LoginSignup
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@RepKuririn(Daiki Kuribayashi)

LLMクライアントの接続: ツール呼び出しメカニズムとModel Context Protocol (MCP)

Posted at

目次

  1. LLMとは何か：単なるトークン生成器
  2. ツール呼び出し（Tool Calling）のメカニズム
  3. Model Context Protocol (MCP) の概要
  4. MCPの構造とコンポーネント
  5. MCPとLangChainの比較
  6. LangChain MCP Adaptersによる統合
  7. 実装例：MCPサーバーとクライアント
  8. まとめ

LLMとは何か：単なるトークン生成器

LLM（Large Language Model）は基本的に単純なトークン生成器です。これは一見すると自明ではないかもしれません。今日のエージェント的な振る舞いを見ると、LLMが特別な力を持っているように思えるかもしれませんが、実際にはそうではありません。🤖

重要ポイント:

  • LLMはテキストを出力するだけです（マルチモーダルLLMの場合は画像やその他の形式も可能）
  • Webの検索、リサーチの実行、Pythonの関数の呼び出しなどの機能は、LLMを実行しているアプリケーションに統合された外部ツールです
  • たとえばChatGPTを使用する場合、デスクトップアプリケーションやWebアプリケーションにLLMがラップされています
  • これらのアプリケーションはソフトウェアエンジニアが開発したものです

LLMは統計的な存在であり、一つずつトークンを予測しています。この点を理解することは、ツール呼び出しやMCPの仕組みを理解する上で非常に重要です。

ツール呼び出し（Tool Calling）のメカニズム

LLMが外部ツールを「使用」する方法を理解するために、その仕組みを説明します：

  1. LLMは特別なシステムプロンプトで動作します
  2. 特定の質問（例：「今の天気は？」）に対して、LLMは直接回答を生成せず、ツール呼び出しのテキストを生成します
  3. 例えば、get_weather(city="Tokyo")のような形式のテキストを生成します
  4. アプリケーション（ChatGPTなど）はこの出力を解析し、実際のツール機能を呼び出します
  5. ツールの実行結果は再びLLMに送られ、最終的な回答が生成されます

注意点: このツール呼び出しメカニズムは100%正確に動作するわけではありません。LLMは統計的にトークンを予測しているため、常に正しいツールを正しい引数で呼び出すとは限りません。ただし、多くの場合は十分に機能します。

Model Context Protocol (MCP) の概要

Model Context Protocol (MCP)は、LLMクライアントとサーバーを接続するための標準化されたプロトコルです。Anthropicによって開発されたこのプロトコルは、特にツール、リソース、プロンプトの共有に焦点を当てています。🔄

MCPの主な利点：

  • 開発者はツールを作成し、MCPサーバーで公開できる
  • これらのツールは、function callingをサポートするすべてのアプリケーション（ChatGPT、Cloud Desktop、Cursorなど）で使用可能
  • 標準化されたプロトコルにより、ツールとリソースの共有が容易になる
  • アプリケーションからツール実行を分離できる

MCPは単なるツールだけでなく、以下のものも公開できます：

  • リソース（ドキュメント、PDFファイル、画像など）
  • API呼び出し
  • プロンプト

MCPの構造とコンポーネント

MCPの構造は、クライアント-サーバーモデルに基づいています：

主要コンポーネント:

  1. ユーザー: アプリケーションにクエリを送信します
  2. アプリケーション/ホスト: Cursor、Wind Surf、Cloud Desktop、またはカスタムエージェントが該当
  3. MCPクライアント: アプリケーション内に存在し、MCPサーバーと通信
  4. MCPサーバー: ツールやリソースを公開し、ツール実行を処理
  5. LLM: ユーザークエリを処理し、ツール呼び出しを決定

処理フロー:

  1. 初期化: アプリケーション起動時、MCPクライアントはMCPサーバーへの接続を確立し、利用可能なツール情報を取得
  2. クエリ処理: ユーザーがクエリを送信すると、アプリケーションはLLMにクエリと利用可能なツール情報を送信
  3. ツール実行: LLMがツール呼び出しを返すと、MCPクライアントはそれをMCPサーバーに転送し、サーバーがツールを実行
  4. 結果処理: ツール実行結果はLLMに送られ、最終回答がユーザーに返される

重要な点: ツールの実行はMCPサーバー側で行われます。これにより、アプリケーションからツール実行ロジックを分離でき、デバッグやスケーリングが容易になります。

MCPとLangChainの比較

MCPとLangChainは、LLMをツールと接続するためのアプローチを提供していますが、いくつかの重要な違いがあります：

共通点:

  • 両方とも「ツール」という概念があり、外部から呼び出される関数を表します
  • ツールには引数、返り値、説明が含まれます
  • LangChainにはToolkit、MCPにはMCPサーバーという、ツールのコレクションの概念があります

相違点:

  1. スコープ:

    • MCPはツールだけでなく、リソースやプロンプトも公開できます
    • LangChainは主にツールとチェーンに焦点を当てています

  2. バインディング:

    • LangChainはツールを直接LLMにバインドします
    • MCPはツールをAIアプリケーション（Cursor、Wind Surf、Cloud Desktopなど）に公開します

  3. 実行モデル:

    • LangChainではツールはアプリケーション内で実行されます
    • MCPではツールはMCPサーバー内で実行されます

  4. 標準化:

    • MCPは標準化されたプロトコルを提供します
    • LangChainはPythonライブラリとしての統合を提供します

LangChain MCP Adaptersによる統合

LangChain MCP Adaptersは、MCPツールをLangChainやLangGraphと統合するためのオープンソースライブラリです。これにより、両方のエコシステムの利点を活用できます。🔗

主な機能:

  • MCPツールをLangChainとLangGraphのエージェントと互換性のあるツールに変換
  • 複数のMCPサーバーに接続できるMCPクライアントの提供
  • LangChainとMCPの間のシームレスな統合

この統合により、次のようなメリットが得られます：

  1. MCPサーバーによるデカップリング：ツール実行ロジックとエージェントのオーケストレーションを分離
  2. 動的ツール：アプリケーションを再デプロイすることなくツールを更新可能
  3. 標準化：標準化されたプロトコルを使用したツールとリソースの共有
  4. スケーラビリティ：ツール実行をサーバーに分離することで、より良いスケーリングが可能

実装例：MCPサーバーとクライアント

以下に、MCPサーバーとLangChain MCPクライアントの基本的な実装例を示します。この例では、数学演算と天気情報を提供する2つの異なるMCPサーバーを作成し、それらをLangGraph Reactエージェントと統合します。

1. 環境のセットアップ

まず、必要なパッケージをインストールします：

uv add langchain-mcp-adapters langgraph langchain-openai
uv add python-dotenv

2. 簡単なMCPサーバーの作成

数学演算サーバー（stdio通信）

# math_server.py
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Math")

@mcp.tool()
def add(a: int, b: int) -> int:
    """二つの数値を足します"""
    return a + b

@mcp.tool()
def multiply(a: int, b: int) -> int:
    """二つの数値を掛け合わせます"""
    return a * b

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

天気サーバー（SSE通信）

# weather_server.py
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Weather")

@mcp.tool()
async def get_weather(location: str) -> str:
    """指定された場所の天気を取得します。"""
    return "とても暑いです！"

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

3. MCPクライアントの実装

import asyncio
import os
from dotenv import load_dotenv
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain.schema.messages import HumanMessage

# 環境変数の読み込み
load_dotenv()

async def main():
    # LLMの初期化
    model = ChatOpenAI()
    
    # MCPサーバーパラメータの設定
    stdio_server_params = StdioServerParameters(
        command="python",
        args=["/absolute/path/to/math_server.py"],
    )
    
    # MCPクライアントの初期化
    async with stdio_client(stdio_server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # セッションの初期化
            await session.initialize()
            print("セッションが初期化されました")
            
            # MCPツールをLangChainツールに変換
            tools = await load_mcp_tools(session)
            
            # LangGraph Reactエージェントの作成
            agent = create_react_agent(model, tools)
            
            # エージェントへのクエリ
            agent_response = await agent.ainvoke({
                "messages": [HumanMessage(content="54足す2かける3はいくつですか？")]
            })
            
            print(agent_response)

if __name__ == "__main__":
    asyncio.run(main())

4. 実行結果と処理フロー

このコードを実行すると、以下のようなプロセスが発生します：

  1. MCPクライアントがMCPサーバーに接続
  2. MCPサーバーから利用可能なツール情報を取得
  3. LangChain MCPアダプターがMCPツールをLangChainツールに変換
  4. LangGraph Reactエージェントがユーザークエリを処理
  5. エージェントがMCPサーバーのツールを呼び出し（実行はサーバー側）
  6. ツール実行結果をもとに最終回答を生成

この例では、「54足す2かける3はいくつですか？」というクエリに対して：

  1. LLMが最初に「2かける3」のツール呼び出しを生成
  2. MCPサーバーが計算を実行して6を返す
  3. 次にLLMが「54足す6」のツール呼び出しを生成
  4. MCPサーバーが計算を実行して60を返す
  5. 最終的にLLMが「54足す2かける3は60です」という回答を生成

5. 複数のMCPサーバーへの接続

LangChain MCP Adaptersは、複数のMCPサーバーに同時に接続することもサポートしています：

from langchain_mcp_adapters.client import MultiServerMCPClient

async with MultiServerMCPClient(
    {
        "math": {
            "command": "python",
            "args": ["/path/to/math_server.py"],
            "transport": "stdio",
        },
        "weather": {
            "url": "http://localhost:8000/sse",
            "transport": "sse",
        }
    }
) as client:
    agent = create_react_agent(model, client.get_tools())
    # 以降、エージェントを使用

まとめ

Model Context Protocol (MCP)は、LLMとツール・リソースを接続するための強力な標準化プロトコルを提供します。LangChain MCP Adaptersを使用することで、MCPの柔軟性とLangChainのエコシステムを組み合わせることができます。🚀

主な利点:

  1. デカップリング: ツール実行ロジックとエージェントオーケストレーションの分離
  2. 標準化: ツールとリソースの共有のための共通インターフェース
  3. 柔軟性: 動的なツール更新とリソース共有
  4. スケーラビリティ: サーバー側での実行による分散化

LLMは基本的にはトークン生成器ですが、MCPのようなプロトコルを活用することで、より高度で柔軟なAIアプリケーションを構築することができます。

次のステップ: MCPはまだ発展途上のプロトコルですが、ChatGPTを含む多くのプラットフォームがMCPのサポートを発表しています。今後はより多くのツールやリソースがMCPを通じて共有されることが期待されます。

確認クイズ

以下の質問に答えて、理解度をチェックしてみましょう：

  1. LLMが基本的に行うことは何ですか？

    • Webの検索
    • 関数の実行
    • トークンの生成
    • データベースへのアクセス

  2. MCPとLangChainの主な違いは何ですか？（複数選択可）

    • MCPではツールはサーバー側で実行される
    • MCPはツールだけでなくリソースやプロンプトも公開できる
    • MCPはツールをAIアプリケーションに公開する
    • LangChainはツール呼び出しをサポートしていない

  3. LangChain MCP Adaptersの主な目的は何ですか？

    • LangChainを完全に置き換える
    • MCPツールをLangChainと互換性のあるツールに変換する
    • LLMの性能を向上させる
    • データベース接続を提供する

関連リソース

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?