はじめに

Datadogでのログ検索をLLMを通じてより手軽に、そして対話的に利用したいと思い、公式のMCPもなかったので開発しました。

※この記事は、開発の過程や得られた知見をAIの支援を受けながらまとめたものです。

開発の進め方

開発の初期段階からLLMを積極活用する方針としました。

具体的には、VSCodeのGitHub Copilotのエージェントモードを使用しました。

モデルはClaude 3.7 Sonnetを用いました。

LLMにMCPの仕様を理解させるために、以下のドキュメントを情報源として提供しました。

modelcontextprotocol.io提供のllms-full.txt
- MCPの概念、アーキテクチャ、コアコンセプト（リソース、プロンプト、ツール等）、トランスポート層、デバッグ方法など、MCPの全体像を網羅。
MCPのLLM活用チュートリアル
- LLMとの協調開発の具体的な進め方の参考に。
Datadog APIリファレンス
- 連携対象であるDatadog APIの仕様確認。
公式GitHub MCPサーバー実装
- ディレクトリ構成や実装パターンの参考に。
MCP TypeScript SDKのREADME.md
- SDKの具体的な利用方法の把握。

これらの情報を基に、LLMに対して具体的な要件を伝えました。
そして、エージェントモードでコードの雛形やロジックの生成を依頼し、それを叩き台として開発を進めるというスタイルを取りました。

開発で良かった点

LLMへの情報提供による効率化

上記の各種ドキュメントをLLMに提供することで、MCPの基本設計やDatadog APIの仕様に関する理解を深めさせることができました。
これにより、開発の初期段階での学習コストを大幅に削減できました。特にllms-full.txtはMCPの全体像を掴む上で非常に有効でした。

Zodによるスキーマ定義の恩恵

デフォルト値の設定
- z.string().optional().default("*") のように、オプションパラメータにデフォルト値を容易に設定できました。
説明の付与
- .describe("検索クエリ") のように、各パラメータに人間可読な説明を追加することで、LLMがツールの機能を正確に理解する助けとなりました。
enumによる入力値の制限
- z.enum(["timeseries", "total"]) のように、特定のパラメータが取りうる値を列挙型で厳密に定義しました。
- LLMによる不正な値生成を防ぐ上でも効果的でした。

MCP Inspectorによる動作確認の容易さ

開発したMCPサーバーの動作検証には、MCP Inspector が非常に役立ちました。
npx @modelcontextprotocol/inspector コマンド一つで手軽に起動できます。
対話形式で各ツールを呼び出したりできるので、MCPサーバーの各機能が期待通りに動作することを簡単に確認できました。

開発中に遭遇した主な問題と解決策

"Error: spawn node ENOENT"

原因
- MCPサーバーを起動する際に、mcp.jsonなどの設定ファイルで指定したnodeコマンドのパスがシステムに見つけられなかった。
解決策
1. nodeコマンドのパスを環境に依存しない絶対パスで指定することで、問題を解消した。

"Tool [ツール名] does not have an implementation registered."

原因
- クライアントアプリケーション（例えばVS Code）が以前のツール定義をキャッシュしている場合に発生することがあった。(GitHub MCP Server Issue #177に関連情報あり)。
解決策
1. VS Codeのコマンドパレットから MCP: Clear Cached Tools コマンドを実行し、VS Code自体を再起動した。
2. これにより、クライアント側のキャッシュがクリアされ、最新のツール定義が読み込まれるようになった。

日付パラメータの取り扱い

原因
- Datadog MCPへのリクエスト時、期間を指定するパラメータに日付フォーマットの文字列を直接渡そうとしたが、期待通りに解釈されなかった。
解決策
1. UNIXタイムスタンプ（数値型）で渡すように変更し、ある程度改善した
2. それでも意図した期間でデータがフィルタリングされない問題が続き、当初はLLMが生成するタイムスタンプが古すぎることが原因で、Datadog側のデータ保持期間外のデータをリクエストしていると推測
3. そのため、現在の日時を取得するだけの date mcp を作って使用した
4. これにより、正しい期間を指定できるようになり、ユーザーの利便性も大幅に向上した

LLM連携におけるコンテキストウィンドウとエラーログの影響

原因
- 日付生成を担うMCPサーバー（date mcp）と、今回開発したdatadog mcpを連携させようとした際に、意図しないループ状態に陥った。具体的には、date mcpが生成した時刻情報をdatadog mcpが受け取り、その結果を基に再びdate mcpを呼び出す処理が繰り返された。
解決策
1. 出力がシンプルすぎることがLLMの誤解を招いている可能性を考え、より詳細な形に変更したが、ループは解消されなかった。
2. Datadog MCPサーバーのレスポンスに含まれるDatadog APIからの警告メッセージなどをLLMがエラーとして捉え、処理を異常継続させている可能性を疑い、レスポンスの整形や警告の除外、英語への統一などを試みたが、根本的な解決には至らなかった。
3. レスポンスのcontent配列を分割した方がいいのかと思ったが、公式のGitHub MCPサーバー実装の例を参照したが、積極的に分割しているケースは限定的であり、今回の問題解決に必須ではないと判断した。
4. Datadog APIのレスポンスは非常に冗長な場合があり、これがコンテキストウィンドウを圧迫し、LLMの判断を誤らせる可能性が考えられた。検証としてログ取得期間を短く（例「過去30分以内」）設定すると、ループせずに正常に動作した。
5. その結果から、Datadog MCPサーバー側で返す情報をより厳選し、LLMの判断に必要なコア情報のみを渡すように改修した結果、無限ループの問題は改善された。

作ったもの

一応載せときます、コードは綺麗じゃないですが…

まとめ

特にllms-full.txtのような包括的なドキュメントをLLMに提供することで、ほとんどのコード生成をAIに任せることができました。

MCP（ツール）は純粋な拡張以外にもAIの行動を制限するのにも使えるなと思いました。

結構手軽に作れるので今後も何か作ってみようかなと思います。