MCP（model context protocol）とは | tsutsu Blog

こんにちは！tsutsuです！

最近MCPを使用することが増えてきまして、とても便利だなとは思うのですが、
そもそもMCPの理解が微妙なところがあるので、まとめたいと思います。

簡単に言うと、MCPとはAIモデルを外部のアプリケーションとかと繋ぐときに使う共通の決まり事のことです。

※外部アプリケーションとは
ここで言う外部アプリケーションとは、AIモデルそのものとは別に存在するシステム・サービス・プログラム のことを指します。
例えば以下のようなものがあります。

Google Drive
Notion
GitHub
Slack
Dropbox
Gmail
データベース（MySQL、PostgreSQL など）
Web API（天気予報API、ニュースAPI など）
PC上のローカルファイル

MCPはなぜ生まれたのか

MCPが生まれた背景には、AIと外部ツール連携における以下の課題があります。

1. AIが“外の世界”にアクセスしづらかった

AIモデル単体では、

外部サービスの利用
ファイルの読み書き
APIやデータベースへのアクセス

などは本来できません。

そのため、これまではツール・サービスごとにまったく異なる“連携方法”を自作する必要がありました。

Slackとつなぐ方法、GitHubとつなぐ方法、Google Driveとつなぐ方法
すべて別々の作り方が必要で、開発者の負担が大きく、

ツールごとに専用APIを作り、AI向けに最適化し、モデルごとに別仕様に対応…
という“車輪の再発明”が大量に発生していました。

2. AIモデルごとに連携仕様が違いすぎた

OpenAIのモデル、Anthropicのモデル、Googleのモデルなど、
それぞれが独自の「ツール統合の仕組み」を持っていました。

そのため、あるツールを「どのAIでも使える」状態にするのが難しかった。

そこで「共通プロトコルを作ろう」という動きが生まれた！

MCPは次のような目的を持っています。

どのAIモデルでも使える共通フォーマット
ツール一覧の取得や実行方法の標準化
外部サービスへの安全なアクセス枠組み
スキーマによる入力・出力の型定義

つまり、
「MCPに対応したツールなら、どのAIでもすぐ使える世界を実現するための共通プロトコル」です。

2024年11月、Anthropicがオープンプロトコルとして公開し、現在もエコシステムが急速に成長しています。

MCPを使えばどのようなことができる！？

例えばMCPを使用するとこのようなことがやりやすくなります。

1. ファイルを扱わせる（読み取り・検索・分類など）

「このフォルダの中のPDFを全部要約して」
「スプレッドシートの在庫リストから不足品を教えて」
「会議メモを時系列に整理して」

AIが自分のPCやクラウド（Google Drive、Dropboxなど）のファイルを直接扱えるようになります。

2. 業務アプリとつなげて自動化する

「GitHubのプルリク内容を読んでレビューコメントを作って」
「Notionのデータベースに今日のタスクを追加して」
「Slackでメンションされたメッセージを整理して要点まとめて」

業務ツールにまたがった“横断アシスタント”が作れます。

3. データベースから情報を取る・更新する

「顧客Aさんの最新注文記録を教えて」
「売上データから異常値を見つけて」
「新規レコードを追加して」

AIがデータベースに直接問い合わせできるので、分析や管理が楽になります。

4. 外部APIをAIが直接叩けるようにする

【例】

「天気予報APIから今日の気温を取り出して表にまとめて」
「商品の価格比較APIで最安値を出して」
「地図APIで距離を計算して移動時間を出して」

AIがAPIを使ってリアルタイム情報を扱えるようになります。

5. カスタムツールで“自作のAI機能”を追加できる

社内の独自システム（勤怠、倉庫管理、受発注など）に接続
自分が作ったスクリプトをAIに使わせる
特定業務のための自動処理ツールを組み込む

会社や個人が必要なツールを自由に追加でき、AIに「専門の仕事」をやらせられます。

まとめると

MCPを使えば普段使用しているアプリ、ツール、データをAIから操作したり、分析したりできるかも。
すでにMCPに対応しているアプリ、ツールもたくさんあるので導入してみよう！

ここからは技術的なお話し

MCP の基本構造：クライアントとサーバー

MCP では、データや外部機能を提供する側が「MCP サーバー」、
それに接続してツールを呼び出す側が「MCP クライアント」です。

ここでのサーバー
自作ツール・API 接続ロジックをまとめたプロセス
→ 例：ファイル操作ツール、社内API、GitHub操作などを持つ
ここでのクライアント
それらのツールを使いたいアプリ
→ 例：ChatGPT、ローカルアプリ、エディタプラグインなど

両者は JSON-RPC 2.0 を使って通信します。

※JSON-RPC 2.0とは？
JSON形式で

関数呼び出し
パラメータ
結果
エラー

を定義するための“共通ルール”です。

メッセージ形式の例

MCP のメッセージは、原則すべて JSON-RPC 2.0 です。

● リクエストの例（ツールを呼び出す）

RPC.json

{
  "jsonrpc": "2.0",
  "id": 3,
  "method": "tools/call",
  "params": {
    "name": "weather_current",
    "arguments": {
      "location": "San Francisco",
      "units": "imperial"
    }
  }
}

● 応答の例（ツールからの結果）

RPC.json

{
  "jsonrpc": "2.0",
  "id": 3,
  "result": {
    "content": [
      { "type": "text", "text": "Current weather: 68°F, partly cloudy" }
    ]
  }
}

この「content」部分が LLM （AIモデル）に渡され、自然言語応答の材料になります。

structuredContent：プログラムで扱える構造化データ

MCPでは、テキストだけではなく、構造化データ（JSON）を返す仕組みがあります。

PRC.json

"structuredContent": {
  "temperature": 22.5,
  "conditions": "Partly cloudy",
  "humidity": 65
}

これにより：

UI生成
バリデーション
プログラムによる処理

が正確に行えます。

ツール定義は JSON ベース

MCPサーバーはクライアントに「利用可能なツール一覧」を返します。

schema.json

{
  "name": "get_weather_data",
  "title": "Weather Data Retriever",
  "description": "Get current weather data",
  "inputSchema": {
    "type": "object",
    "properties": {
      "location": { "type": "string" }
    },
    "required": ["location"]
  },
  "outputSchema": {
    "type": "object",
    "properties": {
      "temperature": { "type": "number" },
      "conditions": { "type": "string" },
      "humidity": { "type": "number" }
    },
    "required": ["temperature", "conditions", "humidity"]
  }
}

これにより、クライアントは：

入力値のバリデーション
UIの自動生成
AIへの正確なツール説明

が可能になります。

エラーハンドリング

MCP のエラーは2種類あります。

(1) プロトコルレベル（JSON-RPCエラー）

error.json

"error": {
  "code": -32602,
  "message": "Invalid params"
}

プロトコル違反、入力が壊れているといったケース。

ツールの業務ロジックエラー

ツール内での「Not Found」「権限なし」などは
structuredContent 内で表現することが多いです。

error.json

"structuredContent": { "error": "NOT_FOUND" }

この住み分けにより、「通信の失敗」と「業務的な失敗」を明確に分けられます。

MCP の最小実行フロー（ざっくり）

クライアントがMCPサーバーに接続
MCPサーバーが「利用可能なツール一覧」(name, schema 等) を返す
クライアントがツールを選択し、tools/call を投げる
MCPサーバーが処理をして result を返す
クライアントは content を LLM に渡し、必要なら structuredContent を解析する

まとめ：MCP は「LLM の外付けツール規格」

MCPは、

外部データ取得
計算処理
業務API連携
ファイル操作
データベース処理
カスタムスクリプト実行

などを、標準化された方法でAIアプリに追加できる仕組みです。

AIの能力を“外部ツール”で拡張するための共通規格。
それが Model Context Protocol（MCP）です。

うん、むずかしい！