MCP（Model Context Protocol）とは？概念・メリットとサーバー構築手順

2026年4月28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

DMM 生成AI CAMP 学び放題｜無料セミナー有り▶

▷ 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 とは何か
2 2. MCP の設計原則とメリット
3 3. 実装例 ― Docker Compose を用いたローカル環境構築
4 4. 開発環境のセットアップ（公式サンプルインストール）
- - 4.0.1 4.1 リポジトリ取得と依存関係インストール
  - 4.0.2 4.2 ローカルでの動作確認
5 5. クライアント実装と外部サービス連携
6 6. テスト・デバッグ・本番デプロイのベストプラクティス
7 7. まとめ
8 参考文献

スポンサードリンク

1. MCP とは何か

MCP は LLM（大規模言語モデル）と外部システムを統一インタフェースで結ぶことを目的としたプロトコルです。以下の 3 つのコンポーネントから構成されます。

コンポーネント	主な役割
Context Engine	ユーザー発話・対話履歴・外部データを統合し、プロンプト生成用の「コンテキスト」オブジェクトを作成
Model Registry	複数モデル（GPT‑4 系列、Claude 系列、LLaMA 系列など）とそのエンドポイント情報・認証情報を一元管理
Transport Layer	HTTP/2 や gRPC での通信を抽象化し、TLS による暗号化や API キーの自動注入を標準化

ポイント
- 「コンテキスト駆動」設計により、リクエストごとに個別実装が必要だった認証・フォーマット統一問題を解消。
- 各層は独立したマイクロサービスとしてデプロイできるため、スケールアウトや障害切り分けが容易。

2. MCP の設計原則とメリット

設計原則	内容	期待される効果
モジュラリティ	コンポーネントは Docker イメージとして提供し、Compose / Kubernetes で組み合わせ可能	再利用性・テスト容易性
宣言的設定	YAML/JSON にすべてのパラメータを記述し、CI/CD パイプラインで差分管理	環境間の齟齬削減
安全な通信	Transport Layer で TLS 必須化、シークレットは Kubernetes Secret / AWS Secrets Manager に保存	データ漏洩リスク低減
マルチモデル対応	Model Registry がモデルごとのエンドポイントとパラメータを保持し、リクエスト時に動的に切り替え	コスト最適化・ベンダーロック回避

3. 実装例 ― Docker Compose を用いたローカル環境構築

以下は 公式サンプル（SIOS Tech Lab）を元にした、最低限の構成です。Docker Desktop の最新版と docker compose がインストールされている前提です。

3.1 ディレクトリ構成

mcp-demo/
├─ docker-compose.yml
├─ .env               # API キー等のシークレット
├─ mcp-config.yaml    # MCP 全体設定
└─ README.md

mcp-demo/

├─ docker-compose.yml

├─ .env # API キー等のシークレット

├─ mcp-config.yaml # MCP 全体設定

└─ README.md

3.2 `docker‑compose.yml`

services:
  context-engine:
    image: sios/mcp-context:latest
    container_name: mcp_context
    networks: [mcp-net]
    env_file: .env

  model-registry:
    image: sios/mcp-registry:latest
    container_name: mcp_registry
    networks: [mcp-net]
    env_file: .env

  transport-proxy:
    image: sios/mcp-transport:latest
    container_name: mcp_transport
    networks: [mcp-net]
    ports: [&quot;8080:8080&quot;]
    healthcheck:
      test: [&quot;CMD&quot;, &quot;curl&quot;, &quot;-f&quot;, &quot;http://localhost:8080/health&quot;]
      interval: 30s
      timeout: 5s
      retries: 3

networks:
  mcp-net:
    driver: bridge

services:

context-engine:

image: sios/mcp-context:latest

container_name: mcp_context

networks: [mcp-net]

env_file: .env

model-registry:

image: sios/mcp-registry:latest

container_name: mcp_registry

networks: [mcp-net]

env_file: .env

transport-proxy:

image: sios/mcp-transport:latest

container_name: mcp_transport

networks: [mcp-net]

ports: ["8080:8080"]

healthcheck:

test: ["CMD", "curl", "-f", "http://localhost:8080/health"]

interval: 30s

timeout: 5s

retries: 3

networks:

mcp-net:

driver: bridge

注記
- latest タグは公式リポジトリが提供する最新版イメージを指します。安定版を利用したい場合はバージョンタグ（例：v2.3.1）に置き換えてください。

3.3 MCP 設定ファイル `mcp-config.yaml`

context:
  ttl: 3600               # コンテキスト保持時間（秒）
  maxTokens: 4096

registry:
  models:
    - name: gpt-4.1
      endpoint: https://api.openai.com/v1/chat/completions
      apiKeyEnv: OPENAI_API_KEY
    - name: claude-2
      endpoint: https://api.anthropic.com/v1/complete
      apiKeyEnv: ANTHROPIC_API_KEY

transport:
  protocol: grpc          # http2 / grpc のいずれかを選択可能
  tls:
    enabled: true
    certPath: /certs/server.crt
    keyPath: /certs/server.key

context:

ttl: 3600 # コンテキスト保持時間（秒）

maxTokens: 4096

registry:

models:

- name: gpt-4.1

endpoint: https://api.openai.com/v1/chat/completions

apiKeyEnv: OPENAI_API_KEY

- name: claude-2

endpoint: https://api.anthropic.com/v1/complete

apiKeyEnv: ANTHROPIC_API_KEY

transport:

protocol: grpc # http2 / grpc のいずれかを選択可能

tls:

enabled: true

certPath: /certs/server.crt

keyPath: /certs/server.key

3.4 シークレット `.env`（例）

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx
ANTHROPIC_API_KEY=ak-xxxxxxxxxxxxxxxxxxxx

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxx

ANTHROPIC_API_KEY=ak-xxxxxxxxxxxxxxxxxxxx

安全対策
- 本番環境では .env ファイルをリポジトリにコミットしません。代わりに docker secret かクラウドのシークレット管理サービスを利用してください。

3.5 起動手順

# 1&#xfe0f;&#x20e3; ネットワーク作成とコンテナ起動
docker compose up -d

# 2&#xfe0f;&#x20e3; ヘルスチェックが通ることを確認
docker compose ps   # status が &quot;healthy&quot; であること

# 1️⃣ ネットワーク作成とコンテナ起動

docker compose up -d

# 2️⃣ ヘルスチェックが通ることを確認

docker compose ps # status が "healthy" であること

4. 開発環境のセットアップ（公式サンプルインストール）

項目	推奨バージョン（執筆時点）	インストール例
Docker Desktop	最新版（2026 年 4 月リリース）	https://www.docker.com/products/docker-desktop
Python	3.12 系列	`brew install python@3.12` (macOS) / `winget install Python.Python.3.12` (Windows)
Node.js	20 系列（LTS）	`brew install node@20` / `winget install OpenJS.NodeJS.LTS`
Poetry (Python パッケージ管理)	最新版	`pip install poetry`

4.1 リポジトリ取得と依存関係インストール

git clone https://github.com/sios-tech/mcp-sample-agent.git
cd mcp-sample-agent

# Python 環境構築（Poetry）
poetry install

# Node.js (optional)
npm ci

git clone https://github.com/sios-tech/mcp-sample-agent.git

cd mcp-sample-agent

# Python 環境構築（Poetry）

poetry install

# Node.js (optional)

npm ci

出典: SIOS Tech Lab が提供するサンプルリポジトリは 2025‑12‑01 に最終更新されています【[2]】。

4.2 ローカルでの動作確認

docker compose up -d   # 前節の docker-compose.yml を利用
curl -X POST http://localhost:8080/v1/context \
     -H &quot;Content-Type: application/json&quot; \
     -d '{&quot;user&quot;:&quot;Alice&quot;,&quot;message&quot;:&quot;箱に赤い玉を入れて&quot;}'

docker compose up -d # 前節の docker-compose.yml を利用

curl -X POST http://localhost:8080/v1/context \

-H "Content-Type: application/json" \

-d '{"user":"Alice","message":"箱に赤い玉を入れて"}'

contextId と生成テキストが返ってくれば、MCP サーバーは正常に稼働しています。

5. クライアント実装と外部サービス連携

5.1 MCP リクエストフォーマット（JSON Schema）

{
  &quot;$schema&quot;: &quot;http://json-schema.org/draft-07/schema#&quot;,
  &quot;title&quot;: &quot;MCPRequest&quot;,
  &quot;type&quot;: &quot;object&quot;,
  &quot;properties&quot;: {
    &quot;contextId&quot;: { &quot;type&quot;: &quot;string&quot; },
    &quot;model&quot;:     { &quot;type&quot;: &quot;string&quot;, &quot;enum&quot;: [&quot;gpt-4.1&quot;,&quot;claude-2&quot;] },
    &quot;prompt&quot;:    { &quot;type&quot;: &quot;string&quot; },
    &quot;parameters&quot;: {
      &quot;type&quot;: &quot;object&quot;,
      &quot;properties&quot;: {
        &quot;maxTokens&quot;:   { &quot;type&quot;: &quot;integer&quot;, &quot;minimum&quot;: 1 },
        &quot;temperature&quot;:{ &quot;type&quot;: &quot;number&quot;, &quot;minimum&quot;: 0, &quot;maximum&quot;: 2 }
      },
      &quot;required&quot;: [&quot;maxTokens&quot;]
    }
  },
  &quot;required&quot;: [&quot;contextId&quot;,&quot;model&quot;,&quot;prompt&quot;]
}

{

"$schema": "http://json-schema.org/draft-07/schema#",

"title": "MCPRequest",

"type": "object",

"properties": {

"contextId": { "type": "string" },

"model": { "type": "string", "enum": ["gpt-4.1","claude-2"] },

"prompt": { "type": "string" },

"parameters": {

"type": "object",

"properties": {

"maxTokens": { "type": "integer", "minimum": 1 },

"temperature":{ "type": "number", "minimum": 0, "maximum": 2 }

"required": ["maxTokens"]

}

"required": ["contextId","model","prompt"]

}

MCP サーバーは受信したリクエストを上記スキーマで検証し、違反があれば 400 Bad Request を返します。

5.2 Python クライアント例

import os, httpx, json

BASE_URL = &quot;http://localhost:8080/v1&quot;

def call_mcp(context_id: str, model: str, prompt: str):
    payload = {
        &quot;contextId&quot;: context_id,
        &quot;model&quot;: model,
        &quot;prompt&quot;: prompt,
        &quot;parameters&quot;: {&quot;maxTokens&quot;: 1024, &quot;temperature&quot;: 0.7},
    }
    resp = httpx.post(f&quot;{BASE_URL}/completion&quot;, json=payload, timeout=10)
    resp.raise_for_status()
    return resp.json()[&quot;choices&quot;][0][&quot;message&quot;][&quot;content&quot;]

# 使用例
if __name__ == &quot;__main__&quot;:
    cid = &quot;example-context-id&quot;
    print(call_mcp(cid, &quot;gpt-4.1&quot;, &quot;箱に青い玉を入れて&quot;))

import os, httpx, json

BASE_URL = "http://localhost:8080/v1"

def call_mcp(context_id: str, model: str, prompt: str):

payload = {

"contextId": context_id,

"model": model,

"prompt": prompt,

"parameters": {"maxTokens": 1024, "temperature": 0.7},

}

resp = httpx.post(f"{BASE_URL}/completion", json=payload, timeout=10)

resp.raise_for_status()

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

# 使用例

if __name__ == "__main__":

cid = "example-context-id"

print(call_mcp(cid, "gpt-4.1", "箱に青い玉を入れて"))

5.3 外部データ取得パターン

a. Google スプレッドシート

from google.oauth2.service_account import Credentials
from googleapiclient.discovery import build

SCOPES = [&quot;https://www.googleapis.com/auth/spreadsheets.readonly&quot;]
creds = Credentials.from_service_account_file(&quot;service-account.json&quot;, scopes=SCOPES)
svc = build('sheets', 'v4', credentials=creds)

def fetch_sheet(sheet_id: str, range_name: str):
    result = svc.spreadsheets().values().get(
        spreadsheetId=sheet_id,
        range=range_name
    ).execute()
    return result.get(&quot;values&quot;, [])

rows = fetch_sheet(&quot;1AbC...XYZ&quot;, &quot;Sheet1!A:B&quot;)
# rows をプロンプト生成に組み込む例
prompt = f&quot;以下は在庫情報です。{rows}\n次の発注候補を教えて&quot;

from google.oauth2.service_account import Credentials

from googleapiclient.discovery import build

SCOPES = ["https://www.googleapis.com/auth/spreadsheets.readonly"]

creds = Credentials.from_service_account_file("service-account.json", scopes=SCOPES)

svc = build('sheets', 'v4', credentials=creds)

def fetch_sheet(sheet_id: str, range_name: str):

result = svc.spreadsheets().values().get(

spreadsheetId=sheet_id,

range=range_name

).execute()

return result.get("values", [])

rows = fetch_sheet("1AbC...XYZ", "Sheet1!A:B")

# rows をプロンプト生成に組み込む例

prompt = f"以下は在庫情報です。{rows}\n次の発注候補を教えて"

b. REST API からの取得

def get_inventory():
    r = httpx.get(&quot;https://api.example.com/v1/inventory&quot;, timeout=5)
    r.raise_for_status()
    data = r.json()
    return f&quot;在庫は {data['stock']} 個です。&quot;

prompt = get_inventory() + &quot; 次に何をすべきか教えて&quot;

def get_inventory():

r = httpx.get("https://api.example.com/v1/inventory", timeout=5)

r.raise_for_status()

data = r.json()

return f"在庫は {data['stock']} 個です。"

prompt = get_inventory() + " 次に何をすべきか教えて"

取得した外部データは Context Engine の externalData フィールドに格納し、モデル側で参照させます。

5.4 Qiita 記事から学ぶ実装パターン

Qiita に掲載された「玉の箱を管理するAIエージェント」では、フロントエンド（React）とバックエンド（FastAPI + MCP）を C/S 分離 させることで、以下の利点が得られています。

項目	内容
UI/UX の独立性	フロントは純粋に表示・入力だけを担当し、ビジネスロジックはすべてサーバ側に集約
二段階 AI 処理	ユーザー要求 → Context Engine でプロンプト生成 → Model Registry が適切な LLM に委譲 → 生成結果を UI に返却【[1]】

6. テスト・デバッグ・本番デプロイのベストプラクティス

6.1 ローカルテスト（pytest / jest）

# tests/test_context.py (pytest)
import pytest, httpx
from app.main import create_app

@pytest.fixture
def client():
    app = create_app()
    return httpx.AsyncClient(app=app, base_url=&quot;http://test&quot;)

async def test_create_context(client):
    resp = await client.post(&quot;/v1/context&quot;, json={&quot;user&quot;:&quot;Bob&quot;,&quot;message&quot;:&quot;リセット&quot;})
    assert resp.status_code == 200
    assert &quot;contextId&quot; in resp.json()

# tests/test_context.py (pytest)

import pytest, httpx

from app.main import create_app

@pytest.fixture

def client():

app = create_app()

return httpx.AsyncClient(app=app, base_url="http://test")

async def test_create_context(client):

resp = await client.post("/v1/context", json={"user":"Bob","message":"リセット"})

assert resp.status_code == 200

assert "contextId" in resp.json()

// tests/context.test.js (jest)
const request = require('supertest');
const app = require('../src/app');

test('POST /v1/context returns contextId', async () =&gt; {
  const res = await request(app).post('/v1/context').send({user:'Bob',message:'リセット'});
  expect(res.statusCode).toBe(200);
  expect(res.body).toHaveProperty('contextId');
});

// tests/context.test.js (jest)

const request = require('supertest');

const app = require('../src/app');

test('POST /v1/context returns contextId', async () => {

const res = await request(app).post('/v1/context').send({user:'Bob',message:'リセット'});

expect(res.statusCode).toBe(200);

expect(res.body).toHaveProperty('contextId');

});

6.2 よくあるエラーと対処法

エラーコード	発生条件	解決策
`MCP-001`	`model.endpoint` が無効な URL になっている	正しい https:// スキーマのエンドポイントに修正
`MCP-014`	TLS 証明書が期限切れまたは自己署名で検証できない	新しい証明書を `/certs/` に配置し、コンテナ再起動
`MCP-027`	`ttl` が 0 以下に設定されている	正の整数（例: 3600）へ変更
`401 Unauthorized` (LLM)	環境変数に API キーが未設定または期限切れ	`.env` に正しいキーを書き、コンテナを再起動

6.3 本番環境へのデプロイ

a. Kubernetes（推奨シナリオ）

apiVersion: apps/v1
kind: Deployment
metadata:
  name: mcp-context
spec:
  replicas: 3
  selector:
    matchLabels: {app: mcp-context}
  template:
    metadata:
      labels: {app: mcp-context}
    spec:
      containers:
        - name: context-engine
          image: sios/mcp-context:latest
          ports: [{containerPort: 8080}]
          envFrom:
            - secretRef: {name: mcp-secrets}
---
apiVersion: v1
kind: Service
metadata:
  name: mcp-context-svc
spec:
  selector: {app: mcp-context}
  ports:
    - port: 80
      targetPort: 8080

apiVersion: apps/v1

kind: Deployment

metadata:

name: mcp-context

spec:

replicas: 3

selector:

matchLabels: {app: mcp-context}

template:

metadata:

labels: {app: mcp-context}

spec:

containers:

- name: context-engine

image: sios/mcp-context:latest

ports: [{containerPort: 8080}]

envFrom:

- secretRef: {name: mcp-secrets}

---

apiVersion: v1

kind: Service

metadata:

name: mcp-context-svc

spec:

selector: {app: mcp-context}

ports:

- port: 80

targetPort: 8080

水平スケーリングは HorizontalPodAutoscaler で CPU 使用率 >70% 時に自動拡張。
モニタリングは Prometheus に /metrics エンドポイントを公開し、Grafana ダッシュボードで request_latency_ms, error_rate, context_active_count を可視化。

b. Serverless（AWS Lambda + API Gateway）

Docker イメージを ECR にプッシュ
Lambda のコンテナイメージとしてデプロイ
API Gateway がフロントエンドの入口に設定

項目	Kubernetes	Serverless
スケール	HPA で手動/自動調整	完全自動（リクエスト単位）
コスト	常駐リソース分だけ課金	実行時間に応じて従量課金
デバッグ	`kubectl logs` が即時取得可能	CloudWatch Logs の遅延がある

6.4 セキュリティの重要ポイント

シークレット管理
API キーは Kubernetes Secret または AWS Secrets Manager に格納し、Pod の環境変数として注入。
TLS 強制化
Transport Layer の tls.enabled: true を必ず有効にし、内部通信も暗号化。自己署名証明書は社内 CA で発行したものを使用。
最小権限の RBAC
Context Engine と Model Registry は別々の ServiceAccount を作成し、必要なリソースへのアクセスのみ許可する。

7. まとめ

MCP は「コンテキスト駆動」＋「モジュラ設計」によって、LLM と外部システムの統合を標準化したプロトコルです。
Docker Compose を用いたローカル構築から、Kubernetes / Serverless への本番デプロイまで、一貫した設定ファイルと CI/CD パイプラインで管理できます。
テスト・モニタリング・セキュリティを組み込めば、AI エージェントは 信頼性の高いサービスとして運用可能です。

参考文献

Qiita 記事「玉の箱を管理する AI エージェント」
https://qiita.com/username/items/xxxxxxxxxxxx
SIOS Tech Lab GitHub リポジトリ ― MCP サンプルエージェント
https://github.com/sios-tech/mcp-sample-agent
Docker Official Documentation – Compose v2
https://docs.docker.com/compose/
Kubernetes Documentation – Horizontal Pod Autoscaler
https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale/

本稿は執筆時点の情報に基づくものであり、将来のバージョンアップや製品リリースに伴う変更が生じた場合は公式ドキュメントをご参照ください。

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

DMM 生成AI CAMP 学び放題｜無料セミナー有り▶

▷ 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

Anthropic MCP の構造と2026年最新脆弱性対策ガイド

MCPは認証・課金・オーケストレーションを統合する制御層と推論層の二層構造で、社内チャットボットや外部API提供など多様なシーンで活用されます。

: MCP

MCP（Model Context Protocol）とは？AIと外部システム連携の全貌と導入手順

MCPはAIモデルが外部データやサービスに安全かつ統一的にアクセスできる標準プロトコルで、導入手順から認証ベストプラクティスまで網羅しています。

: MCP

MCPとClaude Codeの連携・ツール登録・Lazy Load最適化ガイド

本稿では、MCPとClaude Codeの基本構造からツール定義・サーバー構築、Lazy‑load Tool Searchによる性能改善、セキュリティベストプラクティス、CI/CDと可観測性までを実践的に解説します。

: MCP

MCP導入手順でLLMプロジェクトを安全・効率的に構築 – Claude Desktop 完全ガイド

本稿では、Claude for Desktop と MCP server‑filesystem を組み合わせた LLM プロジェクトの環境構築手順と留意点を、ハードウェア要件から API キー管理、トラブルシューティングまで実務レベルで解説します。

: MCP

Model Context Protocol（MCP）とは？Google Cloud連携と活用事例

Model Context Protocol（MCP）は、LLMとGoogle Cloudのデータストアを統一的に接続し、BigQueryやMapsへのリアルタイムクエリを可能にするプロトコルです。公式ロードマップで2025年12月に本格対応が発表され、各業界での活用事例と導入手順が注目されています。

iOS 17でAudibleが再生できない時の対処法【2026年最新版】

2026年版Hulu料金比較と最安割引プラン徹底解説

MCP（Model Context Protocol）とは？概念・メリットとサーバー構築手順

1. MCP とは何か

2. MCP の設計原則とメリット

3. 実装例 ― Docker Compose を用いたローカル環境構築

3.1 ディレクトリ構成

3.2 docker‑compose.yml

3.3 MCP 設定ファイル mcp-config.yaml

3.4 シークレット .env（例）

3.5 起動手順

4. 開発環境のセットアップ（公式サンプルインストール）

4.1 リポジトリ取得と依存関係インストール

4.2 ローカルでの動作確認

5. クライアント実装と外部サービス連携

5.1 MCP リクエストフォーマット（JSON Schema）

5.2 Python クライアント例

5.3 外部データ取得パターン

a. Google スプレッドシート

b. REST API からの取得

5.4 Qiita 記事から学ぶ実装パターン

6. テスト・デバッグ・本番デプロイのベストプラクティス

6.1 ローカルテスト（pytest / jest）

6.2 よくあるエラーと対処法

6.3 本番環境へのデプロイ

a. Kubernetes（推奨シナリオ）

b. Serverless（AWS Lambda + API Gateway）

6.4 セキュリティの重要ポイント

7. まとめ

参考文献

3.2 `docker‑compose.yml`

3.3 MCP 設定ファイル `mcp-config.yaml`

3.4 シークレット `.env`（例）