初めに
こんにちは！GxPのミヤタ(@hm-404 )です。この記事はGxP Advent Calendar 2025の15日目になります。
GitHub CopilotをはじめとしたAIコーディングツールの進化、Claude Codeなどの新しい選択肢の登場…。
2025年はまさに、「AI駆動開発」が当たり前になった一年だったなと感じています。
でも、Copilotを使っているとこんなふうに思うこと、ありませんか？
- 実装例をWeb検索とかドキュメントを読んでくれるようになれば便利なのに…
- PRやissueなど、GitHubの機能をCopilotで使えたらいいのに…
- AIの出力、どこかおかしいけどどこでミスったんだろう…
実は、そんな悩みを解決してくれるのが“MCP”という仕組みです。
今回は、私が実務で導入して「開発スピードが明らかに上がった！」と感じたMCPを紹介させてもらえたらと思います。
目次
MCPって何？
MCPとはModel Context Protocolの略称で、LLM（大規模言語モデル）が外部ツールやデータベースと、安全かつ効率的に連携するための共通規格（プロトコル） です。
現在は、Microsoftなどの企業が作成したMCPはもちろん、有志のエンジニアが作成したMCPなども普及し始めています。
この仕組みにより、AIが単にコードを生成するだけでなく、「自分で考え、必要な情報を取得し、タスクを実行する」ような自律的な振る舞いが可能になります。
MCPが使えるとどう変わる？
GitHub Copilotを使っていて、こんなふうに感じたことはありませんか？
- 「結局、自分でドキュメントを探して読まないといけない」
- 「コード実装の類似例を探してAIに指示するなら、自分で実装したほうが早い」
- 「AIの提案が間違ってるけど、どこで変なこと言い出したのか分からない」
- 「PRコメントに対応する際、一つずつ読みながら対応するのは非効率だと感じる」
- 「AIが間違ったファイルを参照したり、ディレクトリ構成が理解できていない」
これらのモヤモヤ、実は MCPを導入することで一気に解消できる場面が多くあります。
私が実務に使用しているCopilotにMCPを導入して以下のような変化を実感しました。
- 📚 ドキュメントや実装例を自動で拾ってきてくれる → 調べ物の時間が減った
- 🔍 どのタイミングでおかしくなったかが追いやすい → ハルシネーションの原因特定がスムーズに
- 🧩 PRコメントを読み解いて、タスク化してくれる → 手作業で確認→実装の流れが減った
- 🛠️ E2Eテストを裏で走らせながら実装できる → テスト駆動の手間が自然に減った
- 📁 ファイル構成や依存関係をAIに把握させやすくなった → 見当違いな提案が減って、修正回数が少なくなった
導入前と比べて感じたのは、「面倒くさいけど必要な作業」から解放される時間が増えたことです。
Copilotがなんでもやってくれるというわけではなく、自分がやるべきことに集中できる環境が整うという意味で、MCPはかなり有効だと感じています。
「Copilotだけで十分」だと思っていた人ほど、実際に使ってみると、「これがあるだけでだいぶ違うな」と感じる人も多いはずです。
実際にVSCodeでMCPを使えるようにする
すでに GitHub Copilot が有効になっている場合、MCP を使うための準備はとてもシンプルです。
MCP対応の拡張をインストールする か、mcp.json にサーバー定義を追加するだけで利用できます。
1. MCP対応拡張をインストールする（最も簡単な方法）
VSCode の拡張機能パネルを開き、検索窓に @mcp と入力すると、
以下のようにMCP対応拡張の一覧が表示されます。
入れたいMCPを選んで「インストール」するだけで導入完了です。
2. mcp.json に MCP を直接追加する（柔軟に使いたい方向け）
公式拡張として公開されていない MCP や、ローカルで動作させたい MCP を使う場合は、
VSCode が読み込む mcp.json にサーバー設定を直接書き込みます。
mcp.json は以下のいずれかに配置できます：
- プロジェクト直下の
.vscode/mcp.json - もしくはユーザーディレクトリ（例）
- Windows:
C:\Users\ユーザー名\AppData\Roaming\Code\User\mcp.json - macOS:
~/Library/Application Support/Code/User/mcp.json
- Windows:
設定例：
{
"servers": {
"custom-mcp": {
"type": "http",
"url": "https://api.githubcopilot.com/mcp"
}
}
}
より詳細な設定オプション（環境変数・認証設定など）は、公式ドキュメントが分かりやすくまとまっています
https://code.visualstudio.com/docs/copilot/customization/mcp-servers
GUI から入れて使うだけでもMCPは使えますが、mcp.jsonを使うと 拡張が提供していないMCPも自由に追加できるので、覚えておくと便利です。
3. MCPを実際にCopilotに使わせる
すごく簡単です。Copilotのチャット画面に#使いたいMCPの名前だけで使用できます。Agent機能なら自己判断で使ってくれる時もありますが、基本的に使いたいMCPを事前に入力しておくとより、確実に使ってくれます。私は良く、複数のMCPを同時に使用したりしています。
実際に使ってみたMCP
ここからは実際に私が使って、業務が楽になったと感じたMCPや発想が面白く、想像以上に実用的だったMCPをご紹介させていただきます。
GitHub's official MCP Server
GitHub's official MCP ServerはGitHub公式が提供しているMCP Serverです。
MCPと言ったらまず一番初めに思い浮かぶMCPとして、私は間違いなくこれを挙げるくらい「とりあえず、このMCPだけは入れておけ」と言える定番中の定番です。
このMCPはVScodeから直接導入することができますし、以下の設定をmcp.jsonに設定することでも使うことができます。
{
"servers": {
"github": {
"type": "http",
"url": "https://api.githubcopilot.com/mcp/"
}
}
}
このMCPの特徴は、名前の通りGitHubで当たり前にできることの多くを、VSCode上のCopilotから直接扱えるところにあります。
何ができるのか？
具体的には、このMCPを導入することで以下のような操作がCopilot上から行えるようになります。
- Issueの内容読み取り・要約・タスク抽出
- PRの差分理解、変更点の要点生成
- コメントの整理、修正が必要な箇所の抽出
- リポジトリのファイル構造・依存関係の把握
- 特定ファイルの検索、内容の参照、関係箇所の提示
チャット欄でひとこと指示するだけで、Issueの要約やタスク化など、作業に取り掛かる前に必要な段取りが整います。
実務で実際に効果を体験した場面
私がこのMCPをプロジェクトで使っていて効果を感じたのは、
GitHubをわざわざ経由しなくても作業の段取りが立ち、PR対応が格段にやりやすくなったという点です。
このMCPが特に力を発揮したのは、次の5つの場面でした。
-
Issueの内容読み取り・要約・タスク抽出
長文のIssueでも要点と作業項目が整理された状態で返ってくるため、
設計や開発に入る前の「まず何をするか？」を考える負担が大幅に減りました -
PRの差分理解・変更点の要点生成
大きめのPRでも、最初に全体像を掴んだうえでレビューに入れるので、
すべての差分を細かく読むより圧倒的に効率よく判断できます -
コメントの整理・修正箇所の抽出
PRコメントの中から修正必須のものだけを抽出して一覧化してくれるため、
対応の抜け漏れがなくなり、レビュー対応のスピードが確実に上がりました -
リポジトリのファイル構造・依存関係の把握
Copilot単体だと意図しないファイルを参照してしまうことがありましたが、
MCP経由だと構造に基づいた正確な提案が増え、修正の方向性を決めやすくなりました -
特定ファイルの検索・内容の参照・関係箇所の提示
「このIssueだとどこを触ればいい？」という問いに対して、関連ファイルや影響箇所がすぐ返ってくるので、調査にかけていた時間が目に見えて減りました
このMCPを導入してから実装に入るまでの“準備時間”が大幅に短縮され、作業全体のテンポが良くなったと感じています。
Tavily MCP
Tavily は、開発者向けの高速で精度の高いWeb検索APIを提供しているサービスです。
一般的な検索エンジンとは異なり、Tavilyは「LLMが扱いやすい構造化された検索結果」を返すことを目的に作られており、LLMとの相性が非常に良いのが特徴です。
技術記事、ドキュメント、ブログなどを横断して検索し、最新の情報をシンプルにまとめて返してくれるのが強みです。
Tavily MCP は、この Tavily の検索機能を Copilotや各種LLMから利用できるようにするためのMCP拡張 です。
Copilotは「Web検索ができない」という弱点がありますが、Tavily MCP を導入すると、Copilotが インターネットから最新情報を収集したうえで回答できるようになります。
以下の設定をmcp.jsonに設定することができます。
{
"servers": {
"tavily": {
"url": "https://mcp.tavily.com/mcp/?tavilyApiKey={YourAPIkey}",
"type": "http"
}
}
}
また、Tavilyを使うにはAPIキーが必要で、登録が必要です。
お手持ちのGoogleアカウントかGitHubのアカウントどちらかで、簡単に登録できます。また、無料枠で1000トークンまで毎月使えるのでよほどのことがない限りは無料枠で足りると思います！
何ができるのか？
具体的には、このMCPを導入することでCopilotが以下のような操作を行えるようになります。
- ライブラリやフレームワークの最新情報を検索し、現時点の推奨される使い方を取得
- エラー原因や仕様の補足情報を Web から調査
- 実務レベルで使われている実装例や類似ケースを取得
- 複数ソースの情報をまとめ、Copilotが判断しやすい形で要点化
Copilot単体では“モデルが学習した時点の情報”に依存しますが、
Tavily MCP があることで 最新情報を反映した提案 ができるようになります。
実務で実際に効果を体験した場面
私がこのMCPをプロジェクトで利用していて特に効果を感じたのは、
調べ物に使っていた時間が圧倒的に減ったという点です。
-
ライブラリの初期調査が一瞬で終わる
「このライブラリの一般的な使い方は？」と聞くだけで、ドキュメントや実務例をまとめて返してくれるため、キャッチアップが非常に楽になりました -
公式ドキュメントに載っていない挙動の調査が速い
技術ブログなどから同じ症状を探して要点を抽出してくれるため、手動検索より解決までが早くなりました -
破壊的変更にもすぐ追従できる
フレームワーク更新のたびに情報を追いかける必要が少なくなり、常に最新の情報を前提に実装を進められます -
実務で使われているコードをすぐ参照できる
「このケースってどう書くんだっけ？」という場面でも、複数ソースの実装例をまとめて提示してくれるため、コードの精度が上がりました
このMCPを導入してから、調査→要点整理→実装までの流れがスムーズになり、開発全体の進行が早くなったと感じています。
Context7
Context7 は、AIが参照するライブラリやフレームワークの公式ドキュメントを、常に最新・正確な状態でLLMに提供するためのMCP です。
LLMは学習時点の情報が中心になるため、古いコード例・存在しないAPI・非推奨な書き方を提案してしまうことがあります。
Context7 を導入すると、使用しているライブラリのバージョンに合わせて最新のドキュメント・公式コード例・設定方法をリアルタイムで取得し、その場のプロンプトに自動で組み込んでくれます。
何ができるのか？
Context7 MCP を使うことで、Copilot が次のような操作を行えるようになります。
- ライブラリのバージョンに応じた最新ドキュメントを取得
- 公式のコード例や設定例をプロンプト内に自動注入
- 古い情報や存在しないAPIの提案を防止
#context7指示するだけで必要な情報を呼び出せる- コード生成や設定作成時に公式情報を根拠として回答
情報を取得するという点で言えばTavilyと同じですが、
Tavilyが “Web全体の情報” を扱うのに対して、Context7は “公式ソース限定で正確な情報を取ってくる” のが大きな違いです。
以前まではユーザー登録不要でできたのですが、現在はユーザー登録が必要のようです。
こちらから登録できます。
以下の設定をmcp.jsonに設定することができます。
{
"servers": {
"context7": {
"command": "npx",
"args": ["-y","@upstash/context7-mcp@latest","--api-key","YourAPIkey"],
"type": "stdio"
}
}
}
実務で実際に効果を体験した場面
Context7を使ってみて特に効果が大きかったのは、AIの回答が“古い知識”に引っ張られなくなったこと です。
-
最新のライブラリの正しい書き方を前提に提案してくれる
古いサンプルコードや存在しないメソッドが出てくることがほぼなくなりました -
公式のコード例がそのまま返ってくる
React、React Hooks、Tailwind CSSなどで特に効果を実感。
“実際に使えるサンプル”が最初から提示されるため実装が早くなりました -
設定ファイルの生成精度が上がった
認証設定やAPI設定など、毎回微妙に仕様が変わる部分でも、
Context7が最新情報を参照してくれるのでズレが減りました -
破壊的変更に対してAIの提案が安定した
「その関数もう使えないよ」
「そのパス構造はv13では違うよ」
といったズレが大幅に減少
結果として、Copilotが提案・生成するコードの内容が常に最新のドキュメントを参照するようになりました。
SequentialThinkingMCP
SequentialThinking MCP は、AIに 「段階的な思考プロセス（ステップ・バイ・ステップの推論）」 を強制し、複雑な問題を構造的に解決できるようにするMCPです。
通常のLLMは、最終回答を一気に生成してしまうため、途中の推論が曖昧になりやすく、問題の見落としや前提のズレが起きがちです。
SequentialThinking MCP を導入すると、AIが問題を分解 → 推論 → 修正 → 分岐 → 検証
というプロセスを順序立てて実行できるようになります。
以下の設定をmcp.jsonに設定することができます。
{
"servers": {
"sequential-thinking": {
"command": "npx",
"args": ["-y","@modelcontextprotocol/server-sequential-thinking"],
"type": "stdio"
}
}
}
何ができるのか？
SequentialThinking MCP は、Copilot が次のような“段階的思考”を実行できるようにします。
- 複雑な課題を小さな思考ステップに分解
- 理解が変わった場合は途中のステップを修正
- 別案を試すための分岐
- 必要に応じて思考ステップ数を増減
- 仮説を立てて検証しながら最終解を導く
一見すると、今まで紹介してきたMCPのような“明確な業務効率化ツール”ではなく、
「AIがどう考えているかが見える」だけのものに感じるかもしれません。
実際、私も導入したての頃は「なんか面白いから使っている」程度でした。
しかし、この “思考ステップが可視化される” という点こそが、
後述するように 業務でかなり強力な武器になる 部分でした。
実務で実際に効果を体験した場面
SequentialThinking MCP を使っていて特に驚いたのは、
「AIがどこでズレたのか」が可視化されること です。
普段、Copilotに相談していて
「なんか途中から変な方向に行ったな…」
と感じることってありますよね。
SequentialThinking MCP を入れると、その“変な方向に行った瞬間”が可視化されます。
-
誤った前提に気づくスピードが圧倒的に早くなった
ステップを追っていくと
「あ、ここで仕様を勘違いしてる」
「この解釈がズレの原因だな」
が一瞬で分かります。
その部分だけ指摘すればいいので、無駄なやりとりが激減しました -
複雑な課題を順序立てて整理してくれる
例えば「この機能の最適な実装方針を考えて」と依頼したとき、いきなり答えを出すのではなく- 前提整理
- 必要な要素の抽出
- 実装パターンの候補
- リスクの洗い出し
上記のように課題を分解してくれるため、設計の方向性を整理する段階として十分な精度でまとまります
-
AIの推論の“意図”がわかり、不信感が消える
普段はブラックボックスなAIの推論が、ステップに分かれて出てくることで
「この判断はこういう理由だったのか」と理解でき、結果として提案を信用しやすくなりました
SequentialThinking MCP を導入してからは、
AIと“相談しながら進める”という感覚が明確に強くなり、複雑なタスクを扱うときの安心感が格段に上がったと感じています。
Chrome DevTools MCP
Chrome DevTools MCP は、VSCode 上の Copilot から Chrome ブラウザの DevTools 機能を直接操作できるようにするMCP です。
通常、フロントエンド開発では
「ブラウザで確認 → コンソールでエラーを見る → VSCode に戻る」
という往復がどうしても発生します。
Chrome DevTools MCP を導入すると、
ブラウザの状態取得・操作・デバッグを VSCode の中で完結できるようになります。
以下の設定をmcp.jsonに設定することができます。
{
"servers": {
"chrome-devtools": {
"type": "stdio",
"command": "npx",
"args": ["-y","chrome-devtools-mcp@latest"]
}
}
}
何ができるのか？
Chrome DevTools MCP を使うことで、Copilot が次のような操作を実行できるようになります。
- 現在表示しているページの DOM や属性を取得
- クリック・入力などのユーザー操作を自動で実行
- コンソールログ・ネットワークログ・エラーログの取得
- 要素のスクリーンショット撮影
- ページ遷移や再読み込みの制御
- E2E テストのような操作シナリオをCopilotに命令して、実行
特に、UI の確認や手動デバッグで行っていた作業を Copilot が代わりにやってくれる 点が大きな特徴です。
実務で実際に効果を体験した場面
Chrome DevTools MCP を使っていて特に便利だと感じたのは、
ブラウザを用いたデバッグ作業が容易になったことです。
-
バグ調査の時間が短くなった
DOM や属性を直接取得してくれるので、
「クリックしても反応しない」「要素が消えている」
といった UI トラブルの原因を Copilot が一緒に調べてくれます -
ログの読み合わせが超ラクになる
ネットワークログやコンソールエラーを Copilot に送り、
「このエラーの原因どこ？」と聞くだけで分析してくれます -
E2E テストを“裏で回しながら実装”できる
手動でブラウザを操作せず、
「ログイン後のフローを実行して確認して」と依頼するだけで、
VSCode 内でテストのように動作が流れます -
再現が難しいバグの状況説明をAIが代わりにやってくれる
状態取得 → 要点まとめ → 原因候補の推定
まで自動でやってくれるため、調査のストレスが減りました
結果として、
UI バグ調査・E2E 検証・動作確認がすべて VSCode で完結するようになり、
画面の行き来がなくなって作業のテンポがかなり良くなりました。
まとめ
今回は、私が実務で使って「これは本当に開発効率が上がった」と感じた
いくつかの MCP を紹介しました。
- GitHub MCP Server
→ Issue・PRなどのGitHub上で行う対応をまとめて効率化 - Tavily
→ Web検索ができないCopilotの弱点を補う - Context7
→ 公式ドキュメントに基づいた最新のコードを参照 - SequentialThinkingMCP
→ AIの思考を構造化し、問題解決の質を上げる - Chrome DevTools MCP
→ UI デバッグや動作確認を VSCode で完結
どれも役割は違いますが、共通して言えるのは 「Copilot単体では届かなかった領域を、MCPが拡張してくれる」 という点です。
現状で満足している方も一度、ご自身のCopilotに導入してみてはいかがでしょうか？
まずは GitHub MCP Server と Tavily あたりから試してみると、「Copilot単体運用との違い」が一番分かりやすいと思います。
ぜひ、MCPを用いて皆さん自身の最強のCopilot環境を構築して、作業効率を最大限に上げてみてください！