🉐
作りながら学ぶMCPの活用法

2025/06/22に公開
Model Context Protocol
 はじめにMCP（Model Context Protocol）について「LLMがAPIを叩けるようになるプロトコル」という理解で止まっていないだろうか。確かに技術的にはその通りだが、それはMCPの表層に過ぎない。

従来のシステムでAPIを叩く場合、開発者が「このコマンドでこのAPIを呼ぶ」という固定的なロジックを実装する。しかしMCPを使ったLLMは違う。与えられたツールの使い方を自ら考え、試行錯誤し、失敗から学んで戦略を変更し、最終的に目的を達成する。これは単なるAPI連携ではなく、真の意味での「問題解決」である。

この記事は、よくある「MCPサーバーの作り方」といったHelloWorld的な解説ではない。シンプルな数当てゲームを題材に、LLMがどのようにフィードバックから学習して戦略を変えるか、明示的な指示なしに自律的にリトライを繰り返すか、これらを実際に動くコードで目撃してもらうことが目的だ。
Mode1とMode2という2つの異なるフィードバックモードを用意し、LLMがその違いを自ら発見し、適応していく様子を観察することで、MCPが可能にする新しいインタラクションの形を体感してほしい。

 そもそもMCPとはMCP（Model Context Protocol）は、LLMが外部ツールと通信するための標準化されたプロトコルである。2024年11月にAnthropicが発表したこの仕組みは、単なる「AIからAPIを叩ける」という以上の意味を持っている。

 MCPの3つの特徴1. プロセス分離と永続性
MCPサーバーは独立したプロセスとして常駐
状態を保持できる（今回の数当てゲームの「秘密の数字」のように）
LLMアプリとは標準入出力で通信
2. 標準化された対話
3. 自律的な問題解決
LLMは単に指示されたAPIを呼ぶのではない
目的達成のために試行錯誤し、戦略を変更する
エラーから学習し、代替手段を模索する
この「自律的な問題解決」こそ、今回の数当てゲームで観察したいポイントだ。

 今回作るものAIの学習適応能力を検証する数当てゲームを実装する。1〜10の数字を当てるシンプルなゲームだが、2つの異なるフィードバックモードを持つ：

mode1: 「正解」か「不正解」のみを返すシンプルなモード

mode2: 「それより大きい」「それより小さい」といったヒントを返すモード
実験の鍵: LLMにはモードの詳細を事前に教えない。実際のフィードバックから各モードの特性を推測させ、適切な戦略を自律的に選択させる。

 観察できるポイント自動リトライ能力: 明示的なループ処理の指示なしに、LLMが自律的に「推測→フィードバック→次の推測」のサイクルを繰り返す
適応的な戦略変更: フィードバックの種類によって、総当たりから二分探索へと戦略を切り替える
学習プロセスの可視化: どのように推論し、どのような順序で数字を試すかを追跡可能
推測能力: 限られた情報から規則性を見出し、最適な戦略を発見する過程

 MCPの基礎理解 - 通信の仕組みを知る
 通信の全体像Claude Desktop ←→ MCPサーバー
    │              │
  JSON-RPCで通信    ゲームロジック
    │              │
  stdin/stdout    数字の判定
この構造により、Claude DesktopはMCPサーバーの内部実装を知らなくても、ツールを使用できる。

 JSON-RPCプロトコルMCPは標準入出力を通じてJSON-RPCメッセージを交換する。各メッセージは改行文字で区切られ、以下の形式を持つ：
リクエスト例（ツール一覧取得）
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/list",
  "params": {}
}
レスポンス例（利用可能なツール）
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "tools": [
      {
        "name": "guess_number",
        "description": "数当てゲームをしましょう...",
        "inputSchema": {...}
      }
    ]
  }
}
ツール実行リクエスト
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "guess_number",
    "arguments": {"number": 5}
  }
}
ツール実行レスポンス
{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "不正解"
      }
    ]
  }
}

 環境構築
 必要なものNode.js (v16以上)
npm
MCPクライアント（Claude Desktop AppやClineなど）

 プロジェクトのセットアッププロジェクトディレクトリを作成：
mkdir mcp-adaptive-game
cd mcp-adaptive-game
package.jsonを作成：
{
  "name": "number-guessing-game",
  "version": "1.0.0",
  "type": "module",
  "main": "number-guessing-game-server.mjs",
  "dependencies": {
    "@modelcontextprotocol/sdk": "^1.0.0"
  }
}
依存関係をインストール：
npm install

 実装：完成版コードそれでは実際にMCPサーバーを実装していく。まず完成版のコードを示し、その後で各部分を詳しく解説する。

 number-guessing-game-server.mjs#!/usr/bin/env node
import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { CallToolRequestSchema, ListToolsRequestSchema } from '@modelcontextprotocol/sdk/types.js';

// ゲーム設定（動的に変更可能）
let secretNumber = Math.floor(Math.random() * 10) + 1;  // 1〜10のランダムな数字
let gameMode = 'mode1';  // 'mode1' または 'mode2' (詳細はプレイして推測)
let attemptCount = 0;

// サーバー作成
const server = new Server(
  {
    name: 'number-guessing-game',
    version: '1.0.0',
  },
  {
    capabilities: {
      tools: {},
    },
  }
);

// ツール一覧の処理
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [
      {
        name: 'guess_number',
        description: '数当てゲームをしましょう。推測した 1〜10 の整数（秘密の数字）が正しいかどうかをテキストで返します。フィードバック表現は状況によって変化することがあります。',
        inputSchema: {
          type: 'object',
          properties: {
            number: {
              type: 'number',
              description: '1から10の範囲の整数',
              minimum: 1,
              maximum: 10
            }
          },
          required: ['number']
        }
      },
      {
        name: 'reset_game',
        description: 'ゲームの設定をリセットします。数字はランダムに設定されます。',
        inputSchema: {
          type: 'object',
          properties: {
            mode: {
              type: 'string',
              description: 'ゲームモードを選択（mode1 または mode2）。詳細はプレイして推測してください。',
              enum: ['mode1', 'mode2']
            }
          }
        }
      }
    ]
  };
});

// ツール実行の処理
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  // reset_gameツールの処理
  if (request.params.name === 'reset_game') {
    const args = request.params.arguments || {};
    
    // 秘密の数字を常にランダムに設定
    secretNumber = Math.floor(Math.random() * 10) + 1;
    
    // ゲームモードを設定（指定されていない場合は現在のモードを維持）
    if (args.mode) {
      gameMode = args.mode;
    }
    
    // 試行回数をリセット
    attemptCount = 0;
    
    return {
      content: [{
        type: 'text',
        text: `新しいゲームが開始されました。\nモード: ${gameMode}\nモードの詳細はプレイしながら推測してください。`
      }]
    };
  }
  
  if (request.params.name === 'guess_number') {
    const args = request.params.arguments;
    const guessed = args?.number;
    attemptCount++;
    
    // 入力チェック
    if (!guessed || typeof guessed !== 'number') {
      return {
        content: [{ type: 'text', text: '数値を入力してください！' }]
      };
    }
    
    // 境界チェック
    if (guessed < 1 || guessed > 10) {
      return {
        content: [{ type: 'text', text: '1〜10で入力してください！' }]
      };
    }
    
    let response;
    
    // モードによって応答を切り替え（実験の核心）
    if (gameMode === 'mode1') {
      response = guessed === secretNumber ? '正解！' : '不正解';
    } else {
      if (guessed === secretNumber) {
        response = '正解！';
      } else {
        response = guessed > secretNumber ? 'それより小さい' : 'それより大きい';
      }
    }
    
    return {
      content: [{ type: 'text', text: response }]
    };
  }
  
  throw new Error(`Unknown tool: ${request.params.name}`);
});

// サーバー起動
async function run() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
}

run().catch(() => {});

 コード詳細解説それでは、各部分がどのようにMCPプロトコルと連携しているか、詳しく見ていこう。

 1. インポートと初期設定
 import 文の機能import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { CallToolRequestSchema, ListToolsRequestSchema } from '@modelcontextprotocol/sdk/types.js';
Server

MCP サーバーのインスタンスを生成するクラス。

リクエスト種別ごとにハンドラを登録し、受信した JSON-RPC メッセージを対応するハンドラへ振り分ける。
StdioServerTransport

標準入力 / 標準出力経由でメッセージを送受信するトランスポート実装。

ローカル統合（Claude Desktop など）ではこの経路がデフォルト。
CallToolRequestSchema, ListToolsRequestSchema

tools/call と tools/list リクエストの JSON Schema。

受信データのバリデーションと型補完を提供する。

 設定ファイルに書くだけでサーバーが起動・認識される仕組み設定読み込み

Claude Desktop は起動時に claude_desktop_config.json の mcpServers セクションを走査し、各エントリの command と args を取得する。
子プロセスの起動

取得したコマンド（例: node /path/to/server.mjs）を子プロセスとして spawn する。

この時点で Node スクリプトが実行され、コード内の
const transport = new StdioServerTransport();
server.connect(transport);
が動き始める。
接続確立

Desktop 側は子プロセスの stdin/stdout をパイプとして保持し、起動直後に tools/list を送信。

サーバーがツール定義を返すと、Desktop はそのセッションを「MCP サーバー」として登録する。
以後のやり取り

チャットごとに LLM が必要と判断したとき、Desktop が同じパイプに tools/call リクエストを送り、サーバーはレスポンスを返す。

子プロセスを終了すればセッションも切れる。
要点は「Desktop が自動で子プロセスを起動し、その標準入出力を MCP 通信路として使う」という一点に集約される。設定ファイルは単にその起動コマンドを宣言しているだけ、という構造。

 2. サーバーインスタンスの作成const server = new Server(
  {
    name: 'number-guessing-game',
    version: '1.0.0',
  },
  {
    capabilities: {
      tools: {},
    },
  }
);
MCP統合ポイント: Serverクラスのインスタンスを作成することで、MCPプロトコルに準拠したサーバーが構築される。capabilitiesでtoolsを宣言することで、このサーバーがツール機能を提供することをクライアントに伝える。

 3. ツール定義（ListToolsRequestSchema）server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [
      {
        name: 'guess_number',
        description: '数当てゲームをしましょう。推測した 1〜10 の整数（秘密の数字）が正しいかどうかをテキストで返します。フィードバック表現は状況によって変化することがあります。',
        inputSchema: {
          type: 'object',
          properties: {
            number: {
              type: 'number',
              description: '1から10の範囲の整数',
              minimum: 1,
              maximum: 10
            }
          },
          required: ['number']
        }
      },
      {
        name: 'reset_game',
        description: 'ゲームの設定をリセットします。数字はランダムに設定されます。',
        inputSchema: {
          type: 'object',
          properties: {
            mode: {
              type: 'string',
              description: 'ゲームモードを選択（mode1 または mode2）。詳細はプレイして推測してください。',
              enum: ['mode1', 'mode2']
            }
          }
        }
      }
    ]
  };
});
重要なMCP実装詳細:

ListToolsRequestSchemaハンドラーは、LLMがどんなツールが利用可能かを問い合わせた時に応答する

inputSchemaはJSON Schemaで定義され、LLMがツールを正しく呼び出すための型情報を提供

descriptionの内容がLLMのツール選択と使用方法の判断に直接影響する
「詳細はプレイして推測してください」という記述により、LLMに探索的な行動を促す
LLMが見ているもの:

LLMには上記のツール定義がJSON形式で提供される。特に重要なのは：

name: LLMがツールを呼び出す際の識別子

description: LLMがツールの用途を理解するための説明文

inputSchema: LLMが正しい引数を構築するための型情報

 4. ツール実行処理（CallToolRequestSchema）
 reset_gameツールの処理server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === 'reset_game') {
    const args = request.params.arguments || {};
    
    // 秘密の数字を常にランダムに設定
    secretNumber = Math.floor(Math.random() * 10) + 1;
    
    // ゲームモードを設定（指定されていない場合は現在のモードを維持）
    if (args.mode) {
      gameMode = args.mode;
    }
    
    // 試行回数をリセット
    attemptCount = 0;
    
    return {
      content: [{
        type: 'text',
        text: `新しいゲームが開始されました。\nモード: ${gameMode}\nモードの詳細はプレイしながら推測してください。`
      }]
    };
  }
MCPとLLMの相互作用:

CallToolRequestSchemaハンドラーは実際のツール実行を処理
返答のcontent配列にテキストメッセージを含めることで、LLMに情報を伝達
モードの詳細を意図的に説明しないことで、LLMの推測能力を引き出す
LLMが受け取るレスポンス:
{
  "content": [{
    "type": "text",
    "text": "新しいゲームが開始されました。\nモード: mode1\nモードの詳細はプレイしながら推測してください。"
  }]
}

 guess_numberツールの処理  if (request.params.name === 'guess_number') {
    const args = request.params.arguments;
    const guessed = args?.number;
    attemptCount++;
    
    // 入力チェック
    if (!guessed || typeof guessed !== 'number') {
      return {
        content: [{ type: 'text', text: '数値を入力してください！' }]
      };
    }
    
    // 境界チェック
    if (guessed < 1 || guessed > 10) {
      return {
        content: [{ type: 'text', text: '1〜10で入力してください！' }]
      };
    }
    
    let response;
    
    // モードによって応答を切り替え（実験の核心）
    if (gameMode === 'mode1') {
      response = guessed === secretNumber ? '正解！' : '不正解';
    } else {
      if (guessed === secretNumber) {
        response = '正解！';
      } else {
        response = guessed > secretNumber ? 'それより小さい' : 'それより大きい';
      }
    }
    
    return {
      content: [{ type: 'text', text: response }]
    };
  }
  
  throw new Error(`Unknown tool: ${request.params.name}`);
});
実験の核心部分:
mode1では単純な「正解/不正解」のフィードバック
mode2では「それより大きい/小さい」という方向性を示すフィードバック
この違いがLLMの戦略選択に大きく影響する
従来のif文による制御と異なり、LLMは返答の内容を解釈して自律的に次の行動を決定
LLMが受け取るレスポンスの違い:
Mode1の場合：
{
  "content": [{
    "type": "text",
    "text": "不正解"  // または "正解！"
  }]
}
Mode2の場合：
{
  "content": [{
    "type": "text",
    "text": "それより小さい"  // または "それより大きい" または "正解！"
  }]
}
この違いにより、LLMは：
Mode1: 総当たり的な探索戦略を採用
Mode2: 二分探索的な効率的戦略を採用

 5. サーバー起動処理async function run() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
}

run().catch(() => {});
MCPトランスポート層:

StdioServerTransportは標準入出力を使用してJSON-RPC通信を行う
Claude DesktopなどのMCPクライアントはこのトランスポート経由でサーバーと通信

 MCPクライアントへの設定
 Claude Desktop Appの場合~/Library/Application Support/Claude/claude_desktop_config.jsonを編集：
{
  "mcpServers": {
    "number-guessing-game": {
      "command": "node",
      "args": ["/absolute/path/to/number-guessing-game-server.mjs"]
    }
  }
}
注意: パスは絶対パスで指定してください。

 Clineの場合VSCodeの設定から、MCP Serversに以下を追加：
{
  "number-guessing-game": {
    "command": "node",
    "args": ["/absolute/path/to/number-guessing-game-server.mjs"]
  }
}

 実験方法：MCPの柔軟性を体感する
 MCPの動作フローを理解する実験を始める前に、LLMとMCPサーバーがどのように通信するか理解しよう：
初期化フェーズ
LLMがMCPサーバーに接続

tools/listメソッドで利用可能なツールを問い合わせ
ツールの名前、説明、入力スキーマを受け取る
実行フェーズ
ユーザーの指示をLLMが解釈
適切なツールを選択し、引数を構築

tools/callメソッドでツールを実行
結果のテキストを受け取り、次の行動を決定
自律的ループ
LLMが目的達成まで自動的に2を繰り返す
フィードバックから学習し、戦略を調整

 実験の準備MCPサーバーの設定を完了させる
Claude Desktopを再起動して設定を反映
新しいチャットセッションを開始

 実験1：自然言語での初期化まず、以下のプロンプトを送信する：
数当てゲームのMCPを設定したからやってみよう。まずはゲームを初期化しよう。モード１に設定だ
観察ポイント:
日本語で「モード１」と表現したが、Claudeがmode1として正しく解釈するか

reset_gameツールを適切に呼び出すか
ゲームの初期化が成功するか
この実験により、MCPが自然言語の指示を柔軟に解釈し、適切なツール呼び出しに変換する様子が観察できる。


 実験2：Mode1での自律的な問題解決初期化後、以下を指示：
じゃあ数当てを試して、正解を導き出してくれ
期待される動作:
Claudeが自動的にguess_numberツールを繰り返し呼び出す
「正解」または「不正解」のフィードバックのみで探索
総当たり的なアプローチで1から10まで試行
正解を見つけるまで自律的にリトライ
観察ポイント:
人間が「もう一度試して」と指示しなくても継続するか
どのような順序で数字を試すか
何回で正解にたどり着くか



 実験3：Mode2への切り替えと戦略変更Mode1での成功後、以下を指示：
モード２でゲームをリセットしろ


その後：
またプレイしてみよう
期待される動作:

reset_gameツールでmode2に切り替え
新しいゲームで「それより大きい/小さい」のフィードバックを受け取る
フィードバックの変化に気づき、二分探索的な戦略に切り替える
より少ない試行回数で正解を導出


観察ポイント:
フィードバックの変化にどれくらい早く気づくか
戦略をどのように変更するか
Mode1と比べて試行回数がどれくらい減るか
「このモードは方向性を教えてくれるようだ」といった推測を行うか

 実験4：MCPの柔軟性の確認さらに以下のような実験も可能：
各モードの違いを説明して
どちらのモードが効率的か教えて
10回連続でゲームをプレイして、平均試行回数を比較して
これらの指示により、LLMが：
実際のプレイ経験から学習した内容を整理
モードの特性を正確に理解しているか確認
統計的な分析まで自律的に実行

 MCPの本質 - なぜこの仕組みが革新的なのか
 従来システムとの決定的な違い
 1. API設計思想の転換従来のシステム（REST API、固定コマンド）：
# 固定的なエンドポイント
def handle_command(command):
    if command == "mode1":
        return mode1_response()
    elif command == "mode2":
        return mode2_response()
    else:
        return "不明なコマンド"

# または
GET /api/guess?number=5&mode=mode1
問題点：
事前定義されたコマンド/エンドポイントのみ対応
「モード１」「最初のモード」といった自然な表現は理解不可
複雑な指示の解釈が困難
文脈を考慮した動作が不可能
MCPのアプローチ：
「何をするか」が固定 → 「どう使うか」をLLMが判断
自然言語の多様な表現を理解（「モード１」「簡単な方」「最初のやつ」）
文脈に応じた適切なツール選択
複合的なタスク実行（「10回プレイして統計を出して」）

 2. 実行モデルの革新従来：リクエスト・レスポンスの単発処理

MCP：LLMが自律的に目的達成まで試行錯誤
この数当てゲームでも、「正解を導き出して」という一言で：
自動的にリトライを繰り返す
フィードバックから戦略を学習
最適な探索方法を自ら選択

 標準化の意味JSON-RPCプロトコルの採用により、異なる開発者が作ったMCPサーバーでも、同じ方法で利用できる。これがエコシステムの成長を促進する。

 応用展開 - MCPの可能性を探る
 現在のMCPエコシステムの実態現在公開されているMCPサーバーの多くは、既存のツールやAPIのラッパーとして実装されている：

ファイルシステム操作: OSのファイルAPIをMCP経由で提供

データベース接続: SQLクライアントをMCPでラップ

Web検索: 検索APIをMCP形式に変換

Git操作: gitコマンドをMCPツールとして公開
これがMCPの大きな強みである。既存のサービスやツールをLLMが使えるように「橋渡し」することで、膨大な既存資産を活用できる。開発者は既存のAPIをMCP形式でラップするだけで、LLMがそのサービスを自然言語で操作できるようになる。
今回の数当てゲームは、このような一般的な使い方とは異なり、MCPサーバー自体が独自のロジックと状態を持つ例として実装した。

 実用的なMCPサーバーの例今回の数当てゲームの仕組みを応用すれば、以下のようなツールが作成できる：

 ファイル操作ツール{
  name: 'file_operations',
  description: '指定されたファイルの読み書きを行う',
  inputSchema: {
    type: 'object',
    properties: {
      operation: { enum: ['read', 'write', 'append'] },
      path: { type: 'string' },
      content: { type: 'string' }
    }
  }
}

 データベース検索ツール{
  name: 'database_query',
  description: 'SQLクエリを実行してデータを取得する',
  inputSchema: {
    type: 'object',
    properties: {
      query: { type: 'string' },
      parameters: { type: 'array' }
    }
  }
}

 複雑な問題解決への応用複数のMCPツールを組み合わせることで、LLMはより複雑な問題を解決できる。例えば：
データベースから情報を取得
外部APIで追加情報を収集
結果をファイルに保存
レポートを生成
このような一連の作業を、LLMが自律的に計画・実行できるのである。

 まとめ：MCPが可能にする新しいインタラクションこのプロジェクトを通じて体験できること：

柔軟な入力解釈: 日本語の自然な表現をAPIコールに変換

自律的なループ処理: 明示的なループ命令なしに繰り返し実行

動的な戦略変更: 状況に応じた最適なアプローチの選択

経験からの学習: 実行結果から規則性を発見

複雑なタスク分解: 高レベルの指示を具体的な行動に変換
従来のif文による分岐処理では実現困難だった、真に知的で柔軟なシステムインタラクションがMCPにより可能になる。これはAIアプリケーション開発の新しいパラダイムを示している。
はじめに

そもそもMCPとは

MCPの3つの特徴

今回作るもの

観察できるポイント

MCPの基礎理解 - 通信の仕組みを知る

通信の全体像

JSON-RPCプロトコル

環境構築

必要なもの

プロジェクトのセットアップ

実装：完成版コード

number-guessing-game-server.mjs

コード詳細解説

1. インポートと初期設定

import 文の機能

設定ファイルに書くだけでサーバーが起動・認識される仕組み

2. サーバーインスタンスの作成

3. ツール定義（ListToolsRequestSchema）

4. ツール実行処理（CallToolRequestSchema）

reset_gameツールの処理

guess_numberツールの処理

5. サーバー起動処理

MCPクライアントへの設定

Claude Desktop Appの場合

Clineの場合

実験方法：MCPの柔軟性を体感する

MCPの動作フローを理解する

実験の準備

実験1：自然言語での初期化

実験2：Mode1での自律的な問題解決

実験3：Mode2への切り替えと戦略変更

実験4：MCPの柔軟性の確認

MCPの本質 - なぜこの仕組みが革新的なのか

従来システムとの決定的な違い

1. API設計思想の転換

2. 実行モデルの革新

標準化の意味

応用展開 - MCPの可能性を探る

現在のMCPエコシステムの実態

実用的なMCPサーバーの例

ファイル操作ツール

データベース検索ツール

複雑な問題解決への応用

まとめ：MCPが可能にする新しいインタラクション

Discussion
