🍲

APIをそのままMCPサーバーにするな

に公開
2025/12/28

散々言われていることだと思いますが、何度でも言いたいことなので、改めて記事にすることにしました。

APIをそのままMCPサーバーにするのは止めてください

何故ダメか

何故ダメかの説明として、よく「APIとMCPはレイヤーが違うから〜」とか説明されているのを見ますが、個人的にはそんなことはどうでも良くて、普通に実害があるからダメです。主に以下の2点が問題です。

  1. AIのコストが高くなる
  2. AIの応答精度が悪くなる

特に1はめちゃくちゃ困ります。

逆に言うと、これらの問題が発生しないように考慮されていれば、私的にはAPIをMCPサーバーにしてもOKです。

では何故、深く考えずにAPIをそのままMCPサーバーにするとAIのコストが高くなるのか、もう少し深堀りして見ましょう。

AIエージェントの処理

問題を把握する前に、いわゆるAIエージェントがMCPサーバーのツールを使う時の処理を理解しておきましょう。
AIはツールを使うとき時に以下ような処理を行います。

  1. ユーザーが、AIにリクエストをする
  2. AIが、使用できる全ツールの定義(名前、説明、パラメータ)を 読み込む
  3. AIが、ユーザーのリクエストに最適なツールを選択する
  4. AIが、ツールを実行する
  5. AIが、ツールの実行結果を 読み込む
  6. AIが、次の処理 or ユーザーへの応答を考える

この一連の処理で消費されるトークン数、分かりやすく言うとAIが 読み込む文字数がコスト になります。

このことを念頭に置いて何が問題かを見ていきましょう。

その1 : ツールの数多すぎ問題

基本的にAPIを呼び出すとき、その設計をするのは人間の開発者です。なので、APIは人間に向けて設計されており、細かい操作ごとにエンドポイントが分かれている事が多いです。
例えば、タスク管理APIなら「タスク作成」「タスク更新」「タスク削除」「タスク一覧取得」「タスク詳細取得」「優先度変更」「担当者変更」など、エンドポイントが10個以上になることも珍しくありません。
これをそのままMCPサーバーのツールに変換すると、AIはリクエストのたびに全ツールの定義を読み込む必要があります。つまり、ツールの数に比例してコストが上がります。
さらに、ツールが多いとAIがどのツールを使えば良いのかに迷います。ツール選択の精度も下がり、不要なツールを呼び出すミスも増えます。コストが上がるだけでなく、精度も悪くなります。

望ましい設計

望ましい設計は、関連する操作を統合した高レベルなツールを提供することです。
「タスク管理」という1つのツールに、操作種別をパラメータで指定する設計にするとよいでしょう。

...というのが理想ですが、一つにまとめる実装が面倒くさいときは機能を絞るのも効果的です。
例えば、AIでタスクを見るだけでいいのであれば「タスク一覧取得」「タスク詳細取得」の2つだけ用意すれば良いわけです。

その2 : ツールの説明長すぎ問題

API仕様書は網羅性を重視するため、全パラメータの詳細な説明、エラーコードの一覧、レート制限の説明など、大量の情報が含まれています。これをそのままツールのdescriptionに転記すると、1ツールあたり数百〜数千トークンになることもあります。
AIは毎回すべてのツール説明を読み込むため、10個のツールがあれば説明だけで数千〜数万トークンを消費します。つまりツールの説明がながければ長いほど、コストが増えます。

望ましい設計

ツールの説明は簡潔に、AIが判断に必要な情報だけに絞る事が重要です。簡単なツールの機能と必須パラメータのみを記載しましょう。目安として説明文は200文字以下を目指しましょう。

なお、私がMCPサーバーを作るときは、利用者側で調整できるようにdescriptionは環境変数等の外部パラメータで変更できるようにしています。

その3 : ツールの応答大きすぎ問題

APIは汎用性を重視するため、レスポンスに大量のフィールドを含むことも多いです。例えば、ユーザー情報を取得すると、ID、名前、メールアドレス、作成日時、更新日時、権限情報、プロフィール画像URL、各種設定値など、数十のフィールドが返ってきます。一覧取得なら、これが数十〜数百件分になります。
この大きなレスポンスをそのままAIに渡すと、例によって大量のコストが発生します。
このレスポンスが履歴として残ることで、次のリクエストでも追加で課金されます。会話が長く続くと、過去のツール応答がすべてコンテキストに残り続け、コストが雪だるま式に増えていきます。

望ましい設計

AIのタスク実行に必要な情報だけを抽出して返しましょう。大きなデータは要約してから返すのが良いでしょう。一覧などは、返す件数を制限してページングしましょう。バイナリデータやメタデータは除外するといいでしょう。

余談になりますが、過去のGitHub Copilotには大きすぎるツールの応答を処理しきれずに無限ループする脆弱性がありました。当時、その説明をした記事を書いたので貼っておきます。
https://zenn.dev/ncdc/articles/a11b1a38eaaf6e
Copilotのようなメジャーな製品でも対応に苦慮する程度には、巨大な応答は害悪だということです。

MCPクライアント側でとれる対策案

世の中のMCPサーバーが全てキレイであればクライアント側は気にしなくて良いのですが、実態はそんな事はありません。クライアント側で対策が必要となるケースが多々あります。
「MCPサーバーを改造してしまえ」とか「MCPサーバーなんか捨ててAgent Skillsを使おう」と思わなくもないですが、この章ではキレイではないMCPサーバーをそのまま使う前提での対策を考えてみます。

対策1 : ツールの定義をキャッシュする

ツールの定義は基本的に変わらないため、定義をキャッシュできれば大幅なコスト削減が見込めます。例えば、Claudeの場合、Prompt Cachingを活用することで、2回目以降のリクエストではツール定義の読み込みコストを1/10に削減できます。

ツールのPrompt Cachingについては過去に記事にしているのでこちらも参考にしてみてください。
https://zenn.dev/ncdc/articles/26165a6fedd7e4

対策2 : ツールの定義の検索

全てのツールの定義を毎回AIに渡すのではなく、必要そうなツールだけを動的に選択して渡す方法もあります。ツール定義をナレッジとした簡易的なSemanticRAGを構築することで、ユーザーの質問に関連するツールだけに絞ることが出来ます。

なおこの方法は、毎回AIに渡すツールの内容が変わるので、対策1と併用できません。かつ、ツールの数がよほど多くない限りは、対策1のコスト1/10以上のパフォーマンスは出ません。
基本は対策1のPrompt Cachingを優先して、どうしてもツールの数が増えすぎた時にこの方法を検討すると良いでしょう。

対策3 : ツールの応答の要約

ツールから返ってきた大きなレスポンスを、AIに渡す前にクライアント側で要約する方法です。
例えば、100件のタスク一覧が返ってきた場合、そのままAIに渡すと数千〜数万トークンになります。これをクライアント側で情報を絞り込むことで、AIのコストを削減することが出来ます。

と、簡単に書きましたが、これ、普通にものすごく難しいです。
考えられるアプローチは以下のようなものがあります。

  • 一定の文字数より後ろを切り捨てる
    • → 処理は簡単だが、情報が大きく損なわれる
  • ツール毎に個別の処理を書く
    • → つらすぎる
  • AIを使って要約する
    • → 本末転倒...
  • AIを使わないで機械的に要約する
    • → 高度な処理が必要なわりに、情報が損なわれる

以前「AIを使わないで機械的に要約する」処理を紹介する記事も書いているので、興味があればそちらも参考にしてみてください。

https://zenn.dev/ncdc/articles/c21c17ed2cfc04

まとめ

MCPサーバーの設計では「AIにとって使いやすいインターフェース」を意識することが重要です。APIは人間の開発者向けに設計されたものです。人間相手ならなるべく多くの説明を残したほうが喜ばれますが、AI相手に大量の情報を残すとお金が大量にかかります。

APIをMCPサーバー化する際は以下のことを心がけましょう。

  • ツール数を絞り、統合できるものは統合する
  • 説明文は簡潔に、必要最小限の情報のみ記載する
  • レスポンスはAIに必要な情報だけに絞る

一方で、世の中のMCPサーバーがキレイである保証はありません。
MCPクライアントつまりAIエージェントを開発する際は、キレイではないMCPサーバーも考慮した設計を考えましょう。根本的にはMCPサーバー側をキレイにするべきですが、Prompt Cachingやツール選択の最適化など、クライアント側でできる工夫を組み合わせることで、ある程度は問題を緩和することが可能です。

これを読んだ皆さんは、AIエージェントの開発者やエンドユーザーを苦しませない為にも、APIをそのままMCPサーバーにしないでください。

NCDC テックブログ

Discussion