はじめに
本記事は、自然言語による指示を高精度に解釈し、組織内外のナレッジを動的に統合・活用するためのAI基盤として、Azure上におけるMCP（Model Context Protocol）設計を整理したものである。
“技術的には普通”である構成を、意味的・構造的にプロトコル化し再利用可能にすることで、持続可能かつ進化的なナレッジ基盤が成立する。その要となるのが、Cosmos DBによるスケーラブルなRAGと、Durable Functionsによる文脈オーケストレーションである。
1. 全体構成の思想
- テンプレートも文脈も動的に選定される「意味ドリブンAI」
- MCPは「意味の流れ」の設計思想であり、Durable Functionsがその実行基盤
- Cosmos DBをベースにしたRAG構成によって更新性とスケーラビリティを最大化
2. アーキテクチャ全体図（構成要素）
[User (Teams, Web, Bot, Power Apps)]
↓
[Azure Function（API Gateway）]
↓
[RAG Layer - Context & Template Builder]
├─ Instruction Embedding（Azure OpenAI）
├─ PromptTemplate Search（Cosmos DB）
└─ RequiredContextKey抽出
↓
[Durable Functions Orchestrator]
├─ ContextFetcher Functions（非同期分散取得）
├─ Prompt統合（テンプレ＋文脈）
├─ LLM呼び出し（Azure OpenAI / 外部LLM）
└─ Output Formatter + Logger
↓
[Response → UIに返却]
3. 各レイヤーの詳細
● RAG Layer（文脈＋テンプレ構成）
- **Instruction（自然言語）**をベクトル化（
text-embedding-ada-002） - Cosmos DB内のPromptTemplateコレクションからベクトル検索でテンプレ選出
- テンプレには
required_context_keysが定義されており、これに応じて文脈を組立
● ContextFetcher Functions
- keyに応じたFunctionをDurableで非同期実行（例：
user_profile、project_spec、product_doc） - 各FunctionはFabric, CosmosDB, Searchなどに接続してContext取得
● Prompt Builder
- テンプレートにContextを埋め込み、最終プロンプトを構築
- MCP的に構造化されたJSONでLLMへ送信（Instruction, Context, Formatなど）
● LLM Dispatcher & Formatter
- モデルはAzure OpenAI（GPT-4 / 3.5） or 任意外部LLM
- 応答はHTML, JSON, Markdown形式で整形し、UIに返却
● ロギング・ナレッジ進化
- Instruction＋Prompt＋Context＋応答をCosmos DBに保存
- フィードバックに基づくスコアリングやテンプレ精度改善に活用可能
4. スケーラビリティと再利用性の観点
| 特性 | 実装アプローチ |
|---|---|
| Contextの分散取得 | DurableのActivityファンアウト構成 |
| テンプレート進化 | Cosmos上で管理＋Embeddingで意味選定 |
| Model切替 | Dispatcherで分岐制御可能（API, Azure, 社内LLM） |
| 構成テンプレの再利用 | Activity単位でFunction再利用可能 |
5. 本構成の意義
- 技術的には既知の構成要素であるが、それを意味のレイヤーで再設計した点が本質
- テンプレート・Context・LLM呼び出しのすべてが「文脈ドリブン」で動作
- MCPとは、まさに「普通を再構成する名前」であり、それが可能となった構成である
結び
本構成は、Azureという商用インフラ上において、構文処理・情報取得・意味合成・応答生成というすべての段階を“意味”で統合可能とした初期実装である。これを足場に、教育、業務、企業間知識連携への応用は容易であり、MCP思想を現実に落とし込んだ代表事例となる。