目次

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

LLMは特別なシステムプロンプトで動作します
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
例えば、get_weather(city="Tokyo")のような形式のテキストを生成します
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
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:

ユーザー: アプリケーションにクエリを送信します
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
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
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
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:

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
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
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
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:

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
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
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
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：

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
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
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
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：

MCPクライアントがMCPサーバーに接続
MCPサーバーから利用可能なツール情報を取得
LangChain MCPアダプターがMCPツールをLangChainツールに変換
LangGraph Reactエージェントがユーザークエリを処理
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）
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：

LLMが最初に「2かける3」のツール呼び出しを生成
MCPサーバーが計算を実行して6を返す
次にLLMが「54足す6」のツール呼び出しを生成
MCPサーバーが計算を実行して60を返す
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:

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
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
柔軟性: 動的なツール更新とリソース共有
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：

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
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
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