MCPとは？仕組み・代表的なサーバー ・APIやA2Aとの違い・ 使い方を解説

MCP（Model Context Protocol）は、2024年11月に公開された、AIアプリケーションと外部のデータやツールを標準化された方法で接続するためのプロトコルです。

従来は、AIとファイル、データベース、業務システム、クラウドサービスなどを連携するために、接続先ごとの個別開発が必要でした。利用することで、MCPサーバーが公開するTools、Resources、Promptsを共通の方法で検出・利用でき、外部情報の参照や各種操作をAIの処理に組み込めるようになります。

本記事では、MCPの仕組みや通信方式、API・A2Aとの違い、代表的なMCPサーバー、料金、使い方、活用例、セキュリティ上の注意点まで解説します。

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、AIアプリケーションが外部のデータソースやツール、サービスと標準化された方法で接続・連携するためのオープンプロトコルです。

ChatGPTやClaudeのようなLLMを利用する対話型サービスをはじめ、AIエージェント、IDE、業務アプリケーションなどで活用されています。

このプロトコルは、AIアプリケーションと外部システムとの接続方法を共通化し、サービスごとに異なる連携処理の開発・管理負担を軽減します。

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。

関連記事：「LLMとは？AIエージェントとの連携・導入方法とコスト・代表的モデルを徹底解説！」
関連記事：「AIエージェントとは？生成AIとの違い・自律的に動く仕組み・種類・導入リスクを徹底解説！」

参照：GitHub｜Model Context Protocol

MCPとClaudeの関係

MCPはAnthropicが最初に公開したプロトコルですが、Claude専用の技術ではありません。現在はLinux Foundation傘下のAgentic AI Foundation（AAIF）のプロジェクトとして運営され、さまざまなAIサービスや開発ツールで採用されています。

MCPの仕様とTypeScriptやPythonなどのSDKは公開されており、特定のAIベンダーに限定されず、さまざまなAIアプリケーションや開発ツールへ実装できます。

本記事では、M具体的な利用方法の一例として、Claude DesktopにローカルMCPサーバーを接続する手順を後述します。

参照：Agentic AI Foundation｜Projects

LLMに強い会社・サービスの選定・紹介を行います

今年度LLM相談急増中！紹介実績1,000件超え！

・ご相談からご紹介まで完全無料
・貴社に最適な会社に手間なく出会える
・AIのプロが貴社の代わりに数社選定
・お客様満足度96.8%超
・GPT、Claude、Gemini、Llama等の複数モデルに対応

完全無料・最短1日でご紹介 LLMに強いAI会社選定を依頼する

MCPの活用イメージ

MCPを利用すると、AIアプリケーションから外部のデータやツールへ共通の方法で接続できます。MCPサーバーが公開する機能に応じて、情報の参照だけでなく、検索、更新、ファイル作成などの操作も可能です。

主な活用例は以下の通りです。

• Google Drive上の文書を検索・要約：社内規程や製品マニュアル、過去の提案書などから質問に関連する文書を探し、必要な部分を要約する
• Slackの会話履歴から情報を整理：複数のチャンネルやスレッドを検索し、プロジェクトの決定事項、対応状況、過去の問い合わせ内容をまとめる
• GitHubを使った開発支援：リポジトリ内のコード、コミット履歴、Issue、プルリクエストなどを参照し、変更内容の説明やコードレビュー、バグの原因調査を支援する
• ローカルファイルやデータベースを業務に活用：許可されたフォルダ内の資料やデータベースを検索し、売上集計、在庫確認、社内問い合わせへの回答作成などに利用する

複数のMCPサーバーを組み合わせることもできます。例えば、AIアプリケーションがSlackから依頼内容を取得し、Google Driveで関連資料を検索したうえで、タスク管理ツールに対応事項を登録するといった一連の処理を実行できます。

これらの連携は、MCPに対応したAIアプリケーションが、各MCPサーバーの提供するツールやリソースを検出し、必要に応じて呼び出すことで実現します。ただし、利用できる操作の範囲は、MCPサーバーの機能や認証、アクセス権限の設定によって異なります。

MCPの仕組み：構成とアーキテクチャ

MCPは、ホスト、クライアント、サーバーを主要な参加要素とするクライアント・サーバー型のアーキテクチャです。

MCPサーバーは、ローカルまたはリモートにあるデータソースやサービスへ接続します。

MCPの接続方式

MCPの標準仕様では、クライアントとサーバー間の接続方式として、以下の2つが定義されています。

• stdio：AIアプリケーションがMCPサーバーをローカルの子プロセスとして起動し、標準入力・標準出力を通じて通信する方式
• Streamable HTTP：HTTPを使ってMCPサーバーと通信する方式。主にリモート接続で利用され、必要に応じてSSEによるストリーミングにも対応

初期の仕様で使用されていたHTTP+SSEは非推奨となり、Streamable HTTPへ置き換えられています。旧実装との互換性を維持する目的で利用される場合もありますが、新規実装ではStreamable HTTPが推奨されます。

なお、独自の接続方式を実装することも可能ですが、MCPの標準仕様として定義されているのは上記の2方式です。

MCPサーバーが提供する3つの機能

MCPサーバーは、外部のデータや機能をAIアプリケーションから利用できるようにするため、主にTools、Resources、Promptsという3つの機能を公開します。

すべてのサーバーが3つすべてを提供する必要はなく、目的に応じて必要な機能だけを実装できます。

例えば、GitHubと連携するMCPサーバーでは、リポジトリの情報をResourcesとして提供し、Issueの作成やPull Requestの操作をToolsとして公開できます。さらに、コードレビューの進め方をPromptsとして提供する構成も可能です。

MCPの通信フロー

MCPでは、AIアプリケーション内のMCPクライアントがMCPサーバーの機能を確認し、必要な処理を要求します。

MCPサーバーは外部のデータやツールへアクセスし、その結果をAIアプリケーションへ返します。

基本的な通信の流れは以下の通りです。

例えば、利用者が「最新の売上データを集計して」と指示した場合、AIアプリケーションは利用可能なデータ検索ツールを選び、MCPサーバーへ実行を要求します。サーバーがデータベースから売上情報を取得し、その結果を返すことで、AIアプリケーションが集計結果やレポートを生成します。

重要な操作については、MCPサーバーへ要求を送る前に利用者の確認や承認を挟むこともできます。

仕様「2026-07-28」でステートレスな構成へ

2026年7月28日に公開された仕様「2026-07-28」では、MCPは接続状態に依存しないステートレスなプロトコルとして整理されました。

各リクエストにプロトコルのバージョンやクライアントの対応機能などを含め、サーバーが個々のリクエストを処理できる構成です。

サーバーが対応するバージョンや機能を確認するDiscovery、サーバーから利用者へ追加情報や承認を求めるElicitationも定義されています。長時間処理には、完了状況を後から確認できるTasks拡張を利用できます。

一方、サーバーからAIモデルの生成処理を要求するSamplingと、MCP経由でログを送るLoggingは、同仕様から非推奨になっています。

参照：Model Context Protocol｜Architecture overview

MCPとAPIの違い

MCPとAPIは、どちらもシステム同士を接続するための仕組みですが、役割が異なります。

APIは、特定のサービスやシステムが提供する機能・データを外部から利用するためのインターフェースです。例えば、GitHub API、Slack API、Google Drive APIなどがあり、それぞれ仕様や認証方法、呼び出し方が異なります。

一方、MCPは、AIアプリケーションやAIエージェントが、さまざまな外部ツールやデータソースへ共通の方法で接続するための標準プロトコルです。

つまり、APIそのものを置き換えるのではなく、APIやデータベース、ローカルファイルなどをMCPサーバー経由でAIから利用しやすくする仕組みと考えると分かりやすいでしょう。

例えば、MCP対応のAIアプリケーションからGitHubを操作する場合、従来はGitHub APIの仕様に合わせて認証やAPI呼び出しを個別に実装する必要がありました。

MCPを利用すれば、GitHub APIなどを扱うMCPサーバーが機能をツールとして公開し、複数のMCP対応AIアプリケーションから共通の仕組みで利用できます。

そのため、APIが「各サービスとの接続口」であるのに対し、MCPは「AIがさまざまな接続口を共通の方法で扱うための標準規格」と整理できます。

MCPとA2Aの違い

MCPとA2Aは、いずれもAIシステム間の連携を標準化する仕組みですが、接続する対象が異なります。

MCPとA2Aは競合する規格ではありません。MCPでAIエージェントとツール・データを接続し、A2Aで複数のAIエージェントを連携させるなど、組み合わせて利用できます。

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」

参照：A2A Protocol｜What is A2A?

LLMに強い会社・サービスの選定・紹介を行います

今年度LLM相談急増中！紹介実績1,000件超え！

・ご相談からご紹介まで完全無料
・貴社に最適な会社に手間なく出会える
・AIのプロが貴社の代わりに数社選定
・お客様満足度96.8%超
・GPT、Claude、Gemini、Llama等の複数モデルに対応

完全無料・最短1日でご紹介 LLMに強いAI会社選定を依頼する

MCPの特徴とできること

主な特徴と機能は以下のとおりです。

• オープンな標準仕様：仕様やSDKが公開されており、特定のAIベンダーに限定されず実装・利用できる
• 双方向接続：クライアントとMCPサーバーは、リクエスト・応答や通知をやり取りできる。Toolsを通じて、外部システムへの操作も要求できる
• 認証・認可に対応：リモートMCPサーバーではOAuthなどを利用した認証・認可に対応しており、適切なアクセス制御を設計できる
• 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

MCP Appsで会話内に操作画面を表示

MCP Appsは、MCPサーバーから返されたフォーム、グラフ、ダッシュボードなどのインタラクティブな画面を、ClaudeなどのMCPホスト内に表示する拡張機能です。

テキストによる回答だけでなく、データの絞り込み、設定項目の入力、申請内容の確認などを、会話画面内のUIから操作できます。

参照：Model Context Protocol｜MCP Apps

代表的なMCPサーバー

MCPサーバーには、ソフトウェア開発、文書検索、顧客管理、決済、データベース、クラウド運用など、さまざまな用途に対応したものがあります。

サーバーを目的に応じて選び、処理の順序や条件を設計することで、AIアプリケーションやAIエージェントが実行できる業務範囲を大きく広げられます。

例えば、Salesforce、Google Drive、StripeのMCPサーバーを組み合わせれば、「顧客・商談情報の取得→関連資料の検索→請求・決済状況の確認」を連携できます。また、Cloudflare、MySQL、Notionに対応するサーバーを利用すれば、「障害情報の確認→データベースの状態照会→対応手順書の参照」までを一連の処理として実行できます。

以下は、企業が公式に提供している代表的なサーバーです。（リンクは各サービスのMCP公式ページに遷移します。）

上記以外にも、AWS、Microsoft、Atlassian、Box、Canva、PayPalなど、多くの企業が公式のMCPサーバーや対応機能を提供しています。コミュニティがオープンソースで公開しているものも含めると、利用できるサーバーはさらに多岐にわたります。

サーバーを選ぶ際は、対応する機能だけでなく、提供元の信頼性、更新状況、認証方式、要求される権限、本番利用への対応状況なども確認することが重要です。

MCPの料金

MCP自体はオープンな標準プロトコルであり、仕様やSDKを利用するための利用料はありません。ただし、MCPを利用するAIサービス、モデルAPI、サーバーのホスティング、接続先の外部サービスなどには、それぞれ料金が発生する場合があります。

Claudeで利用する場合は、Claudeの利用プランや利用する機能に応じて料金が発生します。料金体系や対応範囲は変更される可能性があるため、最新のClaude公式料金ページを確認してください。

MCPの使い方：Claude Desktopでの構築例

MCPは複数のAIアプリケーションや開発ツールで利用できます。以下では具体的な構築例として、Claude DesktopにローカルMCPサーバーを接続する方法を解説します。

Claude DesktopでローカルMCPサーバーを利用する方法には、デスクトップ拡張機能をインストールする方法と、設定ファイルへMCPサーバーを手動登録する方法があります。

デスクトップ拡張機能では、設定画面の「Extensions」から対応する拡張機能を選び、ローカルMCPサーバーをインストールできます。JSONファイルや依存関係を手動で設定せずに導入できるため、既存のMCPサーバーを利用する場合に適しています。

以下では、MCPサーバーの構築方法を理解するため、Pythonで独自のサーバーを作成し、設定ファイルへ手動登録する方法を解説します。

参照：Claude Help Center｜Claude DesktopでローカルMCPサーバーを始める

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（AIアプリケーションから呼び出せる関数）、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 3.10以上と、MCP Python SDK 2.0.0以上を使用す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。

※本説明は、記事公開時のものであり、実際の画面やコードは、現時点と異なる可能性があります。

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]

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 httpx2
from mcp.server import MCPServer

mcp = MCPServer("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 httpx2.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')

参照：Model Context Protocol｜Build an MCP server

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。

MCPの活用例

以下では、Claude DesktopをMCPホストとして利用した例と、GitHubとの連携例を紹介します。

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を利用すると、対応AIアプリケーションをGitHubと連携し、リポジトリやIssue、Pull Requestなどの情報を参照・操作できます。

現在はGitHub公式のMCPサーバーが提供されているため、導入する際はGitHub公式ドキュメントに記載された最新の設定方法を利用してください。

MCPを通じてGitHubへ接続することで、コードの参照、Issueの確認、Pull Requestの操作などをAIエージェントのワークフローへ組み込むことができます。

MCP利用時の注意点

MCPはAIと外部システムとの接続方法を標準化しますが、接続するサーバーやツール自体の安全性を保証するものではありません。

サーバーによっては、外部サービスの情報を参照するだけでなく、データの作成、変更、削除などを実行できます。信頼できる提供元かを確認したうえで、必要最小限の権限を付与し、重要な操作には利用者による確認や承認を設けることが重要です。

また、外部データに不正な指示を埋め込むプロンプトインジェクションにも注意し、ツールの入力・出力や実行履歴を確認できるようにします。

参照：Claude Help Center｜Get started with custom connectors using remote MCP

MCPについてよくある質問まとめ

まとめ

MCP（Model Context Protocol）は、AIアプリケーションと外部のデータやツールを共通の仕様で接続するためのオープンプロトコルです。

MCPサーバーが公開するTools、Resources、Promptsを通じて、ファイルやデータベースの参照、業務システムの操作、再利用可能なプロンプトの提供などをAIの処理に組み込めます。複数のサーバーを組み合わせることで、情報取得から更新・実行までを含む業務フローにも活用できます。

ただし、MCPは接続方法を標準化するものであり、接続先の安全性を保証する仕組みではありません。導入時は、提供元の信頼性、認証方式、アクセス権限、実行前の承認、操作履歴の管理などを確認することが重要です。

利用目的に合ったMCPサーバーを選び、AIに許可する操作範囲を適切に設計したうえで活用しましょう。