💨
MastraとFastMCPで実現する、シンプル＆スムーズなMCP連携

2025/05/03に公開
Model Context Protocol
 1. 概要本記事の目的は、FastMCPを用いて構築したMCPサーバーに対して、Mastraからアクセスする方法の例を共有することです。

 2. FastMCPとはFastMCPは、MCPサーバーやMCPクライアントを簡単に実装できるPythonライブラリです。

公式ドキュメントによると、FastMCPは以下のような特徴を持っています。

Fast
高レベルインターフェースにより、「関数にデコレーターを付けるだけ」でMCPサーバーを公開でき、実装コードと開発期間を最小化します。


Simple
通常は必須となるサーバーセットアップ、プロトコルハンドラ、コンテンツタイプ管理、エラーハンドリングなどの煩雑なコードをフレームワーク側が吸収します。開発者はビジネスロジックやツール定義に集中できます。


Pythonic
関数デコレーター @tool、@resource、@prompt で直感的にエンドポイントを定義でき、純粋なPythonコードとして読める点が大きな魅力です。


Complete
MCPコア仕様を網羅的にサポートしているため、MCPサーバーを構築する際に必要な機能はすべて揃っています。

以下のようにFastMCPのインスタンスを作成し、関数にデコレーターを付けるだけでadd関数を呼び出せるMCPサーバーを実装できます。
from fastmcp import FastMCP

mcp = FastMCP("Demo 🚀")

@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b

if __name__ == "__main__":
    mcp.run()
他にできることは公式ドキュメントを参照してみてください。

TypeScriptでの実装もあるようですが、公式ドキュメントが見当たらなかったため、今回はPythonで実装しています。

https://github.com/punkpeye/fastmcp
MCPについては、すでにわかりやすい情報が多く存在しているので、そちらを参照してください。
https://speakerdeck.com/minorun365/yasasiimcpru-men
https://zenn.dev/cloud_ace/articles/model-context-protocol

 3. MastraとはMastraは、AgentやWorkflowを簡単に構築できるTypeScriptのフレームワークです。

RAGの構築やLLMOpsに必要なTracingやEvaluationなども充実しており、Agentの実装をアプリケーションに組み込む際の有力な選択肢となるでしょう。

筆者の所属する会社でも、これまではLangGraphを用いてAgentの開発を行っていましたが、MastraやAI SDKでの開発体験が非常に良いため、今後はMastraを用いてAgentの開発を行っていこうかと検討しています。
MastraはMCPにAll-Inするという記事を出しているため、MCP周りの実装も簡単に行えます。

https://mastra.ai/blog/mastra-mcp
Mastraについては日本語の記事が多く存在していますが、機能追加が高速に行われているため、常に公式のドキュメントも参照することをお勧めします。

 4. MastraのチュートリアルのAgentが使うToolをFastMCPでMCPサーバー化するそれでは、本記事の本題であるFastMCPでMCPサーバーを実装し、Mastraからアクセスする手順を説明します。

今回は、Mastraを初期化した際に実装されているWeatherAgentで使うツールをFastMCPで実装します。
// MastraのWeatherAgentの初期化例 (抜粋)
import { openai } from '@ai-sdk/openai';
import { Agent } from '@mastra/core/agent';
import { Memory } from '@mastra/memory';
import { weatherTool } from '../tools'; // ← 通常はこちらをインポート

export const weatherAgent = new Agent({
  name: 'Weather Agent',
  instructions: `
      You are a helpful weather assistant that provides accurate weather information.
      // ... (省略) ...
      Use the weatherTool to fetch current weather data.
`,
  model: openai('gpt-4o'),
  tools: { weatherTool }, // ← 通常は直接ツールを渡す
  memory: new Memory({ /* ... */ }),
});

 4.1 Mastraの初期化まずはMastraのプロジェクトを作成します。インストール時に色々聞かれますが、今回はrecommendedを選択します。npx create-mastra@latest
Mastraサーバーを起動します。npm run dev

localhost:4111にアクセスしてMastraのダッシュボードを開き、WeatherAgentを選択します。適当に話しかけてレスポンスが返ってくれば問題ありません。


この段階では、WeatherAgentはmastra/tools配下に実装されているweatherToolを用いて天気情報を取得しています。

次は、これをFastMCPでMCPサーバー化します。

 4.2 FastMCPでの実装まずはPythonプロジェクトを作成し、FastMCPをインストールします。
# weather_toolsというディレクトリを作成し、ライブラリモードで初期化
uv init --lib weather_tools
cd weather_tools
# 必要なライブラリを追加
uv add fastmcp pydantic
「FastMCPとは」のセクションで記載した通り、FastMCPは関数にデコレーターを付けるだけでMCPサーバーを実装できます。

MastraのweatherToolの実装をPythonに移植していきます。今回は実装の詳細よりも、MCPサーバー化することにフォーカスしているので、AIツール（例: Gemini 2.5 Pro）を用いて移植しました。

コードの詳細はGitHubに載せているので、そちらを参照してください。

https://github.com/y1u0d2a1i/mastra_fastmcp/blob/main/weather_tools/main.py
# weather_tools/main.py (抜粋)
import httpx
from pydantic import BaseModel, Field
from typing import List, Optional
from fastmcp import FastMCP

mcp = FastMCP("MCP Servers to get weather data")

# --- Pydantic Models (Input/Output/API Response) ---
# ... (GeocodingResult, GeocodingResponse, WeatherCurrent, WeatherResponse, WeatherInput, WeatherOutput) ...

# --- Helper Function ---
# ... (get_weather_condition) ...

# --- Core Logic ---
@mcp.tool()
async def get_weather(location: str) -> WeatherOutput:
    """Gets the current weather for a given location using Open-Meteo APIs."""
    async with httpx.AsyncClient() as client:
        # 1. Geocoding
        # ... (API call and error handling) ...
        if not geocoding_data.results:
            raise ValueError(f"Location '{location}' not found")
        geo_result = geocoding_data.results[0]
        # ... (Extract lat, lon, name) ...

        # 2. Weather Forecast
        # ... (API call and error handling) ...
        current_weather = weather_data.current

        # 3. Format Output
        output = WeatherOutput(
            temperature=current_weather.temperature_2m,
            feelsLike=current_weather.apparent_temperature,
            humidity=current_weather.relative_humidity_2m,
            windSpeed=current_weather.wind_speed_10m,
            windGust=current_weather.wind_gusts_10m,
            conditions=get_weather_condition(current_weather.weather_code),
            location=found_location_name,
        )
        return output

if __name__ == "__main__":
    # stdioモードでMCPサーバーを起動
    mcp.run(transport="stdio")

 4.3 MastraからFastMCPのMCPサーバーにアクセス次に、MastraからFastMCPのMCPサーバーにアクセスするために、Agentのコードを修正します。

まず、修正後のAgentの実装全体を示してから、修正点を説明します。
// my-mastra-app/src/mastra/agents/index.ts (修正後)
import { openai } from '@ai-sdk/openai';
import { Agent } from '@mastra/core/agent';
import { Memory } from '@mastra/memory';
import { MCPClient } from '@mastra/mcp'; // MCPClientをインポート

// MCPクライアントを初期化
const mcp = new MCPClient({
  servers: {
    weather: { // サーバー名 (任意)
      // MCPサーバーを起動するコマンドと引数
      "command": "uv",
      "args": [
        "--directory",
        "absolute_path_to_your_mcp_server", // MCPサーバーのディレクトリへの絶対パス
        "run",
        "python", // Pythonを明示的に指定
        "main.py"
      ]
    },
  },
});

export const weatherAgent = new Agent({
  name: 'Weather Agent',
  instructions: `
      You are a helpful weather assistant that provides accurate weather information.
      // ... (省略) ...
      Use the weatherTool to fetch current weather data. // 指示は同じでOK
`,
  model: openai('gpt-4.1-nano'), // モデルは任意
  memory: new Memory({ /* ... */ }),
  // toolsオプションにMCPクライアント経由で取得したツールを渡す
  tools: await mcp.getTools(),
});
修正点:
MCPClientの初期化: MCPClientをインポートし、インスタンスを作成します。serversオブジェクト内で、MCPサーバーを起動するための設定を行います。

weather: 任意のサーバー名を指定します。

command: MCPサーバーを起動するコマンド（ここではuv）。

args: コマンドの引数。--directoryでMCPサーバーのPythonプロジェクトがあるディレクトリの絶対パスを指定し、run python main.pyで実行します。
const mcp = new MCPClient({
  servers: {
    weather: {
      "command": "uv",
      "args": [
        "--directory",
        "absolute_path_to_your_mcp_server", // ここを実際の絶対パスに置き換える
        "run",
        "python",
        "main.py"
      ]
    },
  },
});
注意: absolute_path_to_your_mcp_serverは、ご自身の環境に合わせてweather_toolsディレクトリへの絶対パスに書き換えてください。
Agentへのツール設定: Agentのtoolsオプションに、await mcp.getTools()の結果を渡します。これにより、MCPClientが起動したサーバーから利用可能なツールを自動的に取得し、Agentが利用できるようになります。
  tools: await mcp.getTools(),
動作確認:
Mastraサーバーを再起動 (npm run dev) して、ダッシュボードからWeatherAgentを選択し、「東京の天気は？」のように質問します。
Mastraのログやトレースを見ると、MCPサーバー（FastMCPで実装したget_weather関数）が呼び出され、その結果を使ってAgentが応答していることが確認できます。
Tool Call詳細 (例):
AgentからMCPサーバーへのリクエスト:
{
  "location": "Tokyo"
}
MCPサーバーからAgentへのレスポンス:
{
  "content": [
    {
      "type": "text",
      // textフィールド内はJSON文字列として返される
      "text": "{\"temperature\": 17.0, \"feelsLike\": 17.2, \"humidity\": 76, \"windSpeed\": 5.0, \"windGust\": 33.8, \"conditions\": \"Clear sky\", \"location\": \"Tokyo\"}"
    }
  ],
  "isError": false
}

 5. まとめ本記事では、FastMCPを用いてMCPサーバーを実装し、Mastraからアクセスする手順を説明しました。

普段AI Agentを開発していると、様々なフレームワークで実装したAgent間でツールを共有したいケースが発生します。FastMCPのようなライブラリを用いることで、MCPサーバーを簡単に実装できるため、今後はMCPサーバーを用いてAgent間でツールを共有していくのが良いかもしれません。
1. 概要

2. FastMCPとは

3. Mastraとは

4. MastraのチュートリアルのAgentが使うToolをFastMCPでMCPサーバー化する

4.1 Mastraの初期化

4.2 FastMCPでの実装

4.3 MastraからFastMCPのMCPサーバーにアクセス

5. まとめ

Discussion
