【MCP】自社プロダクトのAPIを使用してMCPを作ってみた ~ローカルMCP編~

どうもこんにちは。
今回は、弊社サービスのAPIを使用してMCPを作成してみました。

今回、MCPを作成した理由は以下です。

自社プロダクトMCPを作成した理由

• MCPに対する理解を深めたかったから
• 業務に役に立つものを作りたかったから
• Amazon Bedrock AgentCoreを使用してMCPの構築を行いたかったから

今回は ローカルMCP編 なので、「 MCPに対する理解を深めた 」点と、「 業務に役に立つものを作りたかった 」という2点について深ぼっていきたいと思います。

MCPについて

まず、MCPについてですが、これはみなさんご存知かと思います。私は、「 AIエージェントが使える ツール を集めたもの 」と認識しています。
ただ、ツールとはちょっと役割が違うのかなと思っています。

私の思うツールとMCPの違い

	ツール	MCP
立場	AIエージェントがデフォルトで持っている武器	AIエージェントが アクセス することで使えるようになる武器
処理の規模	小さめ	大きめ
拡張性	低	高
実装のレベル	低	高

処理の規模 については、デフォルトの武器をどれだけ大きくするか によって左右されるものかと思います。
拡張性については、ツールは AIエージェントと同じランタイムに実装される のが一般的かと思います。この場合、ツールを増やしたり改修したりする時には、AIエージェントのランタイムを直接編集する必要があります。一方でMCPは、AIエージェントとは別のランタイムに実装される のが一般的です。そのため、AIエージェントのランタイムとは分離してツールを増やしたり改修することができます。

なぜ自社プロダクトのMCP？

弊社では、自社プロダクトを運用している中で、エンジニア以外の社員がハードウェアのログを取得して調査 したり、 コンテンツを放映するスケジュールを組む などの業務が発生しています。

近年のAI社会では、「サーバから取得したログファイルをAIに読ませる」「インターネット上から必要な情報を取得してレポートをまとめる」というようなことが容易にできるようになっています。
これを応用して「調査すべきログファイルを自立的に取得させて読ませる」「スケジューリングをAIに任せる」ということを実現できないかと考え、MCPを作成してみようと考えました。

MCPを作るにあたってのハードルは？

どうやってプロダクトのDBにアクセスする？

MCPを作る時に、「どうやってデータを取ってくるか」「どうやってデータを登録するか」を考える必要があります。例として、以下が挙げられます。

• プロダクトのAPIを経由する
• ライブラリなどを使用してプロダクトのDBにアクセスする

2つ目の方ができることは増えますが、セキュリティ面を考慮するする必要があったり、1から構築を行う必要があるので難易度が高いです。

今回はやりたいことがAPIで実現できそうだったので、難しいことは考えずにAPI経由でMCPサーバからDBにアクセスするようにしました。

どうやって提供する？

提供方法はまだ検討段階ですが、以下の方法が考えられます。

• MCPサーバのソースコードを配布する
• MCPサーバをAWSやGCPなどに公開して、リモートMCPサーバとして公開する
• MCPサーバは非公開にし、MCPが接続されたAIエージェントをアプリケーションの機能として実装する

より柔軟なのは、2つ目かなと思っています。リモートMCPサーバとして公開しておけば、ClaudeやChatGPTなどのあらゆるサービスから簡単に接続することができるようになります。非エンジニアのユーザに使ってもらうためには多少の説明は必要になりそうです。

1つ目は、ローカルMCPサーバとして動作させることを前提としています。コストは抑えることができますが、エンジニア以外のユーザが使用するのは難しくなります。

3つ目の場合は、エンジニアでも非エンジニアのユーザもMCPサーバを意識することなくMCPを使用することができます。ただし、AIチャット機能をアプリケーションに実装する必要があるので、公開するまでに時間がかかります。

今回の私の要件は、「エンジニア, 非エンジニアの業務を効率化すること」なので、2つ目か3つ目が有効であると考えます。

MCPサーバの作り方

参考までに、以下に開発方法を示しておきます。今回は検証でもあったため、ローカルで動作させることを想定しています。

開発環境は？

開発環境は以下です。

• Python3.13
  • uv仮想環境
  • FastMCPライブラリ
• Docker

Pythonを選んだ理由は、MCPの中でAIエージェント使用するケースを考えた時に、StrandsAgentsが実装しやすいな と考えたからです。
また、Dockerを使用している理由は、Amazon Bedrock AgentCoreへデプロイするために、ECRへデプロイする必要があったからです。

開発方法

1. 環境を用意

ターミナルで以下を実行します。

$ mkdir playground && cd playground
$ mkdir sample_mcp && cd sample_mcp
$ uv init --python 3.13
$ uv add fastapi 'uvicorn[standard]' mcp httpx strands-agent    # あと何か追加したけど忘れた...

プロジェクトにmain.pyというようなものが作成されていたら、mcp_server.pyと名前を変えておきましょう。（なんとなく）

2. MCPサーバを構築していく

まず、書き出しは以下としています。

from mcp.server.fastmcp import FastMCP
from starlette.responses import JSONResponse
import httpx
import json
from datetime import datetime, timedelta
from zoneinfo import ZoneInfo
from strands import Agent

mcp = FastMCP(host="0.0.0.0", stateless_http=True)

ツール関数を作成していく

次に、AIエージェントが実行できるツールを用意していきます。
今回はサンプルとして、ユーザ一覧情報を取得するAPIを叩くツールを用意します。

# エラーが発生した場合に呼び出す関数
def error_handler(message: str) -> str:
    return json.dumps({ 'success': False, 'error': message })

# GETリクエストを送信する関数
def request_get(url: str, headers: dict, params: dict) -> JSONResponse:
    try:
        with httpx.Client() as client:
            response = client.get(url, headers=headers, params=params)
            response.raise_for_status()
            return api_success_handler(response.json(), response.status_code)
    except Exception as e:
        return api_error_handler(str(e))

# ユーザ一覧を取得するツール関数
@mcp.tool()
def get_users(x_api_key: str, api_id: str) -> str:
    """APIからユーザの一覧情報を取得します
    必須パラメータ:
    - x_api_key: APIキー
    - api_id: API ID
    """
    try:
        headers = { "X-Api-Key": x_api_key, "Accept": "application/json", "Content-Type": "application/json" }
        params = { "api_id": api_id }

        response = request_get(get_users_url, headers, params)
        return json.dumps(response.body.decode())
    except Exception as e:
        return error_handler(str(e))

ここで重要な点は3つです。

1. デコレータ

ツールとして使用する関数には、@mcp.tool()というデコレータを関数の前に記述します。これによって、以下のことができるようになります。

• get_users関数をツールとして使用できるようになる
• 関数の docstring がツールの説明として使われる
• 関数のパラメータと型アノテーションに基づいて入力スキーマを生成する
• パラメータの検証とエラー報告を処理する

ツールとして呼び出さない関数には、デコレータをつける必要はありません。

2. 関数のパラメータと型を定義する

関数のパラメータに型を指定しておくことで、正確なJSONパラメータを関数に送信することができるようになります。

# 入力パラメータがすべて文字列の場合
def get_users(x_api_key: str, api_id: str) -> str:

# 入力パラメータにint型が含まれる場合
def get_user(x_api_key: str, api_id: str, user_id: int) -> str:

# 入力パラメータにboolean型が含まれる場合
def get_users(x_api_key: str, api_id: str, is_admin: bool) -> str:

3. 出力するデータの型を定義する

関数の戻り値の型を指定しておくことで、適切な形式にデータを変換してデータを返してくれます。

• str : TextContentとして送信
• dict、list、Pydantic、BaseModel : JSON文字列にシリアル化され、TextContentとして送信
• bytes : Base64 エンコードされ、BlobResourceContents として送信 (多くの場合、EmbeddedResource内）
• fastmcp.Image : 画像データを簡単に返すためのヘルパークラス。ImageContentとして送信
• None : 空のレスポンス (クライアントにコンテンツは返されない)

3. MCPサーバを起動する

ターミナルで、以下を実行するとPythonサーバが起動します。

$ uv run python mcp_server.py

4. クライアント側で設定を行う

MCPを使用するクライアント側ツールによりますが、以下のようなJSONを定義します。

{
  "mcpServers": {
    "sample_mcp_servers": {
      "url": "http://localhost:8000/mcp",
      "enabled": true
    }
  }
}

正常に接続ができれば、MCPサーバを使用することができるようになります。

参考サイト