MCPとは？仕組み、活用方法、使い方、料金、特徴を実際の活用事例を含めて徹底解説！

2024年11月、Anthropic社が、AIアシスタントとデータソース間の接続を標準化する新しいオープンスタンダードとなる「Model Context Protocol（MCP）」を発表しました。 ​MCPは、AIシステムがコンテンツリポジトリ、ビジネスツール、開発環境などの外部データソースと簡単に連携し、より関連性の高い応答を生成できるように設計されています。

本記事では、​Claude MCPの仕組み、活用方法、使い方や料金を実際の活用事例を含めて徹底解説します。​

AI MarketではLLMに強いAI開発会社の選定・紹介を行っています。貴社に最適な会社に手間なく数日で出会えます。貴社の要望に応えることが可能な企業複数社の紹介が可能で、相見積もり・比較もすぐに実施可能。

プロのAIコンサルタントが貴社の代わりに数社選定しますので、開発会社の選定に迷ったり、相談方法がわからなかったら、累計1,000件以上の相談実績を持つAI Marketへ、いつでもお気軽にご相談ください。

LLMに強いAI開発会社をご自分で選びたい場合はこちらで特集していますので併せてご覧ください。

MCPとは？

MCP（Model Context Protocol）は、LLM（大規模言語モデル）を用いたAIアプリケーションが、外部のデータソースやツールと安全かつ柔軟に接続・連携するための、Anthropicが開発したオープンプロトコルで、GitHubで公開されています。

このプロトコルは、各システムやサービスごとに個別の連携コードを実装する必要をなくし、統一されたインターフェースを通じて多様なデータやツールにアクセスできる環境を提供します。

例えるなら、MCPはAIアプリケーション向けの「USB-Cポート」のようなものであり、異なるデバイスやサービス間の接続方法を標準化することで、拡張性と互換性の高いエコシステムを実現しています。

GitHub｜Model Context Protocol

MCPとClaude MCPの違い

MCPは、Claudeの提供元であるAnthropicがMCPを開発したため、「Claude用のプロトコル」のように見えるかもしれません。しかし、MCPはAnthropicが開発した、誰でも実装・利用できるオープンプロトコルです。

Anthropic自身は、このMCPという技術を活用して、Claudeが外部ツールと連携する機能「Claude Integrations」を提供しています。Claude Integrationsは、MCPの強力な活用事例の一つです。

MCPはオープンソースとして仕様とSDK（TypeScript・Pythonなど）が公開されており、他のAIアプリケーションやLLMベンダーでも自由に採用・実装可能です。

Claude DesktopやClaude APIが初期のMCPホストとして代表的な存在になっていますが、Claudeに限定された技術ではありません。

▼累計1,000件以上の相談実績！お客様満足度96.8%！▼

MCPの活用イメージ

MCPを利用することで、以下のような高度な連携が可能になります。

• Google Drive上のドキュメントを検索・要約
• Slackのチャット履歴を参照し、文脈に即した応答を生成
• GitHubのリポジトリからコードやコミット履歴を取得し、コードレビューや開発支援を実施
• ローカルPC内のファイルやデータベースにアクセスして、社内業務をサポート

これらはすべて、MCPに対応したLLMアプリケーションから、統一されたプロトコルを通じて実現されます。

MCPの仕組み：構成とアーキテクチャ

MCPは、以下の主要コンポーネントからなるクライアント・サーバ型のアーキテクチャに基づいて設計されています。

MCPとAgent2Agent（A2A）との違い

MCPと混同されがちな技術用語にAgent2Agent（A2A）があります。

MCPは「LLMエージェント↔データ／ツール」をつなぐプロトコルで、単一エージェントが外部情報を取得して推論を強化します。

これに対してA2Aは「エージェント↔エージェント」協調用で、クライアント→リモートへのタスク移譲により複数エージェントが並列連携します。

つまりMCPが外部環境へ拡張するUSB-Cなら、A2Aは異種エージェントを束ねる「ハブ」という違いがあり、両者は補完関係にあります。

関連記事：「Agent2Agentとは？AIエージェントを繋ぐプロトコルの特徴や仕組み」

MCPの特徴とできること

MCPの主な特徴と機能は以下のとおりです。

• オープンソース：誰でも利用・実装が可能で、開発者は共通の標準に基づいてAIとデータソースを連携可能
• 双方向接続：​AIモデルと外部システム間の双方向の通信を可能にし、AIが外部データにアクセスするだけでなく、外部システム上でのアクションも実行可能にする
• 安全性：​アクセス制御や認証メカニズムを備えており、安全なデータ連携を実現
• 拡張性：​開発者が新しいデータソースやツール（PC内のファイル、社内システム、GitHub等）を容易に追加できるように設計されており、AIシステムの機能拡張が容易

▼累計1,000件以上の相談実績！お客様満足度96.8%！▼

Claude MCPの料金

MCP自体はオープンソースのプロトコルであり、無料で利用できます。​ただし、MCPを活用するためのツールやサービス、例えばClaudeの各種プランなどは、それぞれの料金体系が適用されます。​

2025年3月時点で、Claudeを使用する場合は無料プランでも十分に利用することができますが、Claude 3.7などの高度な最新モデルをたくさん使用したい場合は、利用上限が高くなる月額18ドルのProプランなどの有料プランに加入する必要があります。

詳しくは、以下のレビュー記事をご参照ください。
Claude 3.7 Sonnetとは？使い方・料金・性能を検証レビュー！

Claude MCPの使い方

ここでは、ClaudeでMCPを使う方法について解説していきます。

2025年3月時点で、ClaudeのWeb版ではMCPは使えないので、Claudeのデスクトップ版を使う必要があります。なお、Web版のMCPへの対応は現在開発中のようです。

基本的な流れ

ClaudeでMCPを使う際の一般的な手順は以下の通りになります。

1. MCPサーバーの準備
   MCPの機能を利用するためには、まずMCPサーバーを構築または利用する必要があります。サーバーは、リソース (ファイルのようなデータ)、ツール (LLMが実行できる関数)、プロンプト (特定のタスクを支援するテンプレート) などの機能を提供できます。天気予報を取得するサーバーやGitHubを操作するサーバーなどが例として挙げられます。
2. Claude Desktopの設定
   MCPサーバーをClaudeで使用するためには、Claudeの設定ファイル (claude_desktop_config.json) にサーバーの情報を登録する必要があります。
3. Claude Desktopでの利用
   設定後、Claude Desktop内で指示を入力することで、登録したMCPサーバーの機能を利用できます。Claudeは、利用可能なツールを分析し、どのツールを使用するかを決定します。

具体的な流れ

ここでは、簡単な天気予報サーバーをPythonで構築する手順について解説していきます。OSはWindowsを使用しており、Pythonのバージョン3.10以上がインストール済みであることを前提としています。

Pythonのインストールが済んでいない場合は、Pythonのダウンロードサイトから、適切なバージョンを選択しインストールをしましょう。

1. Claudeのデスクトップアプリをインストール

デスクトップアプリをインストールしていない場合は、以下の手順に従い、インストールを行いましょう。

まず、ダウンロードページからファイルをダウンロードします。

次に、ダウンロードが完了したらファイルを開き、アプリのインストールを行います。

最後に、アプリのインストールも完了したら、アプリを開きアカウントのサインインをします。Googleアカウントなどでサインインが可能です。

2. 環境の設定

1. PowerShellを起動
2. プロジェクトを作成

   uv init weather

   cd weather

   以上を順に実行することで、weatherという名前のプロジェクトを作成し、weatherに移動することができます。uvがインストールされていない場合は

   pip install uv

   を実行しましょう。

3. 仮想環境の作成

   uv venv

   .\.venv\Scripts\activate

   以上により、仮想環境を作成し、それを起動することができます。

4. MCPのCLI 機能付きパッケージをインストール

   uv add mcp[cli] httpx

5. サーバーファイルの作成

   new-item weather.py

3. サーバーの構築

weather.pyに以下の内容を書き込みます。これにより、天気警報や天気予報の情報を取得することができるようになります。

from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP

# Initialize FastMCP server
mcp = FastMCP("weather")

# Constants
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"

async def make_nws_request(url: str) -> dict[str, Any] | None:
    """Make a request to the NWS API with proper error handling."""
    headers = {
        "User-Agent": USER_AGENT,
        "Accept": "application/geo+json"
    }
    async with httpx.AsyncClient() as client:
        try:
            response = await client.get(url, headers=headers, timeout=30.0)
            response.raise_for_status()
            return response.json()
        except Exception:
            return None

def format_alert(feature: dict) -> str:
    """Format an alert feature into a readable string."""
    props = feature["properties"]
    return f"""
Event: {props.get('event', 'Unknown')}
Area: {props.get('areaDesc', 'Unknown')}
Severity: {props.get('severity', 'Unknown')}
Description: {props.get('description', 'No description available')}
Instructions: {props.get('instruction', 'No specific instructions provided')}
"""

@mcp.tool()
async def get_alerts(state: str) -> str:
    """Get weather alerts for a US state.

    Args:
        state: Two-letter US state code (e.g. CA, NY)
    """
    url = f"{NWS_API_BASE}/alerts/active/area/{state}"
    data = await make_nws_request(url)

    if not data or "features" not in data:
        return "Unable to fetch alerts or no alerts found."

    if not data["features"]:
        return "No active alerts for this state."

    alerts = [format_alert(feature) for feature in data["features"]]
    return "\n---\n".join(alerts)

@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    """Get weather forecast for a location.

    Args:
        latitude: Latitude of the location
        longitude: Longitude of the location
    """
    # First get the forecast grid endpoint
    points_url = f"{NWS_API_BASE}/points/{latitude},{longitude}"
    points_data = await make_nws_request(points_url)

    if not points_data:
        return "Unable to fetch forecast data for this location."

    # Get the forecast URL from the points response
    forecast_url = points_data["properties"]["forecast"]
    forecast_data = await make_nws_request(forecast_url)

    if not forecast_data:
        return "Unable to fetch detailed forecast."

    # Format the periods into a readable forecast
    periods = forecast_data["properties"]["periods"]
    forecasts = []
    for period in periods[:5]:  # Only show next 5 periods
        forecast = f"""
{period['name']}:
Temperature: {period['temperature']}°{period['temperatureUnit']}
Wind: {period['windSpeed']} {period['windDirection']}
Forecast: {period['detailedForecast']}
"""
        forecasts.append(forecast)

    return "\n---\n".join(forecasts)

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run(transport='stdio')

4. サーバーとClaudeの接続

claude_desktop_config.jsonというファイルを編集し、接続の設定をしていきます。

VS Codeがインストールされている場合は、

code $env:AppData\Claude\claude_desktop_config.json

でファイルを編集することができます。インストールされていない場合は、以下の手順でファイルを開きましょう。

1. 設定を開く
2. 開発者の設定を開き、構成を編集をクリック
   
3. 開かれたエクスプローラーからclaude_desktop_config.jsonを開く

claude_desktop_config.jsonファイルには以下の内容を書き込みます。なお、

"C:/Users/username/example/weather"

の部分はあくまで例ですので、自身のweatherディレクトリのパスに書き換えてください。

パスがわからない場合は、

pwd

と入力することで、PowerShell上での現在のディレクトリのパスが表示されるので、weatherディレクト上であることを確認した上で実行しパスを確認してください。

{
"mcpServers": {
"weather": {
"command": "uv",
"args": [
"--directory",
"C:/Users/username/example/weather",
"run",
"weather.py"
]
}
}
}

5. 天気予報サーバーの利用

ここまでの設定をClaudeに反映させるために、アプリの再起動を行います。以下の画像のように、アプリの左上のメニューバーから「終了」を選択することで再起動ができます。

Claudeのアプリを再起動し、上手く接続が完了している場合はテキストボックスにハンマーアイコンが表示されるようになります。数字は使えるツールの数を示しています。

例えば、「サンフランシスコの天気は？」と聞くと5日分の天気予報を答えてくれます。参照元にない情報を答えることはできないので、アメリカ国内の天気を聞き、動作を確認してみましょう。

詳しい解説は、MCP公式のドキュメントをご参照ください。

エラーが出て、接続設定ができない場合はMCPデバッグガイドを確認しながら解決を目指しましょう。

また、以下のエラーメッセージからMCP設定を開き、ログフォルダを確認するとエラーの原因が特定しやすくなります。

「MCP設定を開く」を押すと以下のように設定が開かれます。「ログフォルダを開く」からログフォルダの確認ができます。フォルダ内のファイルをChatGPTやClaudeに読み込ませることで、原因を特定してくれることもあります。

▼累計1,000件以上の相談実績！お客様満足度96.8%！▼

Claude MCPの活用事例

Claude MCPの具体的な活用事例を2つご紹介します。

ローカルファイルへの情報の自動保存

先ほど構築した天気予報サーバーのweather.pyに以下の関数を追加し、get_alertやget_forecast関数で呼び出すようにすることで、得られた情報をローカルのjsonファイルに保存できるようにしてみました。

def save_to_file(data: dict[str, Any]):
try:
with open(SAVE_PATH, "w", encoding="utf-8") as f:
json.dump(data, f, indent=4, ensure_ascii=False)
except Exception as e:
print(f"Error saving file: {e}")

これにより、画像のようにローカルのファイルに得られた天気の情報を自動保存してくれるようになりました。

GitHubとの連携

MCPを使用すれば、ClaudeをGitHubと連携することも可能です。

MCPに基づいて構築されたGitHubのAPI用のサーバーをインストールするために以下のコマンドを実行します。

npm install -g @modelcontextprotocol/server-github

にPCのユーザーネームを入力し、にGitHubのトークンを入力した上で、claude_desktop_config.jsonに追加で書き込むと設定が完了します。

"github": {
"command": "node",
"args": [
"C:/Users//AppData/Roaming/npm/node_modules/@modelcontextprotocol/server-github/dist/index.js"
],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": ""
}
}

実際に使ってみた様子は以下の動画のようになります。リポジトリの作成や編集を指示するだけで自動的にやってくれるので、非常に便利です。

その他活用事例

X上でも、Claude MCPを活用した事例が多く報告されています。下記でいくつか紹介します。

Claude MCPについてよくある質問まとめ

まとめ

Model Context Protocol（MCP）は、AIと外部データソースやサービスを安全かつ柔軟に接続できる、標準化されたプロトコルです。

ClaudeなどのAIアプリにMCPを導入することで、比較的簡単に外部のデータソースから情報を参照したり、外部のサービスに働きかけることができます。

設定は少し大変な部分もありますが、一度サーバーさえ構築してしまえば大幅に作業を効率化できることが実際に使用してみてわかりました。

AI MarketではLLMに強いAI開発会社の選定・紹介を行っています。貴社に最適な会社に手間なく数日で出会えます。貴社の要望に応えることが可能な企業複数社の紹介が可能で、相見積もり・比較もすぐに実施可能。

プロのAIコンサルタントが貴社の代わりに数社選定しますので、開発会社の選定に迷ったり、相談方法がわからなかったら、累計1,000件以上の相談実績を持つAI Marketへ、いつでもお気軽にご相談ください。