MCP入門 2026 — 「AIのUSB-C」Model Context Protocolの基礎と実践セットアップ

AIアシスタントが外部ツールやデータソースと連携する標準規格「Model Context Protocol（MCP）」が急速に普及している。USBがハードウェア接続を統一したように、MCPはAIと外部サービスの接続を統一する「AIのUSB-C」として機能する。さらに、本記事では、Anthropic Academy公式コース「Introduction to MCP」の内容を軸に、MCP入門 2026 Model Context Protocolの基礎概念から実践セットアップまでを体系的に解説する。

MCPとは何か — AIと外部世界をつなぐ標準プロトコル

MCP入門 2026 Model Context Protocolを理解するために、まず全体像を把握しよう。また、MCPはAnthropicが2024年末にオープンソースとして公開したプロトコルで、AIモデルが外部のツール、データソース、サービスと安全に通信するための標準仕様だ。

従来、AIアシスタントに外部機能を追加するには、各サービスごとに個別のAPIインテグレーションを構築する必要があった。加えて、N個のAIクライアントとM個のサービスがある場合、N×M個の統合が必要になる。特に、MCPはこの問題を解決する。具体的には、MCPに準拠すれば、任意のAIクライアントが任意のMCPサーバーと通信できる。

「AIのUSB-C」というアナロジーが分かりやすい。つまり、USB-Cが登場する前は、デバイスごとに異なるケーブルが必要だった。USB-Cは一つの規格で充電・データ転送・映像出力を統一した。MCPも同様に、AIとツールの接続を一つのプロトコルで統一する。

MCPのアーキテクチャは3つの主要コンポーネントで構成される。

• MCPホスト: AIアプリケーション側（Claude Code、Claude Desktop、Cursorなど）
• MCPクライアント: ホスト内でプロトコル通信を管理するレイヤー
• MCPサーバー: 外部ツールやデータを提供するサーバー側プログラム

MCPの3つの基本概念 — ツール・リソース・プロンプト

MCP入門 2026 Model Context Protocolの核心は、3つのプリミティブ（基本概念）にある。

ツール（Tools） はAIが実行できるアクションだ。データベースへのクエリ実行、ファイル操作、API呼び出しなど、副作用を伴う操作を定義する。AIモデルが判断して呼び出す「関数」のようなものだ。例えば、Sentryサーバーのツールには「エラーイベント取得」「イシュー一覧取得」などがある。

リソース（Resources） はAIが参照できるデータソースだ。ファイルの内容、データベースのレコード、設定情報など、読み取り専用のデータを提供する。ツールと異なり副作用がない。例えば、Gitリポジトリのファイル一覧やドキュメントの内容がリソースとして提供される。

プロンプト（Prompts） はMCPサーバーが提供する再利用可能なテンプレートだ。特定のタスクに最適化された指示文をサーバー側で定義し、クライアントが利用できる。例えば「コードレビュープロンプト」「バグ分析プロンプト」などがある。

この3つの分類により、MCPサーバーは明確な責任分離を実現している。

.mcp.json設定方法 — プロジェクトへのMCPサーバー追加

MCPサーバーをプロジェクトに追加する方法を解説する。Claude Codeでは、プロジェクトルートに.mcp.jsonファイルを作成して設定する。

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp@latest"]
    },
    "sequential-thinking": {
      "command": "npx",
      "args": ["-y", "@anthropic/sequential-thinking-mcp"]
    }
  }
}

設定ファイルの構造はシンプルだ。各MCPサーバーに名前を付け、起動コマンドと引数を指定する。環境変数が必要な場合はenvフィールドで渡せる。

{
  "mcpServers": {
    "sentry": {
      "command": "npx",
      "args": ["-y", "@sentry/mcp-server"],
      "env": {
        "SENTRY_AUTH_TOKEN": "your-token-here"
      }
    }
  }
}

設定ファイルの配置場所は2つある。

• プロジェクトレベル: プロジェクトルートの.mcp.json。Gitで管理可能でチーム共有に適する
• ユーザーレベル: ~/.claude/.mcp.json。個人環境に固有のサーバー設定

Claude Codeを起動すると、これらの設定ファイルを自動的に読み込み、指定されたMCPサーバーを起動する。Claude Codeの基本操作について詳しくはClaude Code 入門 2026 — AIペアプログラミングの始め方を参照してほしい。

人気MCPサーバー5選 — 実務で使える厳選ツール

2026年4月時点で、数百のMCPサーバーがコミュニティから公開されている。したがって、ここでは実務での利用頻度が高い5つを紹介する。

1. Context7 — ライブラリドキュメント検索サーバー。React、Next.js、Djangoなどのフレームワークの最新ドキュメントをAIのコンテキストに直接注入する。AIの学習データが古い場合でも、最新のAPI仕様を参照できる。

2. Sequential Thinking — 構造化思考サーバー。複雑な問題を段階的に分解し、仮説検証を通じて解決策を導く。アーキテクチャ設計やデバッグで威力を発揮する。

3. Playwright — ブラウザ自動化サーバー。E2Eテストの作成・実行、スクリーンショット取得、アクセシビリティ検証をAIから直接操作できる。フロントエンド開発で重宝する。

4. Serena — セマンティックコード解析サーバー。LSP（Language Server Protocol）を活用し、シンボルの参照検索、リネーム、依存関係追跡を実行する。大規模コードベースのナビゲーションに最適だ。

5. Sentry — エラー監視連携サーバー。Sentryのイシュー・イベントデータをAIに提供し、バグの根本原因分析を支援する。本番環境のエラー対応を効率化する。

MCPが解決する3つの課題

MCP入門 2026 Model Context Protocolがなぜ必要なのかを、MCPが解決する3つの根本的な課題から理解しよう。

課題1: N×M統合問題

MCP登場以前、N個のAIクライアントとM個の外部サービスを連携させるには、N×M個の個別統合が必要だった。なお、たとえば3つのAIツール（Claude Code、Cursor、Windsurf）と5つのサービス（GitHub、Sentry、Slack、Jira、Notion）を連携させる場合、15個の個別統合を開発・保守する必要があった。MCPはこの問題を線形に解決する。各AIクライアントがMCPクライアントを実装し、各サービスがMCPサーバーを実装すれば、N+M個の実装で全組み合わせの連携が実現する。上記の例では8個の実装で済む。

課題2: コンテキスト断絶問題

従来のAIアシスタントは、外部ツールのデータにアクセスする際にユーザーが手動で情報をコピー&ペーストする必要があった。エラーログを確認するためにSentryの画面を開き、該当部分をコピーし、AIに貼り付ける。コードを修正するためにGitHubを開き、ファイル内容をコピーし、AIに貼り付ける。一方で、MCPはAIが直接これらのデータソースにアクセスできるようにすることで、コンテキストの断絶を解消する。ただし、AIは必要な情報を自律的に取得し、統合的な判断を行える。

課題3: ツール呼び出しの標準化問題

LLMのtool_use（関数呼び出し）機能は強力だが、ツールの定義方法がアプリケーションごとに異なっていた。MCPはツール定義のスキーマを標準化し、一度定義したツールを複数のAIクライアントから呼び出せるようにする。そのため、これにより、MCPサーバーの開発者は1回の実装でエコシステム全体に価値を提供できる。

MCPサーバー5選の詳細比較

先に紹介した5つのMCPサーバーについて、それぞれのセットアップ手順、具体的なユースケース、強みと制約をより詳しく比較する。

1. Context7 — ライブラリドキュメント検索

セットアップは最も簡単だ。例えば、.mcp.jsonに以下を追加するだけで動作する。

{
  "context7": {
    "command": "npx",
    "args": ["-y", "@upstash/context7-mcp@latest"]
  }
}

ユースケース: フレームワークのバージョンアップ対応時に最新APIを確認する。このように、AIの学習データに含まれない新機能の使い方を調べる。ライブラリ固有のベストプラクティスを参照する。

強み: 公式ドキュメントをキュレートして提供するため、WebSearchより正確で関連性の高い情報が得られる。なぜなら、認証不要で即座に利用開始できる。

制約: カバーしているライブラリは主要なものに限られる。同様に、マイナーなライブラリは対応していない場合がある。

2. Sequential Thinking — 構造化思考

{
  "sequential-thinking": {
    "command": "npx",
    "args": ["-y", "@anthropic/sequential-thinking-mcp"]
  }
}

ユースケース: 複雑なアーキテクチャ設計の意思決定。その上、マルチコンポーネントにまたがるデバッグ。すなわち、パフォーマンスボトルネックの系統的な調査。

強み: 問題を段階的に分解し、各ステップで仮説を立てて検証する構造的アプローチを提供する。それゆえ、複雑な問題で「考えが堂々巡りになる」状態を防ぐ。

制約: シンプルなタスクに使うとオーバーヘッドが大きい。単純な質問や定型的な変更には不向き。

3. Playwright — ブラウザ自動化

{
  "playwright": {
    "command": "npx",
    "args": ["-y", "@anthropic/playwright-mcp"]
  }
}

ユースケース: E2Eテストの作成と実行。レスポンシブデザインの検証。フォーム入力フローの自動テスト。また、アクセシビリティ（WCAG）準拠の自動検証。

強み: 実際のブラウザを操作するため、レンダリング結果やJavaScriptの動作を含めた検証が可能。加えて、スクリーンショット取得による視覚的な確認もできる。

制約: ブラウザの起動に時間がかかる。特に、CI/CD環境ではヘッドレスモードの設定が必要。

4. Serena — セマンティックコード解析

TypeScriptまたはPythonプロジェクトで特に威力を発揮する。LSPを活用してシンボルの定義箇所、参照箇所、型情報を正確に取得する。

ユースケース: 大規模リファクタリング時のシンボルの影響範囲調査。具体的には、関数やクラスのリネーム。依存関係グラフの可視化。型定義の追跡。

強み: テキスト検索ではなくセマンティック解析に基づくため、同名だが異なるスコープの変数を正確に区別できる。

制約: LSPサーバーの起動が必要であり、初期化に時間がかかる場合がある。対応言語はLSPサーバーの対応範囲に依存する。

5. Sentry — エラー監視連携

{
  "sentry": {
    "command": "npx",
    "args": ["-y", "@sentry/mcp-server"],
    "env": {
      "SENTRY_AUTH_TOKEN": "your-token"
    }
  }
}

ユースケース: 本番環境のエラーの根本原因分析。エラートレンドの把握と優先度判断。デプロイ後のエラー監視。

強み: Sentryのイシューデータ、スタックトレース、イベント情報をAIのコンテキストに直接注入できる。その結果、エラーの頻度や影響範囲をデータに基づいて判断できる。

制約: Sentryアカウントと認証トークンが必要。したがって、無料プランでは取得できるデータ量に制限がある。

MCP Advanced Topicsの概要 — 上級者向けの展望

Anthropic Academyでは「Introduction to MCP」に加え、「MCP Advanced Topics」コースも提供している。上級コースでは以下のテーマを扱う。

カスタムMCPサーバーの構築: TypeScriptまたはPythonで独自のMCPサーバーを開発する方法。自社の内部ツールやデータベースをMCP経由でAIに接続できる。公式SDKが提供されており、ツール定義、リソース公開、認証処理の実装パターンが学べる。

セキュリティと認証: MCPサーバーのアクセス制御、トークン管理、権限スコープの設計。本番環境での安全なMCPデプロイメントに必要な知識だ。

トランスポートプロトコル: MCPはstdio（標準入出力）とStreamable HTTP（旧SSE）の2つのトランスポートをサポートしている。ローカル実行にはstdio、リモートサーバーにはStreamable HTTPが適している。

MCP入門 2026 Model Context Protocolの基礎を固めた後に、これらの上級トピックへ進むことを推奨する。

MCPサーバーの選定基準 — プロジェクトに最適なサーバーを選ぶ

数百のMCPサーバーが公開されている中で、自分のプロジェクトに最適なサーバーをどう選ぶべきか。選定基準を整理する。

基準1: メンテナンス状況

MCPサーバーはオープンソースプロジェクトとして公開されているものが多い。なお、GitHubリポジトリの最終更新日、Issue対応の速度、コントリビューターの数を確認する。一方で、3ヶ月以上更新がないサーバーは、MCP仕様の最新変更に追随していない可能性がある。

基準2: 公式 vs コミュニティ

Anthropic公式が提供するサーバー（Sequential Thinking、Playwrightなど）は品質とメンテナンスが保証されている。サービス提供企業の公式サーバー（Sentryなど）も信頼性が高い。ただし、コミュニティ製のサーバーは機能が豊富な場合があるが、品質にばらつきがある点を考慮すべきだ。

基準3: セキュリティ

MCPサーバーはAIに代わって外部サービスにアクセスする。そのため、認証トークンの管理方法、アクセス権限のスコープ、データの送信先を事前に確認する。特に本番環境のデータにアクセスするサーバー（Sentry、データベース連携など）では、最小権限の原則を徹底すべきだ。例えば、読み取り専用のトークンで十分な場合は、書き込み権限を付与しない。

基準4: パフォーマンス

MCPサーバーの起動時間はClaude Codeの起動時間に影響する。このように、多数のサーバーを同時に有効化すると、起動が遅くなりメモリ消費も増大する。必要なサーバーだけを有効化し、プロジェクトごとに使い分けることを推奨する。

基準5: ドキュメントの充実度

ツールの説明文（description）が詳細で正確なサーバーほど、AIが適切にツールを選択・実行できる。なぜなら、ドキュメントが不十分なサーバーでは、AIが誤ったパラメータを送信したり、不適切なタイミングでツールを呼び出したりする可能性がある。

MCPの実践セットアップ手順 — 最初の一歩

MCP入門 2026 Model Context Protocolの知識を実際に試してみよう。同様に、Claude Codeがインストール済みであることを前提に、Context7サーバーを導入する手順を示す。

手順1: .mcp.jsonの作成

プロジェクトルートに.mcp.jsonファイルを作成する。最初は1つのサーバーだけで始めるのが良い。

{
  "mcpServers": {
    "context7": {
      "command": "npx",
      "args": ["-y", "@upstash/context7-mcp@latest"]
    }
  }
}

手順2: Claude Codeの再起動

.mcp.jsonを作成または変更した後は、Claude Codeを再起動する必要がある。再起動時にMCPサーバーの接続状態が表示される。その上、「Connected」と表示されれば導入成功だ。

手順3: 動作確認

Claude Codeで以下のように質問する。

Next.js 15のApp Routerでのデータフェッチのベストプラクティスを教えて

Context7が正常に動作していれば、Next.js 15の最新ドキュメントに基づいた回答が返ってくる。AIの学習データだけに頼る場合と比較して、最新の変更点やベストプラクティスが反映された正確な回答が得られる。

手順4: 段階的にサーバーを追加

Context7で効果を実感したら、Sequential Thinkingなど他のサーバーを段階的に追加する。一度に多数のサーバーを追加するのではなく、1つずつ導入して効果を確認するアプローチが推奨される。

Linux Foundation移管 — MCPのオープンガバナンス

2025年、MCPのガバナンスがAnthropicからLinux Foundationに移管された。すなわち、この決定はMCPの中立性と持続可能性を大幅に強化するものだ。

移管の意義は以下の通りだ。

• ベンダー中立性: 特定企業に依存しない標準規格としての信頼性が向上
• オープンガバナンス: 仕様策定プロセスにコミュニティが参加可能に
• エコシステム拡大: OpenAI、Google、Microsoftなど他社のAIプラットフォームでもMCP採用が進む基盤が整った
• 長期的な安定性: Linux Foundation傘下のプロジェクト（Kubernetes、Node.jsなど）と同様の長期サポート体制

MCP入門 2026 Model Context Protocolを学ぶ現在、すでにOpenAIのAgents SDKやGoogleのADKがMCPサポートを表明している。MCPは事実上の業界標準となりつつある。

Anthropic Academyの全体的な学習ロードマップについてはAnthropic Academy 学習ロードマップ 2026で詳しく解説している。

MCPとtool_useの関係 — APIレベルの連携を理解する

MCP入門 2026 Model Context Protocolをより深く理解するために、Claude APIのtool_use機能との関係を整理しておこう。

MCPサーバーが提供する「ツール」は、内部的にはClaude APIのtool_use機能にマッピングされる。それゆえ、MCPホスト（Claude Codeなど）は、接続されたMCPサーバーのツール定義を読み取り、Claude APIのtools パラメータに変換してAPIリクエストに含める。Claudeがツール呼び出しを決定すると、MCPホストはtool_useレスポンスを受け取り、該当するMCPサーバーにリクエストを転送する。サーバーからの結果はtool_resultとしてClaudeに返される。

MCPはtool_useの「配線」を標準化するレイヤーだ。開発者がtool_useの定義を個別に書く代わりに、MCPサーバーが自動的にツール定義を提供する仕組みである。この理解があると、MCPサーバーのデバッグや、カスタムサーバーの開発が格段にスムーズになる。

Claude APIのtool_useについて詳しくはClaude API 入門 2026で解説している。

MCPの今後 — リモートサーバーとOAuth認証

MCP入門 2026 Model Context Protocolの将来展望として、リモートMCPサーバーの普及が見込まれる。現在主流のstdioトランスポートはローカル実行が前提だが、Streamable HTTPトランスポートを使えば、クラウド上のMCPサーバーにリモートからアクセスできる。

これにより、MCPサーバーをSaaS的に提供するビジネスモデルが成立する。企業が自社サービスのMCPサーバーをクラウドでホストし、ユーザーはURLを指定するだけで接続できる。認証にはOAuth 2.0が採用される方向で仕様策定が進んでおり、既存のSSOインフラとの統合が容易になる見込みだ。

まとめ — MCPがAI開発の基盤インフラになる

MCP入門 2026 Model Context Protocolとして、MCPの基本概念（ツール・リソース・プロンプト）、.mcp.json設定、人気サーバー5選、上級トピック、Linux Foundation移管までを解説した。

MCPは単なる技術仕様ではなく、AIアプリケーション開発の基盤インフラだ。USB-Cがデバイス接続を統一したように、MCPはAIと外部サービスの接続を統一する。この標準を理解しておくことは、2026年以降のAI開発において必須のスキルとなる。

MCP入門 2026 Model Context Protocolの知識は、CCA認定試験のDomain 4（MCPとツール連携）の出題範囲に直結する。また、試験ではMCPの3つのプリミティブ（ツール、リソース、プロンプト）の違い、トランスポートプロトコルの選択基準、セキュリティのベストプラクティスなどが問われる。加えて、本記事の内容を実際のプロジェクトで試し、MCPサーバーの導入から運用までの一連のフローを体験しておくことを推奨する。

3Dプリンティング分野では、OctoPrint APIやMoonraker APIをMCPサーバーとして公開する取り組みが始まりつつある。特に、プリンタの温度管理、ジョブキューの操作、カメラ映像の取得をMCP経由でAIに提供できれば、3Dプリント環境のインテリジェント化が飛躍的に進む。

さらに深く学ぶために、Anthropic Academy公式サイト（https://anthropic.skilljar.com/）で「Introduction to MCP」および「MCP Advanced Topics」を受講してほしい。実践的なハンズオンで、MCPの概念から実装までを体系的に習得できる。

ブラウザだけでできる本格的なAI画像生成【ConoHa AI Canvas】

swiftwand

X

AIを使って、毎日の生活をもっと快適にするアイデアや将来像を発信しています。 初心者にもわかりやすく、すぐに取り入れられる実践的な情報をお届けします。 Sharing ideas and visions for a better daily life with AI. Practical tips that anyone can start using right away.