MCP（model context protocol）とは

こんにちは！tsutsuです！

• 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。

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）

{
  "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）

{
  "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。

"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。

{
  "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": {
  "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。

"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）