MCP を通じて既存の API を LLM に公開する方法：包括的ガイド

大規模言語モデル（LLM）と既存の API を統合することは難しい場合があります。従来は、AI があなたのサービスにアクセスできるようにするためには、カスタムコネクタやプラットフォーム固有のプラグインが必要でした。Model Context Protocol（MCP） はより良い方法を提供します。

モデルコンテキストプロトコル（MCP）とは何か？

MCP は Anthropic が開発したオープンスタンダード（現在はオープンソースプロジェクト）で、AI アシスタントが外部データやツールに接続する方法を標準化します。MCP は ユニバーサルアダプター、つまり「AI アプリケーション用の USB-C ポート」 と考えてください。各モデルやプラットフォームごとに一回限りの統合を構築する代わりに、MCP を通じて API を一度公開すれば、MCP 対応の LLM ならどれでもそれを使用できます。

MCP の主な利点

• 標準化：断片化した統合を単一の一貫したプロトコルに置き換える
• 再利用性：API コネクタを MCP サーバーとして一度構築すれば、複数の AI クライアントがそれを活用できる
• 制御：MCP サーバーはあなたの環境で実行されるため、セキュリティを強制し、モデルがアクセスできる内容を正確に管理できる

MCP は LLM 向けのユニバーサルプラグインシステムとして機能し、AI が外部ソースから関数を呼び出したりデータを取得したりするための構造化された方法を提供します。

MCP プリミティブを理解する

MCP は機能を公開するために 3 つの主要な概念を使用します：

1. リソース：これらは読み取り専用のデータエンドポイントのようなものです。リソースは URI（例：todo://list）で識別され、モデルにデータを提供します。リソースはモデルにコンテキストをロードするためのもの（ドキュメント、データベースレコード、タスクのリストなどの取得）です。これらは GET リクエストに似ており、通常は状態を変更しません。
2. ツール：これらはモデルが呼び出すことができるアクションや操作です—本質的にはパラメータと戻り値を持つ関数で、LLM が呼び出せるものです。ツールは副作用を持ったり計算を実行したりできます。ツールは「AI が呼び出せる関数」のようなものと考えてください。
3. プロンプト：MCP は再利用可能な会話テンプレートやワークフローの定義を可能にします。プロンプトはサーバーがクライアントに提供できる、あらかじめ定義された会話スニペットのようなものです。

要約すると：リソースはモデルのデータをロードし、ツールはアクションを実行し、プロンプトは対話をガイドします。

実装：ステップバイステップガイド

MCP を使用して単純な REST API を AI アシスタントに公開する方法を見ていきましょう。

ステップ 1：単純な REST API の例をセットアップする

例として基本的な To-Do リスト API を使用します。Flask を使用した最小限の実装は次のとおりです：

from flask import Flask, request, jsonify

app = Flask(__name__)
tasks = [ {"id": 1, "title": "Sample Task", "done": False} ]

@app.route('/tasks', methods=['GET'])
def get_tasks():
    # Return the full list of tasks
    return jsonify(tasks)

@app.route('/tasks', methods=['POST'])
def create_task():
    # Add a new task from the JSON request body
    data = request.get_json()
    new_task = {
        "id": len(tasks) + 1,
        "title": data.get("title"),
        "done": False
    }
    tasks.append(new_task)
    return jsonify(new_task), 201

# Run with: flask run

この API には 2 つのエンドポイントがあります：

• GET /tasks - すべてのタスクを取得
• POST /tasks - 新しいタスクを追加

実際のシナリオでは、これはデータベースバックエンドを持つ既存の API かもしれません。

ステップ 2：API をラップする MCP サーバーを作成する

次に、To-Do API を LLM に公開する MCP サーバーを Python で作成します：

まず、MCP パッケージをインストールします：

pip install "mcp[cli]"

次に、todo_mcp_server.py というファイルを作成します：

from mcp.server.fastmcp import FastMCP
import requests  # we'll use requests to call our REST API

# Initialize an MCP server with a descriptive name
mcp = FastMCP("To-Do API MCP Server")

# Define a Resource for reading tasks (like a GET endpoint)
@mcp.resource("todo://list")
def list_tasks() -> list:
    """Fetch all to-do tasks from the API."""
    response = requests.get("http://localhost:5000/tasks")
    response.raise_for_status()
    return response.json()  # return the list of tasks

# Define a Tool for adding a new task (like a POST operation)
@mcp.tool()
def add_task(title: str) -> dict:
    """Add a new task via the API and return the created task."""
    payload = {"title": title}
    response = requests.post("http://localhost:5000/tasks", json=payload)
    response.raise_for_status()
    return response.json()  # return the new task data

if __name__ == "__main__":
    mcp.run(transport="stdio")

何が起きているのか分解してみましょう：

• "To-Do API MCP Server" という名前の FastMCP インスタンスを作成し、サーバーをセットアップしてツール/リソースを登録します。
• @mcp.resource("todo://list") を使用して、タスクのリストを返すリソースを公開します。これは API の GET エンドポイントにマッピングされます。
• @mcp.tool() を使用して、新しいタスクを追加するツールを公開します。これは API の POST エンドポイントにマッピングされます。
• 各関数のドキュメント文字列は重要です - LLM はツールの使用方法を決定する際にこれらの説明を参照します。
• mcp.run(transport="stdio") でサーバーを実行し、標準入出力を使用して通信します（ローカル開発に適しています）。

この時点で、2 つの機能を持つ MCP サーバーができました：リソース todo://list（タスクを取得するため）とツール add_task（タスクを作成するため）です。これらは API の機能に対応しています。実質的に、REST API を MCP でラップしました。

ステップ 3：MCP サーバーをローカルで実行してテストする

MCP サーバーを実行する前に、Flask API が実行されていることを確認してください（例：flask run で）。

次に、開発モードで MCP サーバーを起動します：

mcp dev ./todo_mcp_server.py

mcp dev コマンドはブラウザでインタラクティブな開発ダッシュボードを起動します。このダッシュボードでは以下のことができます：

1. MCP サーバーの名前と利用可能なツール/リソースを確認する
2. todo://list リソースをテストする - 現在のタスクリストを返すはずです
3. add_task ツールをテストする - タスクのタイトルを入力して実行する
4. 結果を確認し、履歴パネルでログを確認する

このダッシュボードは開発とデバッグに非常に役立ちます。実際の LLM クライアントが使用するのと同じ MCP プロトコルを使用していますが、テスト用の GUI があります。

ステップ 4：MCP サーバーを LLM クライアントに接続する

次に、MCP サーバーを実際の LLM に接続しましょう。いくつかの AI アシスタントとツールが MCP をサポートしています：

Claude デスクトップとの接続

Anthropic の Claude Desktop アプリケーションにはローカル MCP サーバーのサポートが組み込まれています。統合するには：

mcp install ./todo_mcp_server.py

これによりサーバーが Claude に登録されます。Claude のインターフェースで、「To-Do API MCP Server」が利用可能になっているはずです。これで Claude との会話で以下のことができます：

• 「To-Do タスクを一覧表示して」と尋ねる - Claude は todo://list リソースを使用します
• 「牛乳を買うという To-Do 項目を追加して」とリクエストする - Claude は add_task ツールを使用します

Claude は MCP サーバーの実行とリクエストのルーティングを AI が使用すると判断したときに処理します。

Cursor IDE との接続

Cursor は MCP をサポートする AI アシスタントを備えたコードエディタです。接続するには：

1. Cursor の「Model Context Protocol」設定に移動します
2. todo_mcp_server.py へのパスを提供して MCP サーバーを追加します
3. トランスポート（stdIo）を指定します

接続すると、Cursor はサーバーのツールとリソースを検出します。その後、「To-Do リストにどんなタスクがある？」や「‘ブログ記事を書く’をタスクに追加して」などの質問を Cursor アシスタントに尋ねることができます。

LLM クライアントに関する一般的な注意事項

正確な接続手順はクライアントによって異なります：

• Claude Desktop の場合、mcp install またはアプリの UI を使用します
• Cursor の場合、設定でサーバーを構成します
• 他の環境では異なるアプローチがあるかもしれません

接続後、AI にツールの使用を促すようなプロンプトを与えてテストします。多くの MCP クライアントは AI がツールを使用するときに視覚的に表示します。

セキュリティに関する注意：MCP サーバーを接続すると、LLM はそのサーバーが公開するものにアクセスできるようになります。MCP サーバーは通常、ローカルまたはあなたのインフラストラクチャ内で実行されるため、セキュリティ上は良いことです。API が認証を必要とする場合は、MCP サーバーコードにそれらの認証情報を含めることができます。

MCP と従来のアプローチの比較

MCP を使用して API を公開する方法が、他の統合方法とどのように異なるかを比較してみましょう：

直接的な LLM API 呼び出し（MCP なし）

MCP がなければ、以下のようになるかもしれません：

• プラットフォーム固有の関数呼び出しやプラグインを使用する（OpenAI や特定の環境に依存）
• API の詳細をプロンプトに埋め込む方法は誤りが生じやすい - モデルがエンドポイントを誤って生成したり、不正確なフォーマットを送信したりする可能性がある

GraphQL やその他のクエリ言語

GraphQL では、LLM にクエリを構築させることができますが：

• モデルはスキーマとクエリ構文を知る必要がある
• モデルのクエリを検証するためのカスタム統合レイヤーが必要になる可能性が高い

MCP の利点

MCP を使用すると、これらの詳細が標準化されたインターフェースに抽象化されます：

• LLM は HTTP メソッドやクエリ構文を知る必要がない
• 人間が読みやすい名前と説明を持つ利用可能なツールとリソースについて MCP サーバーに問い合わせる
• プロセスは低レベルの呼び出しではなく機能に焦点を当てる
• 同じ MCP サーバーがプロトコルをサポートするどのクライアントでも機能する

詳細な比較は次のとおりです：

側面 従来の API 統合 MCP 統合の使用 標準化 統一された標準がない - 各プラットフォームには独自の統合方法またはプラグイン形式がある プラットフォーム間で一つのオープンスタンダード - 一度構築すれば、どこでも使用可能 アクションの発見 LLM には利用可能なエンドポイント/クエリが何かを伝える必要がある、またはハードコードされている LLM クライアントは MCP サーバーから利用可能なツール/リソースをプログラムで一覧表示できる データアクセス API レスポンスはしばしばプロンプトを介して送信され、コンテキスト制限に達する MCP リソースはデータを管理された方法で直接 LLM のコンテキストにロードする コーディング労力 高い - 各モデルに対してカスタム HTTP 呼び出し、解析、エラー処理が必要 簡素化 - MCP SDK がプロトコルの詳細を処理し、Python 関数を書くだけ セキュリティと制御 制約がなければ、モデルは任意の HTTP 呼び出しを生成する可能性がある MCP サーバーはゲートキーパーとして機能 - 公開する内容を正確に決定できる 柔軟性 新しい LLM やユースケースに適応するのが難しい 非常に柔軟 - モデルは複数の MCP 呼び出しをオーケストレーションでき、新しいツールを簡単に追加できる

簡単に言えば、MCP は API の上に AI フレンドリーなレイヤーを提供します。生の HTTP 呼び出しを扱う代わりに、モデルは会話の中で意味をなす名前付きのアクションとデータとやり取りします。

結論

MCP を通じて既存の REST API を LLM に公開することで、統合を大幅に簡素化できます。各 AI プラットフォーム向けに一回限りの接続を作成する代わりに、Model Context Protocol を一度実装すれば、サポートするクライアントとの互換性が得られます。

MCP は AI とデータを橋渡しするための標準化された、安全で柔軟な方法を提供します。API を任意の高度な AI が責任を持って知的に使用できるモジュラーコンポーネントに変えます。これにより新たな可能性が開かれます：LLM を活用したアシスタントが、同じ統一されたフレームワーク内で、あなたの API と他の MCP コネクタを組み合わせることができます。

よくある質問