AIエージェント開発入門：MCPサーバーの作り方

ChatGPTやClaudeに質問して回答をもらう。この使い方はもう「普通」になった。2026年の焦点は、AIが自分で判断し、ツールを使い、タスクを完了する「AIエージェント」の構築に移っている。

その中核技術がMCPサーバーだ。この記事では、MCPサーバーを自分で作って、AIエージェントに新しい能力を持たせる方法を解説する。

AIエージェントとMCPサーバーの関係

AIエージェントは「考える」ことはできるが、そのままでは外の世界に手を伸ばせない。ファイルの読み書き、データベースへの問い合わせ、外部APIの呼び出し——こうした操作を可能にするのがMCPサーバーだ。

たとえば「先週のサポートチケットを集計して、カテゴリ別の傾向をSlackに投稿して」という指示を実行するには、AIエージェントが以下のツールにアクセスする必要がある。

チケット管理システム（Zendesk, Intercomなど）のデータ取得
データの集計・分析
Slackへのメッセージ送信

MCPサーバーは、これらのツールへのアクセスを標準化されたインターフェースでAIに提供する。

AIエージェントの動作フロー

ユーザーからの指示を受け取る
指示を達成するために必要なステップを計画する
各ステップで必要なMCPサーバーのツールを選択する
ツールを呼び出し、結果を受け取る
結果を踏まえて次のステップに進む（あるいは計画を修正する）
最終結果をユーザーに返す

MCPサーバーの基本構造

MCPサーバーは、以下の3種類の機能を提供できる。

Tools（ツール）

AIが呼び出せるアクション。「メールを送信する」「データベースにレコードを追加する」などの操作を定義する。AIがいつ、どのツールを使うかを自分で判断する。

Resources（リソース）

AIが参照できるデータ。ファイルの内容やデータベースのレコードなど、読み取り専用の情報を提供する。

Prompts（プロンプト）

あらかじめ定義されたプロンプトテンプレート。特定のタスクに最適化されたプロンプトをサーバー側で用意しておき、AIが状況に応じて選択する。

実践：PythonでMCPサーバーを作る

ここからは実際にコードを書いていく。天気情報を取得するシンプルなMCPサーバーを例にする。

環境準備

Python 3.10以上が必要だ。MCPのPython SDKをインストールする。

pip install mcp

サーバーの実装

from mcp.server import Server
from mcp.types import Tool, TextContent
import httpx

app = Server("weather-server")

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="get_weather",
            description="指定した都市の現在の天気を取得する",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {
                        "type": "string",
                        "description": "都市名（例: Tokyo, Osaka）"
                    }
                },
                "required": ["city"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        async with httpx.AsyncClient() as client:
            response = await client.get(
                f"https://wttr.in/{city}?format=j1"
            )
            data = response.json()
            current = data["current_condition"][0]
            result = (
                f"{city}の天気: {current['weatherDesc'][0]['value']}, "
                f"気温: {current['temp_C']}°C, "
                f"湿度: {current['humidity']}%"
            )
            return [TextContent(type="text", text=result)]

if __name__ == "__main__":
    import asyncio
    from mcp.server.stdio import stdio_server

    async def main():
        async with stdio_server() as (read, write):
            await app.run(
                read, write,
                app.create_initialization_options()
            )

    asyncio.run(main())

コードの解説

@app.list_tools(): AIに「このサーバーで使えるツールの一覧」を教えるハンドラ。ツール名、説明文、入力パラメータのスキーマを定義する。

@app.call_tool(): AIがツールを実行するときに呼ばれるハンドラ。引数を受け取り、実際の処理を行って結果を返す。

inputSchema: JSON Schemaで入力パラメータを定義する。AIはこのスキーマに従って引数を構成するため、正確に書くことが重要だ。

Claude Codeへの登録

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["path/to/weather_server.py"]
    }
  }
}

TypeScriptで作る場合

npm install @modelcontextprotocol/sdk

Python vs TypeScript: どちらを選ぶか

観点	Python	TypeScript
プロトタイピング速度	速い。数十行で動くものが作れる	やや手間がかかるが、型定義で安全
データ処理・ML連携	pandas, numpy等のエコシステムが豊富	データ処理ライブラリは限定的
保守性	大規模になると型の恩恵が欲しくなる	型安全性により長期保守が楽
デプロイ	pip/uvで簡単	npm/bunで簡単

実用的なMCPサーバーのアイデア

社内ナレッジベースサーバー

社内WikiやConfluenceの記事を検索・取得するサーバー。AIエージェントが「過去に同じ問題を対応した記録」を探して回答に活用できる。

CRMデータサーバー

SalesforceなどのCRMデータを取得・更新するサーバー。「先月の商談一覧を取得して、成約率が低い案件の共通点を分析して」といった指示が実行可能になる。

監視アラートサーバー

Datadog, Grafana, CloudWatchなどの監視ツールからアラート情報を取得するサーバー。AIが障害の一次切り分けを行い、過去の類似障害の対応手順を提案する。

データベースクエリサーバー

社内のPostgreSQLやBigQueryに接続し、自然言語の質問をSQLに変換して実行するサーバー。非エンジニアでも「先月の売上トップ10の商品は？」と聞くだけでデータを取得できるようになる。

MCPサーバー開発のベストプラクティス

ツールの説明文を丁寧に書く

AIはdescriptionを読んでツールの使い方を判断する。「データを取得する」ではなく「指定した期間内の売上データを取得し、商品カテゴリ別に集計した結果を返す」のように具体的に書く。

エラーハンドリングを手厚くする

外部APIの一時障害やタイムアウトは日常的に起こる。エラー時には人間が読める形式のエラーメッセージを返すことで、AIが適切に判断できる。

接続エラー: 「外部サービスに接続できません」
認証エラー: 「APIキーが無効です。設定を確認してください」
レート制限: 「リクエスト制限に達しました」
タイムアウト: 「リクエストがタイムアウトしました」

認証情報をハードコードしない

APIキーやパスワードは環境変数で注入する。コードに直接書くと、リポジトリ経由で漏洩するリスクがある。

冪等性を意識する

同じ引数で複数回呼び出されても問題が起きないように設計する。AIは同じツールを何度か呼び出すことがあるため、重複実行への耐性は必須だ。

レスポンスを簡潔にする

MCPサーバーの出力はAIのコンテキストウィンドウを消費する。不要なデータを含めると、トークン消費が増えて処理速度とコストに影響する。

MCPサーバーのテスト方法

npx @modelcontextprotocol/inspector python weather_server.py

ブラウザベースのUIが起動し、ツール一覧の確認やツールの手動実行ができる。AIを介さずにサーバー単体の動作を検証できるため、デバッグが効率的だ。

MCPサーバー開発を始めるには

MCPサーバーの開発は、AIエージェントの能力を拡張する最も実践的な方法だ。基本構造はシンプルで、Pythonなら数十行のコードから始められる。

重要なのは、ツールのdescriptionを丁寧に書くこと、エラーハンドリングを手厚くすること、そして小さく始めて段階的に機能を増やすことだ。まずは社内の1つのツールを接続するところから試してみてほしい。

AIエージェント開発入門：
MCPサーバーの作り方