]
end
subgraph Server B
KnowledgeB[Knowledge]
ToolsB[Tools]
end
基本的なMCPアーキテクチャを超えて、クライアントとサーバーの両方にLLMが含まれる高度なシナリオでは、より洗練された相互作用が可能になります。以下の図では、クライアントアプリがIDEであり、ユーザーが利用可能な複数のMCPツールを備えている場合を示しています：
---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
autonumber
actor User as 👤 User
participant ClientApp as 🖥️ Client App
participant ClientLLM as 🧠 Client LLM
participant Server1 as 🔧 MCP Server 1
participant Server2 as 📚 MCP Server 2
participant ServerLLM as 🤖 Server LLM
%% Discovery Phase
rect rgb(220, 240, 255)
Note over ClientApp, Server2: TOOL DISCOVERY PHASE
ClientApp->>+Server1: Request available tools/resources
Server1-->>-ClientApp: Return tool list (JSON)
ClientApp->>+Server2: Request available tools/resources
Server2-->>-ClientApp: Return tool list (JSON)
Note right of ClientApp: Store combined tool<br/>catalog locally
end
%% User Interaction
rect rgb(255, 240, 220)
Note over User, ClientLLM: USER INTERACTION PHASE
User->>+ClientApp: Enter natural language prompt
ClientApp->>+ClientLLM: Forward prompt + tool catalog
ClientLLM->>-ClientLLM: Analyze prompt & select tools
end
%% Scenario A: Direct Tool Calling
alt Direct Tool Calling
rect rgb(220, 255, 220)
Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
ClientLLM->>+ClientApp: Request tool execution
ClientApp->>+Server1: Execute specific tool
Server1-->>-ClientApp: Return results
ClientApp->>+ClientLLM: Process results
ClientLLM-->>-ClientApp: Generate response
ClientApp-->>-User: Display final answer
end
%% Scenario B: Feature Negotiation (VS Code style)
else Feature Negotiation (VS Code style)
rect rgb(255, 220, 220)
Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
ClientLLM->>+ClientApp: Identify needed capabilities
ClientApp->>+Server2: Negotiate features/capabilities
Server2->>+ServerLLM: Request additional context
ServerLLM-->>-Server2: Provide context
Server2-->>-ClientApp: Return available features
ClientApp->>+Server2: Call negotiated tools
Server2-->>-ClientApp: Return results
ClientApp->>+ClientLLM: Process results
ClientLLM-->>-ClientApp: Generate response
ClientApp-->>-User: Display final answer
end
end
MCPを使用することで得られる実用的な利点は次のとおりです：
- 最新性：モデルがトレーニングデータを超えた最新情報にアクセス可能
- 機能拡張：モデルがトレーニングされていないタスクに特化したツールを活用可能
- 幻覚の削減：外部データソースが事実に基づいた根拠を提供
- プライバシー：機密データをプロンプトに埋め込むのではなく、安全な環境内に保持可能
MCPを使用する際の重要なポイントは次のとおりです：
- MCPはAIモデルがツールやデータとやり取りする方法を標準化
- 拡張性、一貫性、相互運用性を促進
- MCPは開発時間を短縮し、信頼性を向上させ、モデルの機能を拡張
- クライアント-サーバーアーキテクチャにより、柔軟で拡張可能なAIアプリケーションを実現
構築したいAIアプリケーションについて考えてみましょう。
- どのような外部ツールやデータがその機能を強化できますか？
- MCPが統合をより簡単で信頼性の高いものにする方法は？
次へ：第1章：基本概念
免責事項:
この文書は、AI翻訳サービス Co-op Translator を使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があります。元の言語で記載された原文が正式な情報源と見なされるべきです。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の利用に起因する誤解や誤訳について、当社は一切の責任を負いません。