はじめに

モデルコンテキストプロトコル（Model Context Protocol、以下MCP）は、大規模言語モデル（LLM）がデータソースや外部ツールと標準化された方法で接続するためのオープンプロトコルです。MCPサーバーを構築することで、Claude、GPTなどのAIアシスタントに新しい能力を追加し、データベースへのクエリ、APIとの連携、ファイル操作など、さまざまなタスクを実行できるようになります。

このチュートリアルでは、わずか15分でPythonを使用してシンプルなMCPサーバーを構築する方法を紹介します。今回はSQLiteデータベースに接続してデータを取得する基本的なサーバーを作成していきましょう。

前提条件

Python 3.7以上がインストールされていること
基本的なPythonの知識
コマンドライン（ターミナル）の基本操作ができること
Claude DesktopまたはCursorなどのMCPをサポートするクライアントアプリケーション（テスト用）

MCPとは何か、なぜ必要なのか？

GPTやClaudeなどのLLMは、テキスト生成が得意ですが、基本的には単語の次の単語を予測しているだけで、外部世界のデータを取得したり、操作したりすることはできません。MCPはこの問題を解決し、AIアシスタントが外部リソースにアクセスするための標準化されたインターフェイスを提供します。

MCPは、USBポートのようなものと考えることができます。USBがさまざまな周辺機器を接続するための標準インターフェイスであるように、MCPはAIアプリケーションがさまざまなデータソースやツールに接続するための標準インターフェイスです。

MCPの主なコンポーネント

ホスト: Claude DesktopやCursorなどのユーザーインターフェース
クライアント: MCPプロトコルを話し、MCPサーバーにリクエストを転送するソフトウェア（多くの場合、ホストに組み込まれています）
サーバー: 実際の作業を行い、データベースへのクエリやAPI呼び出しなどの機能を提供するソフトウェア（今回作成するのはこれです）

15分でMCPサーバーを構築する手順

ステップ1: 環境のセットアップ（2分）

まず、Pythonの仮想環境を作成し、必要なライブラリをインストールします。

# 仮想環境の作成
python -m venv mcp-env

# 仮想環境の有効化（Windowsの場合）
# mcp-env\Scripts\activate

# 仮想環境の有効化（macOS/Linuxの場合）
source mcp-env/bin/activate

# MCPライブラリのインストール
pip install mcp

ステップ2: サンプルデータベースの準備（1分）

このチュートリアルでは、SQLiteデータベースを使用して、コミュニティのチャットユーザーに関するデータを扱います。サンプルデータベースを作成しましょう。

# SQLiteをインストール（必要な場合）
pip install sqlite3

community.dbという名前のデータベースを作成するか、以下のPythonスクリプトを実行してサンプルデータを生成します：

import sqlite3

# データベース接続
conn = sqlite3.connect('community.db')
cursor = conn.cursor()

# テーブル作成
cursor.execute('''
CREATE TABLE IF NOT EXISTS chatters (
    id INTEGER PRIMARY KEY,
    name TEXT NOT NULL,
    messages INTEGER NOT NULL
)
''')

# サンプルデータ挿入
sample_data = [
    ('田中太郎', 156),
    ('佐藤花子', 237),
    ('鈴木一郎', 89),
    ('高橋美咲', 321),
    ('伊藤健太', 175)
]

cursor.executemany('INSERT INTO chatters (name, messages) VALUES (?, ?)', sample_data)

# 変更を保存して接続を閉じる
conn.commit()
conn.close()

ステップ3: MCPサーバーの作成（5分）

次に、sqlite-server.pyというファイルを作成し、以下のコードを入力します：

# sqlite-server.py
from mcp.server import mcptool
from mcp.server import FastMCP
import sqlite3

# MCPサーバーを初期化（わかりやすい名前をつける）
mcp = FastMCP("コミュニティチャットデータ")

# SQLiteデータベースからトップチャッターを取得するためのツールを定義
@mcptool(mcp)
def get_top_chatters():
    """メッセージ数でソートされたトップチャッターを取得する"""
    # SQLiteデータベースに接続
    conn = sqlite3.connect('community.db')
    cursor = conn.cursor()
    
    # メッセージ数でソートされたチャッターを取得するクエリを実行
    cursor.execute("SELECT name, messages FROM chatters ORDER BY messages DESC")
    results = cursor.fetchall()
    conn.close()
    
    # 結果を辞書のリストとしてフォーマット
    chatters = [{"name": name, "messages": messages} for name, messages in results]
    return chatters

# MCPサーバーをローカルで実行
if __name__ == '__main__':
    mcp.run()

このシンプルなMCPサーバーは、get_top_chattersというツールを定義し、SQLiteデータベースに接続してデータを取得し、読みやすい形式で返します。

ステップ4: Cursor（またはClaude Desktop）への統合（5分）

Cursorへの追加

Cursor Pro（必須）を開きます
設定 → MCP に移動します
「新しいグローバルMCPサーバーを追加」をクリックします
設定ファイル（~/.cursor/mcp.json）が開きます
以下の設定を追加します：

{
  "mcpServers": {
    "sqlite-server": {
      "command": "/あなたのプロジェクトへのパス/mcp-env/bin/python",
      "args": ["/あなたのプロジェクトへのパス/sqlite-server.py"],
      "description": "コミュニティデータベースからトップチャッターを取得するシンプルなMCPサーバー"
    }
  }
}

保存してMCP設定に戻ります
サーバーとそのツールが一覧表示され、サーバーの横に緑の点があることを確認します

Claude Desktopへの追加

Claude Desktopを開きます
設定 → 開発者 → 設定を編集に移動します
claude_desktop_config.jsonに同様のサーバーブロックを追加します：

{
  "servers": [
    {
      "name": "コミュニティチャットサーバー",
      "command": "python",
      "args": ["sqlite-server.py"],
      "description": "コミュニティデータベースからトップチャッターを取得するシンプルなMCPサーバー"
    }
  ]
}

保存して、Claude Desktopを再起動します（新しい設定を読み込むため）

ステップ5: MCPサーバーのテスト（2分）

Cursorでのテスト

Cursorでチャットを開きます
「データベース内のチャッターの数はいくつですか？」などの質問をします
LLMは外部ツールが必要だと判断し、ツールを実行するための許可を求めます
許可すると、MCPサーバーがSQLiteデータベースにクエリを実行し、データを返します
AIはチャット内で情報を表示します

Claude Desktopでのテスト

Claude Desktopでチャットを開きます
「トップチャッターのリストを表示してください」などの質問をします
MCPツールを実行するための許可を求められます
許可すると、結果が表示されます

MCPサーバーの拡張

基本的なMCPサーバーができたら、さらに機能を追加することができます。例えば：

新しいチャッターの追加：データベースに新しいチャッターを追加するツールを作成
メッセージ数の更新：既存のチャッターのメッセージ数を更新するツール
特定のチャッターの検索：名前や他の条件でチャッターを検索するツール

以下は、新しいチャッターを追加するツールの例です：

@mcptool(mcp)
def add_new_chatter(name: str, messages: int):
    """新しいチャッターをデータベースに追加する"""
    conn = sqlite3.connect('community.db')
    cursor = conn.cursor()
    
    cursor.execute("INSERT INTO chatters (name, messages) VALUES (?, ?)", (name, messages))
    conn.commit()
    conn.close()
    
    return {"status": "success", "message": f"{name}がメッセージ数{messages}で追加されました"}

よくある質問

MCPサーバーの目的は何ですか？

MCPサーバーは、LLMが外部データソースやツールと連携するためのブリッジとして機能します。データベースへのクエリ、APIの呼び出し、ファイル操作など、AIだけでは実行できないタスクをLLMが実行できるようにします。

なぜPythonでMCPサーバーを構築するのですか？

Pythonは、豊富なライブラリエコシステムと簡潔な構文により、MCPサーバーの構築に理想的な言語です。データ操作、API呼び出し、ファイル操作など、多くのタスクを簡単に実装できます。

MCPサーバーはどのように安全性を確保していますか？

MCPサーバーは、アクセス制御やRBAC（ロールベースのアクセス制御）などの機能を使って安全性を確保できます。また、SQLインジェクションなどの一般的な攻撃を防ぐために、適切な入力検証とサニタイズを実装することが重要です。

まとめ

このチュートリアルでは、わずか15分でPythonを使用してシンプルなMCPサーバーを構築する方法を学びました。MCPは、LLMが外部データソースやツールと連携するための強力なプロトコルであり、AIアシスタントの能力を大幅に拡張します。

基本的なデータベース連携のサーバーから始めることで、MCPの基本的な概念と実装方法を理解することができました。ここで得た知識を基に、より複雑なMCPサーバーを構築し、AIアシスタントにより多くの機能を追加することができます。

是非このチュートリアルを出発点として、MCPの可能性を探求し、あなた独自のAIツールエコシステムを構築してください。MCPを活用することで、AIアシスタントの能力を大幅に拡張し、より多くのタスクを自動化することができるでしょう。

それでは、楽しいMCP開発ライフをお過ごしください！