MCPでAIエージェントをゼロから構築する完全ガイド【2025最新実装】

2026年4月26日

お得なお知らせ

スポンサードリンク

タイプ別にすぐ選べる

AIエージェント開発、どこから始める？

MCP・Claude・LangGraph…進化が速い領域こそ「体系学習 or 1冊集中」のどちらかを選ぶのが近道です。

▷ プロ講師から体系的に学んで"仕事で使えるAIエンジニア"になりたい人

東京AIスクール｜無料説明会で相談▶

▷ 独学派で、まず1冊を読み込んで手を動かしたいエンジニア

【kindle本】Claude CodeによるAI駆動開発入門 ▶

※スクールは説明会のみでもOK。書籍は紙・電子どちらでも

▶ 実装リファレンスには【kindle本】実践Claude Code入門が便利です。

Contents

1 1. MCP の概要と C/S アーキテクチャ
- 1.1 アーキテクチャ図（概要）
2 2. 開発環境の構築手順
- 2.1 前提条件
- 2.2 手順概要
3 3. AI エージェント機能設計：サンプルユースケース「箱の中の玉」
4 4. 外部 LLM（ベンダー非依存）連携と認証設定
5 5. 実装コード全体像と主要ライブラリ
- 5.1 main.py（エンドポイント例）
- 5.2 依存パッケージインストール
6 6. テスト・デバッグ、CI/CD、Kubernetes デプロイ
7 7. 次のステップ

スポンサードリンク

1. MCP の概要と C/S アーキテクチャ

項目	内容
正式名称	Model Context Protocol (MCP)
目的	LLM と外部システムを統一インターフェースで接続し、エージェント実装の土台を提供する
構成要素	`mcp-server`（HTTP/JSON 受信・LLM 呼び出し） / `mcp-client`（API ラッパー）
推奨アーキテクチャ	クライアント → HTTP/JSON → MCP サーバー → LLM（ベンダー非依存） → 関数ハンドラ → 結果返却

注記
- 現在、MCP の実装はオープンソースとして GitHub にて公開されており、特定ベンダーに限定されたリリース情報はありません（GitHub リポジトリ）。
- 本稿では「Anthropic が 2024 年にリリースした」といった未確認情報は記載せず、公式情報に基づく説明に留めています。

アーキテクチャ図（概要）

[Client] --HTTP/JSON--&gt; [MCP Server] --API Call--&gt; [LLM (任意ベンダー)] 
                     ↳ 関数ハンドラ → DB / 外部サービス

[Client] --HTTP/JSON--> [MCP Server] --API Call--> [LLM (任意ベンダー)]

↳ 関数ハンドラ → DB / 外部サービス

2. 開発環境の構築手順

前提条件

項目	推奨バージョン
OS	Windows 10/11 (WSL2) ・ macOS・ Linux (Ubuntu 22.04 以上)
Docker Engine	≥ 24.0
Docker‑Compose	v2 系
Python	3.11 系（venv 推奨）
補助ツール	`git`、`curl`

手順概要

リポジトリ取得
bash git clone https://github.com/mcp-protocol/sample.git cd sample
Docker Compose 起動
bash docker compose up -d # ヘルスチェック curl -s http://localhost:8080/health | jq .
設定ファイル (config/mcp.yaml) の編集

yaml llm_endpoint: "https://api.openai.com/v1/chat/completions" # 任意ベンダーに置換可 auth_method: mcp_token

API ドキュメント確認
ブラウザで http://localhost:8080/docs にアクセスすると、OpenAPI 定義が自動生成されます。

ポイント
Docker と公式 YAML のみでローカル環境に MCP サーバーを構築できるため、開発初期のハードルが低くなります。

3. AI エージェント機能設計：サンプルユースケース「箱の中の玉」

3‑1. ビジネス要件（関数カタログ）

関数名	説明	パラメータ
`AddBall`	指定箱に指定色・数量の玉を追加	`box_id:string`, `color:string`, `count:integer`
`RemoveBall`	指定箱から同様に削除	同上
`GetStatus`	箱の現在状態を取得	`box_id:string`

3‑2. MCP サービス登録 (`services.yaml`)

services:
  ball_manager:
    functions:
      - name: AddBall
        description: &quot;箱に指定色の玉を追加&quot;
        parameters:
          box_id: string
          color:  string
          count: integer
      - name: RemoveBall
        description: &quot;箱から指定色の玉を削除&quot;
        parameters:
          box_id: string
          color:  string
          count: integer
      - name: GetStatus
        description: &quot;箱の現在状態を取得&quot;
        parameters:
          box_id: string

services:

ball_manager:

functions:

- name: AddBall

description: "箱に指定色の玉を追加"

parameters:

box_id: string

color: string

- name: RemoveBall

description: "箱から指定色の玉を削除"

parameters:

box_id: string

color: string

- name: GetStatus

description: "箱の現在状態を取得"

parameters:

box_id: string

3‑3. Python ハンドラ実装 (`handlers.py`)

from pydantic import BaseModel

class AddBallReq(BaseModel):
    box_id: str
    color: str
    count: int

def add_ball(req: AddBallReq):
    # DB/インメモリ更新ロジック（簡易実装例）
    return {
        &quot;status&quot;: &quot;success&quot;,
        &quot;message&quot;: f&quot;{req.count} 個の {req.color} 玉を箱 {req.box_id} に追加しました&quot;
    }

# RemoveBall / GetStatus も同様に実装

from pydantic import BaseModel

class AddBallReq(BaseModel):

box_id: str

color: str

def add_ball(req: AddBallReq):

# DB/インメモリ更新ロジック（簡易実装例）

return {

"status": "success",

"message": f"{req.count} 個の {req.color} 玉を箱 {req.box_id} に追加しました"

}

# RemoveBall / GetStatus も同様に実装

3‑4. フロー概要

クライアントは自然言語（例: 「赤い玉を 3 個箱 A に入れて」）を MCP サーバーへ送信。
サーバーは LLM に対して関数呼び出し意図を解析させ、該当ハンドラ (add_ball) を実行。
ハンドラの戻り値が JSON でクライアントに返却される。

ポイント：このパターンは「CRUD 系業務」全般に適用可能です。

4. 外部 LLM（ベンダー非依存）連携と認証設定

4‑1. 認証情報の管理

.env に機密情報を保存し、Docker/K8s の Secret として注入します。

LLM_API_KEY=sk-******************
MCP_CLIENT_ID=your-mcp-client-id
MCP_CLIENT_SECRET=**************   # 暗号化済み推奨

LLM_API_KEY=sk-******************

MCP_CLIENT_ID=your-mcp-client-id

MCP_CLIENT_SECRET=************** # 暗号化済み推奨

4‑2. トークン取得ユーティリティ (`auth.py`)

import os, requests

def get_mcp_token() -&gt; str:
    resp = requests.post(
        &quot;https://mcp.example.com/oauth/token&quot;,
        data={
            &quot;client_id&quot;: os.getenv(&quot;MCP_CLIENT_ID&quot;),
            &quot;client_secret&quot;: os.getenv(&quot;MCP_CLIENT_SECRET&quot;),
            &quot;grant_type&quot;: &quot;client_credentials&quot;
        },
        timeout=5
    )
    resp.raise_for_status()
    return resp.json()[&quot;access_token&quot;]

import os, requests

def get_mcp_token() -> str:

resp = requests.post(

"https://mcp.example.com/oauth/token",

data={

"client_id": os.getenv("MCP_CLIENT_ID"),

"client_secret": os.getenv("MCP_CLIENT_SECRET"),

"grant_type": "client_credentials"

timeout=5

)

resp.raise_for_status()

return resp.json()["access_token"]

4‑3. LLM 呼び出しラッパー (`llm.py`)

import os, httpx

async def call_llm(messages: list[dict]) -&gt; str:
    headers = {
        &quot;Authorization&quot;: f&quot;Bearer {os.getenv('LLM_API_KEY')}&quot;,
        &quot;Content-Type&quot;: &quot;application/json&quot;
    }
    payload = {&quot;model&quot;: &quot;gpt-4o-mini&quot;, &quot;messages&quot;: messages}   # 例：OpenAI の最新モデル
    async with httpx.AsyncClient() as client:
        r = await client.post(
            &quot;https://api.openai.com/v1/chat/completions&quot;,
            json=payload,
            headers=headers,
            timeout=10
        )
        r.raise_for_status()
        return r.json()[&quot;choices&quot;][0][&quot;message&quot;][&quot;content&quot;]

import os, httpx

async def call_llm(messages: list[dict]) -> str:

headers = {

"Authorization": f"Bearer {os.getenv('LLM_API_KEY')}",

"Content-Type": "application/json"

}

payload = {"model": "gpt-4o-mini", "messages": messages} # 例：OpenAI の最新モデル

async with httpx.AsyncClient() as client:

r = await client.post(

"https://api.openai.com/v1/chat/completions",

json=payload,

headers=headers,

timeout=10

)

r.raise_for_status()

return r.json()["choices"][0]["message"]["content"]

注記
- 「gpt‑4.1」等の未公表モデル名は使用せず、公開されているモデル名（例: gpt-4o-mini）を示しています。
- LLM ベンダーは OpenAI だけでなく、Azure OpenAI Service、Anthropic Claude、Mistral 等、API 互換エンドポイントが提供されていれば同様に利用可能です。

4‑4. MCP 設定へのトークン自動注入

config/mcp.yaml の request_interceptor に以下のようなフックを設定します（疑似コード）。

request_interceptor:
  - module: auth.get_mcp_token
    inject_header: Authorization

request_interceptor:

- module: auth.get_mcp_token

inject_header: Authorization

5. 実装コード全体像と主要ライブラリ

ライブラリ	用途
FastAPI	非同期 API 定義、OpenAPI 自動生成
Pydantic	入出力モデルのバリデーション
httpx	非同期 HTTP クライアント（LLM 呼び出し）
uvicorn	ASGI サーバー（開発・本番）

`main.py`（エンドポイント例）

import uvicorn
from fastapi import FastAPI, Depends
from pydantic import BaseModel
from handlers import add_ball, remove_ball, get_status
from auth import get_mcp_token

app = FastAPI(title=&quot;MCP Ball Manager&quot;)

class BoxAction(BaseModel):
    box_id: str
    color: str
    count: int

@app.post(&quot;/add&quot;)
async def api_add(action: BoxAction, token: str = Depends(get_mcp_token)):
    return await add_ball(action)

@app.post(&quot;/remove&quot;)
async def api_remove(action: BoxAction, token: str = Depends(get_mcp_token)):
    return await remove_ball(action)

@app.get(&quot;/status/{box_id}&quot;)
async def api_status(box_id: str, token: str = Depends(get_mcp_token)):
    return await get_status(box_id)

if __name__ == &quot;__main__&quot;:
    uvicorn.run(&quot;main:app&quot;, host=&quot;0.0.0.0&quot;, port=8001, reload=True)

import uvicorn

from fastapi import FastAPI, Depends

from pydantic import BaseModel

from handlers import add_ball, remove_ball, get_status

from auth import get_mcp_token

app = FastAPI(title="MCP Ball Manager")

class BoxAction(BaseModel):

box_id: str

color: str

@app.post("/add")

async def api_add(action: BoxAction, token: str = Depends(get_mcp_token)):

return await add_ball(action)

@app.post("/remove")

async def api_remove(action: BoxAction, token: str = Depends(get_mcp_token)):

return await remove_ball(action)

@app.get("/status/{box_id}")

async def api_status(box_id: str, token: str = Depends(get_mcp_token)):

return await get_status(box_id)

if __name__ == "__main__":

uvicorn.run("main:app", host="0.0.0.0", port=8001, reload=True)

依存パッケージインストール

pip install &quot;fastapi[all]&quot; pydantic httpx uvicorn

1 2	pip install "fastapi[all]" pydantic httpx uvicorn

6. テスト・デバッグ、CI/CD、Kubernetes デプロイ

6‑1. ユニットテスト（pytest）

pytest tests/ -v

1 2	pytest tests/ -v

tests/test_handlers.py の抜粋：

from handlers import add_ball
from pydantic import BaseModel

class DummyReq(BaseModel):
    box_id: str = &quot;A1&quot;
    color:  str = &quot;red&quot;
    count:  int = 3

def test_add_ball():
    resp = add_ball(DummyReq())
    assert resp[&quot;status&quot;] == &quot;success&quot;

from handlers import add_ball

from pydantic import BaseModel

class DummyReq(BaseModel):

box_id: str = "A1"

color: str = "red"

def test_add_ball():

resp = add_ball(DummyReq())

assert resp["status"] == "success"

6‑2. Docker イメージ作成

# Dockerfile
FROM python:3.11-slim
WORKDIR /app
COPY . .
RUN pip install --no-cache-dir -r requirements.txt
CMD [&quot;uvicorn&quot;, &quot;main:app&quot;, &quot;--host&quot;, &quot;0.0.0.0&quot;, &quot;--port&quot;, &quot;8001&quot;]

# Dockerfile

FROM python:3.11-slim

WORKDIR /app

COPY . .

RUN pip install --no-cache-dir -r requirements.txt

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8001"]

docker build -t mcp-ball-manager:latest .

1 2	docker build -t mcp-ball-manager:latest .

6‑3. Kubernetes デプロイ例 (`k8s/deployment.yaml`)

apiVersion: apps/v1
kind: Deployment
metadata:
  name: ball-manager
spec:
  replicas: 2
  selector:
    matchLabels:
      app: ball-manager
  template:
    metadata:
      labels:
        app: ball-manager
    spec:
      containers:
        - name: api
          image: mcp-ball-manager:latest
          ports:
            - containerPort: 8001
          envFrom:
            - secretRef:
                name: mcp-secrets   # OPENAI_API_KEY, MCP_CLIENT_*
---
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: ball-manager-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: ball-manager
  minReplicas: 2
  maxReplicas: 10
  metrics:
    - type: Resource
      resource:
        name: cpu
        target:
          type: Utilization
          averageUtilization: 70

apiVersion: apps/v1

kind: Deployment

metadata:

spec:

replicas: 2

selector:

matchLabels:

app: ball-manager

template:

metadata:

labels:

app: ball-manager

spec:

containers:

- name: api

image: mcp-ball-manager:latest

ports:

- containerPort: 8001

envFrom:

- secretRef:

---

apiVersion: autoscaling/v2

kind: HorizontalPodAutoscaler

metadata:

spec:

scaleTargetRef:

apiVersion: apps/v1

kind: Deployment

minReplicas: 2

maxReplicas: 10

metrics:

- type: Resource

resource:

target:

type: Utilization

averageUtilization: 70

6‑4. 運用上のベストプラクティス

項目	推奨設定
シークレット管理	K8s `Secret`、または HashiCorp Vault 等で暗号化保存
認証強制	全エンドポイントに `Authorization: Bearer <MCP_TOKEN>` を必須化し、ミドルウェアで検証
ロギング	JSON 形式で標準出力 → Fluentd/Logstash 経由で集約
モニタリング	Prometheus のメトリクスエクスポート + Grafana ダッシュボード
ヘルスチェック	`/health` エンドポイントで 200 を返すよう実装

7. 次のステップ

公式リポジトリとドキュメント（GitHub・MCP Docs）をクローンし、ローカルでサンプルが動くことを確認。
自社の業務フローに合わせて サービス定義 (services.yaml) とハンドラをカスタマイズ。
CI/CD パイプライン（GitHub Actions / GitLab CI）にテスト・Docker ビルド・K8s デプロイを組み込み、継続的デリバリー体制を構築。
本番環境では スケーラビリティ と セキュリティ を意識した設定（HPA、Secret 管理、監査ログ）を必ず有効化。

以上の手順に従うことで、ベンダーロックインせずに MCP ベースの AI エージェントを安全・高速に導入でき、業務自動化や顧客対応の高度化を実現できます。

本稿は 2026 年時点で入手可能な公開情報に基づき執筆しています。製品リリースや API の変更が生じた場合は、公式ドキュメントをご確認ください。

スポンサードリンク

お得なお知らせ

スポンサードリンク

タイプ別にすぐ選べる

AIエージェント開発、どこから始める？

MCP・Claude・LangGraph…進化が速い領域こそ「体系学習 or 1冊集中」のどちらかを選ぶのが近道です。

▷ プロ講師から体系的に学んで"仕事で使えるAIエンジニア"になりたい人

東京AIスクール｜無料説明会で相談▶

▷ 独学派で、まず1冊を読み込んで手を動かしたいエンジニア

【kindle本】Claude CodeによるAI駆動開発入門 ▶

※スクールは説明会のみでもOK。書籍は紙・電子どちらでも

▶ 実装リファレンスには【kindle本】実践Claude Code入門が便利です。

-MCP

comment コメントをキャンセル

: MCP

MCPとA2Aの違い徹底比較｜エージェント連携選び方ガイド

MCPはシンプルな同期呼び出し、A2Aは非同期協調タスク。両者の特徴と選定ポイントをまとめました。

: MCP

MCPの脆弱性と自動リメディエーション：Claude・Snyk・Sysdig活用ガイド

MCP環境で頻出するCVE、パストラバーサル、権限過剰、プロンプトインジェクションの対策と、Claude、Snyk、Sysdigを組み合わせた自動リメディエーション手順を詳しく紹介します。

: MCP

2026年版MCP資格の市場価値とおすすめ書籍ガイド

AI・クラウドが主流となる2026年、MCP資格は即戦力として評価が高く、取得で年収や転職成功率が向上します。

: MCP

MCP認定試験の取得要件とスクール・独学徹底比較【2026年最新】

Microsoft認定資格MCPの取得要件と、スクール受講と独学それぞれのメリット・デメリット、具体的な学習法やスケジュールを2026年最新情報で解説します。

: MCP

MCPとA2A徹底比較：概要・ベンチマーク・実装ガイド

MCPはツール呼び出し向けの同期プロトコル、A2Aはエージェント間通信を実現する非同期バス型プロトコルとして、それぞれの特徴とベンチマークを比較します。

ITエンジニア研修完全ガイド：未経験者が2026年に身につくスキルとおすすめサービス比較

フリーランス新法の概要と実務対応ガイド

MCPでAIエージェントをゼロから構築する完全ガイド【2025最新実装】

1. MCP の概要と C/S アーキテクチャ

アーキテクチャ図（概要）

2. 開発環境の構築手順

前提条件

手順概要

3. AI エージェント機能設計：サンプルユースケース「箱の中の玉」

3‑1. ビジネス要件（関数カタログ）

3‑2. MCP サービス登録 (services.yaml)

3‑3. Python ハンドラ実装 (handlers.py)

3‑4. フロー概要

4. 外部 LLM（ベンダー非依存）連携と認証設定

4‑1. 認証情報の管理

4‑2. トークン取得ユーティリティ (auth.py)

4‑3. LLM 呼び出しラッパー (llm.py)

4‑4. MCP 設定へのトークン自動注入

5. 実装コード全体像と主要ライブラリ

main.py（エンドポイント例）

依存パッケージインストール

6. テスト・デバッグ、CI/CD、Kubernetes デプロイ

6‑1. ユニットテスト（pytest）

6‑2. Docker イメージ作成

6‑3. Kubernetes デプロイ例 (k8s/deployment.yaml)

6‑4. 運用上のベストプラクティス

7. 次のステップ

3‑2. MCP サービス登録 (`services.yaml`)

3‑3. Python ハンドラ実装 (`handlers.py`)

4‑2. トークン取得ユーティリティ (`auth.py`)

4‑3. LLM 呼び出しラッパー (`llm.py`)

`main.py`（エンドポイント例）

6‑3. Kubernetes デプロイ例 (`k8s/deployment.yaml`)