🔌
LLMをパワーアップ！Model Context Protocol (MCP)で実現する高機能AI連携アーキテクチャ入門

2025/04/28に公開
architecture
Model Context Protocol
LLM
Claude
tech
 LLMをパワーアップ！Model Context Protocol (MCP)で実現する高機能AI連携アーキテクチャ入門!This article is generated by Claude.
最近のAIアプリケーション開発において、LLM（大規模言語モデル）と外部システムを連携させる仕組みが重要になってきています。皆さんは「MCPって何？🤔」と思われるかもしれませんね。
Model Context Protocol（MCP） は、Anthropicが2024年11月に発表した、LLMと外部リソースを効率的に連携させるためのオープンスタンダードプロトコルです。「AI統合のためのUSBのようなもの」とも表現されており、この記事では、MCPの基本概念から実装まで、図解を交えながら分かりやすく解説していきます。

 MCPとは？基本概念と構成要素 🧩Model Context Protocol（MCP）は、LLMアプリケーションと外部データソースやツールをシームレスに統合するためのオープンスタンダードプロトコルです。このプロトコルは、JSON-RPC 2.0をベースにしたプレゼンテーション層のデータ表現形式を採用しています。
MCPは主に以下の要素から構成されています：

ホストアプリケーション: LLMを実行し、ユーザーとのインターフェースを提供するアプリ（例：Claude Desktop）

LLMエンジン: Claude、GPTなどの大規模言語モデル

MCP Client: ホストアプリケーション側で動作し、MCP Serverとの通信を担当

MCP Server: 外部リソースへのアクセスを提供するサーバー（JSONとして定義されたツール一覧を提供）

データソース/機能: データベース、API、ファイルシステムなど、MCP Serverが接続する外部リソース
これらの要素がどのように連携するかを図解してみましょう：
このアーキテクチャにより、LLMは単体では不可能だった様々な機能（データベースへのアクセス、ファイル操作、専用APIの利用など）を実行できるようになります。つまり、AIの能力を大幅に拡張できるわけです！💪

 MCP通信の流れ：実際の動作シーケンス例 🔄MCPを使ったアプリケーションの典型的な動作フローは、初期化、機能発見、コンテキスト提供、実行の各フェーズから構成されます。実際のユーザーの入力からLLMの回答まで、以下のシーケンス図でプロセスを確認してみましょう：
このシーケンス図は、MCPを利用したシステムの全体の流れを示しています。注目すべき重要なポイントがいくつかあります：
初期化と機能発見 - クライアントとサーバーは最初に接続し、利用可能な機能（ツール、リソース、プロンプト）を交換します
ユーザー承認モデル - LLMがツールの使用を判断した後、ユーザーの承認を得る仕組みが組み込まれています
ツール実行と結果の利用 - ツールから得た結果をLLMに返して最終的な回答を生成します
特に注目すべき点は、LLMが自律的に「ツールの使用が必要か」を判断する点です。これにより、ユーザーは複雑な指示をしなくても、AIが適切なタイミングで外部リソースを活用できるようになります。また、セキュリティ的な配慮から、ツールの実行は常にユーザーの明示的な承認が必要となっています。

 MCPの主要コンポーネント詳細 🔍
 1. ホストアプリケーションホストアプリケーションは、ユーザーとLLMの橋渡し役を担い、接続を初期化する役割があります。代表的な例としては：
Claude Desktop（Anthropicの公式クライアント）
VS CodeなどのIDE拡張（Sourcegraphのコードアシスタント「Cody」など）
Webアプリケーション（Claude Web UIなど）
カスタムアプリケーション
ホストアプリケーションの主な役割は：
ユーザーインターフェースの提供
LLMエンジンとの通信
MCP Clientの管理
サーバーの機能発見
ツール使用の承認フロー提供

 2. MCP ClientMCP Clientはホストアプリケーション内部で動作し、以下の役割を担います：
MCPプロトコルを用いたServer通信（JSON-RPC 2.0ベース）
サーバーとのハンドシェイクによる機能交換
ツール呼び出しのリクエスト・レスポンス処理
エラーハンドリング
認証・認可処理（OAuth 2.1フレームワークを使用）

 3. MCP ServerMCP Serverは外部リソースへのゲートウェイとして機能し、以下の3つの主要なプリミティブをサポートします：

Tools（モデル制御）: LLMが自動的に呼び出すことを想定した実行可能な関数。外部システムとの相互作用や計算の実行などが可能

Resources（アプリケーション制御）: クライアントが読み取ってLLMとのやり取りのコンテキストとして使用できるデータやコンテンツ。テキストやバイナリデータを含む

Prompts（ユーザー制御）: 再利用可能なプロンプトテンプレートやワークフロー。サーバーが定義し、クライアントがユーザーやLLMに簡単に表示できる
これらのプリミティブはそれぞれ異なる制御モデルを持ちます。ToolsはLLMが判断して使用、Resourcesはアプリケーションが制御、Promptsはユーザーが明示的に選択するという考え方です。
MCP Serverの主な役割は：
利用可能なツール、リソース、プロンプトの一覧の提供
ツール呼び出しのリクエスト処理
リソースへのアクセス提供
プロンプトテンプレートの提供
外部リソースへのアクセス制御
結果のフォーマット変換
セキュリティ制御
です。

 4. MCPプロトコルMCPプロトコルは、ClientとServer間の通信規約で、JSON-RPC 2.0に基づいたメッセージ交換を行います。クライアント側は「Roots」と「Sampling」という2つのプリミティブをサポートします：

Roots: クライアント側のファイルシステムへのアクセスポイント

Sampling: クライアント側のLLMに「補完」や「生成」をリクエストする機能
主なAPIエンドポイントとしては：

tools/list - 利用可能なツール一覧の取得

tools/call - 特定ツールの呼び出し

tools/status - 非同期処理のステータス確認
などがあります。
!MCPプロトコルはセキュリティを考慮して設計されていますが、実装時には適切な認証・認可メカニズムを組み込むことが重要です！

 MCPの利点と適用シナリオ 🚀MCPアーキテクチャを採用することで得られる主な利点は：

標準化 - M×N問題の解決（M個のAIアプリと、N個のツール/システムの連携を効率化）

拡張性 - LLMに新しい機能を柔軟に追加できる

分離性 - ビジネスロジックとAIを分離できる

セキュリティ - アクセス制御を一元管理できる

再利用性 - ツールを複数のLLMアプリケーションで共有できる
適用シナリオとしては：

 企業内AI活用
 開発支援ツール
 MCP実装のポイント 🔧MCPに基づくシステムを実装する際のポイントをいくつか紹介します：

 MCP Serverの実装例（TypeScript）// TypeScript MCPサーバーの実装例
import { Server } from "@modelcontextprotocol/sdk/server";
import { 
  ListToolsRequestSchema, 
  CallToolRequestSchema,
  ListResourcesRequestSchema,
  ReadResourceRequestSchema
} from "@modelcontextprotocol/sdk/types";

// サーバーインスタンスの作成
const server = new Server(
  { name: "my-mcp-server", version: "1.0.0" },
  { 
    capabilities: { 
      tools: {},
      resources: {} 
    } 
  }
);

// 利用可能なツール一覧の定義
const TOOLS = [
  {
    name: "database_query",
    description: "データベースクエリーを実行します",
    parameters: {
      type: "object",
      properties: {
        query: { type: "string", description: "SQLクエリー文字列" },
        database: { type: "string", description: "データベース名" }
      },
      required: ["query", "database"]
    }
  },
  {
    name: "file_read",
    description: "ファイルを読み込みます",
    parameters: {
      type: "object",
      properties: {
        path: { type: "string", description: "ファイルパス" }
      },
      required: ["path"]
    }
  }
];

// ツール一覧取得ハンドラー
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return { tools: TOOLS };
});

// ツール呼び出しハンドラー
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, parameters } = request.params;
  
  try {
    switch (name) {
      case "database_query": {
        // データベースクエリの実行ロジック
        const result = await executeDatabaseQuery(parameters.query, parameters.database);
        return {
          content: [{ type: "text", text: JSON.stringify(result) }],
          isError: false
        };
      }
      
      case "file_read": {
        // ファイル読み込みロジック
        const content = await readFile(parameters.path);
        return {
          content: [{ type: "text", text: content }],
          isError: false
        };
      }
      
      default:
        return {
          content: [{ type: "text", text: `ツール '${name}' が見つかりません` }],
          isError: true
        };
    }
  } catch (error) {
    return {
      content: [{ type: "text", text: `エラー: ${error.message}` }],
      isError: true
    };
  }
});

// 利用可能なリソース一覧
// リソース一覧取得ハンドラー
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "docs://user-guide.md",
        name: "ユーザーガイド",
        description: "システムの使い方ガイド",
        mimeType: "text/markdown"
      }
    ]
  };
});

// リソース読み込みハンドラー
server.setRequestHandler(ReadResourceRequestSchema, async (request) => {
  const { uri } = request.params;
  
  if (uri === "docs://user-guide.md") {
    return {
      contents: [
        {
          uri: "docs://user-guide.md",
          mimeType: "text/markdown",
          text: "# ユーザーガイド\n\nこれはシステムの使い方ガイドです..."
        }
      ]
    };
  }
  
  throw new Error(`リソース '${uri}' が見つかりません`);
});

// サーバーの起動
server.listen(3000).then(() => {
  console.log("MCP Server running on port 3000");
});

 MCP Clientの実装例（Python）# Python MCPクライアントの実装例
import asyncio
from mcp.client import ClientSession

async def main():
    # MCPサーバーとの接続パラメータ
    server_params = {
        "command": "node",
        "args": ["path/to/server.js"],
        "name": "example-server"
    }
    
    # LLMからのサンプリングリクエストのハンドラー
    async def handle_sampling_message(message):
        print(f"サンプリングリクエストを受信: {message}")
        # 実際の実装では、LLM APIを呼び出して結果を返す
        return {
            "text": "これはサンプリングレスポンスの例です",
            "model": "example-model",
            "stopReason": "endTurn"
        }
    
    from mcp.client.stdio import stdio_client
    
    # MCPサーバーとの接続を確立
    async with stdio_client(server_params) as (read, write):
        # セッションを作成
        async with ClientSession(
            read, write, sampling_callback=handle_sampling_message
        ) as session:
            # 接続を初期化
            await session.initialize()
            
            # 利用可能なツール一覧を取得
            tools = await session.list_tools()
            print(f"利用可能なツール: {tools}")
            
            # ツールを呼び出す
            result = await session.call_tool(
                "database_query", 
                arguments={
                    "query": "SELECT * FROM users LIMIT 10",
                    "database": "main"
                }
            )
            print(f"ツール実行結果: {result}")
            
            # 利用可能なリソース一覧を取得
            resources = await session.list_resources()
            print(f"利用可能なリソース: {resources}")
            
            # リソースを読み込む
            if resources.get("resources"):
                resource_uri = resources["resources"][0]["uri"]
                content, mime_type = await session.read_resource(resource_uri)
                print(f"リソース内容: {content[:100]}...")

# 非同期関数の実行
if __name__ == "__main__":
    asyncio.run(main())
MCPのセキュリティ考慮事項MCPを実装する際は、以下のセキュリティ対策を検討すべきです：

認証: JWT、OAuth2などの標準的な認証機構の導入

アクセス制御: 細粒度のアクセス制御によるツール呼び出し制限

入力検証: すべてのパラメータに対する厳格な検証

レート制限: DoS攻撃防止のためのリクエスト制限

監査ログ: ツール呼び出しの詳細な記録

サンドボックス化: 危険な操作の隔離

 MCPの発展と将来性 🔮MCPは比較的新しいアーキテクチャパターンですが、今後のAI統合アプリケーション開発において重要な役割を果たすことが予想されます。
今後期待される発展方向としては：

標準化 - MCPプロトコルの業界標準化

ツールマーケットプレイス - 再利用可能なMCPツールの共有エコシステム

マルチモーダル対応 - 画像・音声などへの拡張

連合学習との統合 - プライバシーを保護しながらのモデル強化

 まとめ：MCPでLLMアプリを次のレベルへ 🎯MCPアーキテクチャは、LLMの能力を拡張し、実用的なAIアプリケーションを構築するための強力なパターンです。主な特徴をおさらいしましょう：
LLMと外部リソースを効率的に連携
柔軟な拡張性と高い再利用性
セキュリティと分離性の確保
シンプルなプロトコルでの実装
MCPを活用することで、単なるチャットボットを超えた、実際のビジネス価値を生み出すAIアプリケーションの開発が可能になります。ぜひ皆さんのプロジェクトにもMCPの考え方を取り入れてみてください！

 参考リソース 📚
 公式MCPリソースModel Context Protocol (MCP) - Anthropic
Model Context Protocol ドキュメント
Model Context Protocol - GitHub
MCP Specification

 SDK & クライアント/サーバー実装MCP Python SDK
MCP TypeScript SDK
MCP Java SDK
MCP C# SDK
MCP Kotlin SDK

 サンプル実装
MCP Example Servers - Anthropicの公式サンプルサーバー実装

MCP Inspector - MCPサーバーのテストとデバッグ用ツール

 関連ドキュメントAnthropic Claude Documentation

Claude Desktop - 公式MCPクライアント実装
GitHubで編集を提案
LLMをパワーアップ！Model Context Protocol (MCP)で実現する高機能AI連携アーキテクチャ入門

MCPとは？基本概念と構成要素 🧩

MCP通信の流れ：実際の動作シーケンス例 🔄

MCPの主要コンポーネント詳細 🔍

1. ホストアプリケーション

2. MCP Client

3. MCP Server

4. MCPプロトコル

MCPの利点と適用シナリオ 🚀

企業内AI活用

開発支援ツール

MCP実装のポイント 🔧

MCP Serverの実装例（TypeScript）

MCP Clientの実装例（Python）

MCPの発展と将来性 🔮

まとめ：MCPでLLMアプリを次のレベルへ 🎯

参考リソース 📚

公式MCPリソース

SDK & クライアント/サーバー実装

サンプル実装

関連ドキュメント

Discussion
