MCP

この技術を一言で説明すると

AIアプリが外部の情報やツールへ接続するための共通の取り決めです。モデルそのものの学習手法ではありません。

なぜこの技術が必要なのか

AIアプリごとに、ファイル、データベース、業務APIとの接続を個別実装すると管理が複雑になります。接続時に何を提供できるかと呼び出し方を共通化すると、役割を分けて開発できます。

従来は何が問題だったのか

独自の接続方式では、ツール一覧、入力形式、実行結果、エラーの扱いを毎回取り決める必要があります。ただし、共通プロトコルがあっても認証や権限の設計は残ります。

技術の仕組み

公式文書はホスト、クライアント、サーバーを区別しています。ホストはAIアプリ、クライアントはサーバーと通信する構成要素、サーバーはツールなどを提供するプログラムです。データ層はJSON-RPCを使い、通信方法にはstdioやStreamable HTTPがあります。

代表的な提供機能にはtools、resources、promptsがあります。MCP自体は、モデルがどの情報を採用するかや、自律的に何回動作するかを規定しません。

具体的な使用例

社内データベースのスキーマをresource、読み取り専用の検索をtoolとして提供する設計です。モデルがツールの使い方を理解できる説明と、実際のアクセス制御の両方が必要です。

類似技術との違い

メリット・デメリット

接続の共通化が利点ですが、提供ツールの意味や認可まで自動的に揃うわけではありません。外部から取得する文章は信頼境界の外にあるデータです。サーバーの説明文を、利用者の許可に代わるものとして扱いません。

実装方法

実装では対応するプロトコル版とSDK版を固定し、公式の同じ版の文書で機能を確認します。最初は読み取り専用ツールを一つ用意し、入力スキーマ、権限、エラー、タイムアウトを試します。SDKが生成する通信を観察すると、アプリの判断とプロトコル処理を区別できます。

最新動向

今回取得した公式architecture文書は 2026-07-28版 にリダイレクトされました。同版では各要求にバージョン・クライアント能力を含める説明があり、旧版の初期化手順を無条件に流用しないことが重要です。ここでは接続の役割を中心に解説し、版に依存する実装例は掲載していません。