1. はじめに

この記事では、Microsoft.Extensions.AI が提供する抽象化レイヤー(IChatClient など)を活用して、Model Context Protocol(MCP)サーバーと連携するChatクライアントの実装を試してみたいと思います。

2. Microsoft.Extensions.AIとは

Microsoft.Extensions.AIは、.NETアプリケーションでAIモデルを簡単に利用できるようにするためのライブラリです。これにより、OpenAIやAzure OpenAIなどのAIサービスとシームレスに統合できます。

3. サンプルコード

今回、下記のドキュメントに記載されているサンプルコードをベースに、MCPサーバーのツール呼び出しに対応したChatClientを実装を試しました。

本記事のために作成したソースコードはGitHubで公開しています。こちらも併せてご確認ください。

MCPサーバー

ChatClientと連携するMCPサーバーは、上記MPCサーバーのドキュメントに記載されている、最小限のMCPサーバーのテンプレートをそのまま利用しています。

実装されているツールは、下記の１つだけです。

internal class RandomNumberTools
{
    [McpServerTool]
    [Description("指定した最小値以上、最大値未満のランダムな数値を生成します。")]
    public int GetRandomNumber(
        [Description("最小値（含む）")] int min = 0,
        [Description("最大値（未満）")] int max = 100)
    {
        return Random.Shared.Next(min, max);
    }
}

Chat Client

Chat Clientは上記MCPクライアントのドキュメントに記載されているサンプルコードをベースに実装しています。
Microsoft.Extensions.AIのIChatClientインターフェースを利用します。

サンプルでは接続先LLMとしてAzure OpenAIを利用していますが、今回はGitHub Modelsを利用するよう変更します
MCPサーバーの起動や、ツールの呼び出し処理はサンプルコードをほぼそのまま利用します

4. プログラムの実装

4.1 GitHub Modelsに接続してChatClientを構築する

GitHub Modelsから接続情報を取得

パーソナルアクセストークンの取得

GitHub ModelsのLLMに接続するには、GitHubのパーソナルアクセストークンが必要です。個人用アクセストークンを管理する: GitHub Docsを参考に、パーソナルアクセストークンを作成します。
付与する権限は「Models」の「read-only」のみでOKです。

モデル選択とエンドポイントの確認

https://github.com/marketplace/models へ移動します
左上の「Model: Select a Model」ドロップダウンから、使いたいモデルを選択します。今回は"OpenAI GPT-4.1 mini" を選びました
右上の「Use this model」ボタンをクリックすると表示される、サンプルコードに記載されているendpointとmodelを控えておきます
endpoint = "https://models.github.ai/inference";
model = "openai/gpt-4.1-mini";

IChatClientの実装

MCPクライアントのサンプルコードでは、Azure OpenAIを利用するコードになっています。これをGitHub Modelsに接続するコードに変更します。

Nugetパッケージのインストール

GitHub Modelsで選択した openai/gpt-4.1-mini は、OpenAIのモデルのため、OpenAIクライアント用のパッケージをインストールします。
(記事執筆時点ではPreview版のため --preleaseをつけてインストールしています)

> dotnet add package Microsoft.Extensions.AI.OpenAI --prelease

IChatClientの実装をGitHub Models（OpenAI）用に変更する

MCPクライアントのサンプルコードでは、Azure OpenAIを利用するコードになっています。これをGitHub Modelsに接続するコードへ変更します。

using Azure.AI.OpenAI;
using Azure.Identity;
using Microsoft.Extensions.AI;
//中略...

// Create an IChatClient using Azure OpenAI.
IChatClient client =
    new ChatClientBuilder(
        new AzureOpenAIClient(
            new Uri("<your-azure-openai-endpoint>"),
            new DefaultAzureCredential())
                .GetChatClient("gpt-4o")
                .AsIChatClient())
        .UseFunctionInvocation()
        .Build();

Microsoft.Extensions.AIでは、ChatClientの各機能を抽象化したIChatClientインターフェースを提供しています。
Chat Clientを生成する手順としては下記の様になります。これにより、LLMの種類やベンダーに依存しないコードを書くことができます。

各ベンダー・LLM用のクライアントを生成する
拡張メソッド、AsIChatClient()を利用してIChatClientに変換する
ChatClientBuilderを利用してIChatClientを生成する
MCPサーバーのツール呼び出しに対応するため、ChatClientBuilderの拡張メソッド、UseFunctionInvocation()を追加

GitHub Models様に変更したコードは下記の様になります。APIキーの取得方法等が異なるだけで、ほとんど同じようなコードで実装できることがわかります。

APIキーは環境変数"GH_MODELS_TOKEN"から取得するようにしています
モデル名、エンドポイントはGitHub Modelsのサイトから控えておいたものを利用しています

using Microsoft.Extensions.AI;
//中略...

var model = "openai/gpt-4.1-mini";
var apiKey = Environment.GetEnvironmentVariable("GH_MODELS_TOKEN", EnvironmentVariableTarget.User)
    ?? throw new InvalidOperationException("Please set the GH_MODELS_TOKEN environment variable.");

var key = new ApiKeyCredential(apiKey);
var options = new OpenAI.OpenAIClientOptions { Endpoint = new Uri("https://models.github.ai/inference") };

return new ChatClientBuilder(
    new OpenAI.OpenAIClient(key, options)
        .GetChatClient(model)
        .AsIChatClient()) //IChatClientに変換
    .UseFunctionInvocation() //ツール呼び出しに対応
    .Build();

4.2 IMcpClientを利用してMCPサーバーに接続する

こちらは、MCPクライアントのサンプルコードほぼそのままですが、サンプルではMCPサーバーのプロジェクトをdotnet runコマンドでビルド＆起動する設定となっていましたが
今回、MCPサーバーのプロジェクトを事前にビルドしておき、dotnetコマンドで直接DLLを実行するように変更しています。

// MCPサーバーに接続するMCPクライアントを生成
IMcpClient mcpClient = await McpClientFactory.CreateAsync(
    new StdioClientTransport(new()
    {
        Command = "dotnet",
        Arguments = [".\\mcp-server\\MyMcpServer.dll"], // 事前にビルドしたMCPサーバーのDLLを指定
        Name = "Minimal MCP Server",
    }));

// MCPサーバーに登録されているツールの一覧を取得
var tools = await mcpClient.ListToolsAsync();

4.3 Chatセッションの実装

こちらの処理もMPCクライアントのサンプルコードそのままです。
これだけの記述で、ツールの呼び出しに対応したChatセッションが実装できるのは非常に便利です。

//メッセージ履歴保存用
var messages = new List<ChatMessage>();
while (true)
{
    //ユーザーからの入力を受け取る
    Console.Write("Prompt: ");
 
    //メッセージ履歴にユーザーからの入力を追加
    messages.Add(new(ChatRole.User, input));
 
    //Streamingメッセージ取得用バッファ
    List<ChatResponseUpdate> updates = new();
    try
    {
        //ChatClientからStreamingで応答を取得
        await foreach (var update in _chatClient.GetStreamingResponseAsync(
            messages,                        //これまでのメッセージ履歴を渡す
            new() { Tools = [.. _tools] }))  //MCPサーバーのツールを渡す
        {
            Console.Write(update); //応答はリアルタイムでコンソールに表示
            updates.Add(update);
        }
        Console.WriteLine();
     }
     catch (Exception ex)
     {
         continue;
     }

     //応答をメッセージ履歴に追加
     messages.AddMessages(updates); 
}

5. 動作確認

実行してみます。

Prompt: 1から10までのランダムな数値を生成して
13です。他にも数字が欲しければ教えてください。
Prompt: 5から15までのランダムな数値を2つ生成して
7と11です。他にも数字が欲しければ教えてください。

正しい回答が得られていますが、これだけでは本当にMCPサーバーのツールの呼び出し結果が利用されているのか分かりません。ツールの機能が単純すぎるため、LLMが自力で回答してしまっている可能性もあります。

6. ログを取って処理の流れを確認する

IChatClientでは、ILoggerを利用するミドルウェアを利用してChatClient内の処理のログを取得できます。MCPクライアントに対しても同様にログ取得の仕組みがあります。
こちらを設定して、LLMやMPCサーバーとのやり取りがどの様に行われているかを確認してみます。

6.1 ロギングの設定

LoggerFactoryの生成

ILoggerを利用するには、まずILoggerFactoryを生成します。
個別にログレベルを設定できるように、カテゴリ毎のフィルターを追加しています。

ModelContextProtocol.Client.* : IMcpClientのログ
Microsoft.Extensions.AI.LoggingChatClient : IChatClientのログ

今回は詳細な動作を確認したいので、両方ともLogLevel.Traceに設定しています。

var loggerFactory = LoggerFactory.Create(builder =>
{
    builder
        .AddSimpleConsole(o => { o.SingleLine = true; o.TimestampFormat = "HH:mm:ss "; })
        .AddFilter("ModelContextProtocol.Client.*", LogLevel.Trace)
        .AddFilter("Microsoft.Extensions.AI.LoggingChatClient", LogLevel.Trace);
});

IChatClientの生成コードにロギングを追加する

ChatClientBuilderの拡張メソッド、UseLogging()にILoggerFactoryを渡します。

new ChatClientBuilder(
    new OpenAI.OpenAIClient(key, options)
        .GetChatClient(model)
        .AsIChatClient())
    .UseLogging(loggerFactory)
    .UseFunctionInvocation()
    .Build();

MCPクライアントの生成コードにロギングを追加する

McpClientFactoryのCreateAsync()メソッドにILoggerFactoryを渡します。

IMcpClient mcpClient = await McpClientFactory.CreateAsync(
    new StdioClientTransport(new()
    {
        Command = "dotnet",
        Arguments = [".\\mcp-server\\MyMcpServer.dll"],
        Name = "Minimal MCP Server",
    }, loggerFactory));

6.2 ログの確認

これで、MCPクライアント、ChatClientの両方でログが取得できるようになりました。実行時にどのようなログが出力されるか確認してみましょう。

ログは読みやすいよう、一部カットや改行などの加工をしています。

ChatClientのログ(1)

GetStreamingResponseAsync invoked: [
    {
        "role": "user",
        "contents": [
            {
                "$type": "text",
                "text": "1から50までの数値を1つください"
            }
        ]
    }
 ].
 Options: {}. 
 Metadata: {
   "providerName": "openai",
   "providerUri": "https://models.github.ai/inference",
   "defaultModelId": "openai/gpt-4.1-mini"
 }.
GetStreamingResponseAsync received update: { "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], ... }
GetStreamingResponseAsync received update: {
    "role": "assistant",
    "contents": [
        {
            "$type": "usage",
            "details": {
                "inputTokenCount": 103,
                "outputTokenCount": 20,
                "totalTokenCount": 123,
                "additionalCounts": {
                    "InputTokenDetails.AudioTokenCount": 0,
                    "InputTokenDetails.CachedTokenCount": 0,
                    "OutputTokenDetails.ReasoningTokenCount": 0,
                    "OutputTokenDetails.AudioTokenCount": 0,
                    "OutputTokenDetails.AcceptedPredictionTokenCount": 0,
                    "OutputTokenDetails.RejectedPredictionTokenCount": 0
                }
            }
        }
    ],
    "responseId": "chatcmpl-CEWIme6mBj4HFh88ww1VXqZD2zocM",
    "messageId": "chatcmpl-CEWIme6mBj4HFh88ww1VXqZD2zocM",
    "createdAt": "2025-09-11T07:46:36+00:00",
    "finishReason": "tool_calls",
    "modelId": ""
}
GetStreamingResponseAsync received update: {
    "role": "assistant",
    "contents": [
        {
            "$type": "functionCall",
            "callId": "call_5AAH3DYvWbWupdcEZlReO6ou",
            "name": "get_random_number",
            "arguments": {
                "min": 1,
                "max": 51
            }
        }
    ],
    "responseId": "",
    "messageId": "",
    "createdAt": "1970-01-01T00:00:00+00:00",
    "finishReason": "tool_calls",
    "modelId": ""
}
GetStreamingResponseAsync completed.

MCPクライアントのログ(1)

Minimal MCP Server received stderr log: 'info: ModelContextProtocol.Server.McpServer[570385771]'.
Minimal MCP Server received stderr log: ' Server (MyMcpServer 1.0.0.0), Client (MyMcpHost 1.0.0.0) method 'tools/call' request handler called.'.
Minimal MCP Server transport received message. Message: '{"result":{"content":[{"type":"text","text":"23"}]},"id":3,"jsonrpc":"2.0"}'.
Minimal MCP Server received stderr log: 'info: ModelContextProtocol.Server.McpServer[1867955179]'.
Minimal MCP Server received stderr log: ' Server (MyMcpServer 1.0.0.0), Client (MyMcpHost 1.0.0.0) method 'tools/call' request handler completed.'.
Minimal MCP Server transport received message with ID '3'.

ChatClientのログ(2)

GetStreamingResponseAsync invoked: [
        {
            "role": "user",
            "contents": [
                {
                    "$type": "text",
                    "text": "1から50までの数値を1つください"
                }
            ]
        },
        {
            "createdAt": "1970-01-01T00:00:00+00:00",
            "role": "assistant",
            "contents": [
                {
                    "$type": "functionCall",
                    "callId": "call_5AAH3DYvWbWupdcEZlReO6ou",
                    "name": "get_random_number",
                    "arguments": {
                        "min": 1,
                        "max": 51
                    }
                }
            ],
            "messageId": "chatcmpl-CEWIme6mBj4HFh88ww1VXqZD2zocM"
        },
        {
            "role": "tool",
            "contents": [
                {
                    "$type": "functionResult",
                    "callId": "call_5AAH3DYvWbWupdcEZlReO6ou",
                    "result": {
                        "content": [
                            {
                                "type": "text",
                                "text": "23"
                            }
                        ]
                    }
                }
            ]
        }
    ]. 
    Options: {}. 
    Metadata: { "providerName": "openai", "providerUri": "https://models.github.ai/inference", "defaultModelId": "openai/gpt-4.1-mini" }.
GetStreamingResponseAsync received update: { "contents": [], "responseId": "", "messageId": "", "createdAt": "1970-01-01T00:00:00+00:00", "modelId": "" }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "1" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "から" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "50" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "まで" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "の" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "数" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "値" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "は" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "23" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "です" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [ { "$type": "text", "text": "。" } ], ... }
GetStreamingResponseAsync received update: { "role": "assistant", "contents": [], 
    "responseId": "chatcmpl-CEWInSmHzu1wyBn3zeqljicSrFmSe", 
    "messageId": "chatcmpl-CEWInSmHzu1wyBn3zeqljicSrFmSe", 
    "createdAt": "2025-09-11T07:46:37+00:00", 
    "finishReason": "stop", 
    "modelId": "" }
GetStreamingResponseAsync received update: {
        "role": "assistant",
        "contents": [
            {
                "$type": "usage",
                "details": {
                    "inputTokenCount": 158,
                    "outputTokenCount": 13,
                    "totalTokenCount": 171,
                    "additionalCounts": {
                        "InputTokenDetails.AudioTokenCount": 0,
                        "InputTokenDetails.CachedTokenCount": 0,
                        "OutputTokenDetails.ReasoningTokenCount": 0,
                        "OutputTokenDetails.AudioTokenCount": 0,
                        "OutputTokenDetails.AcceptedPredictionTokenCount": 0,
                        "OutputTokenDetails.RejectedPredictionTokenCount": 0
                    }
                }
            }
        ],
        "responseId": "chatcmpl-CEWInSmHzu1wyBn3zeqljicSrFmSe",
        "messageId": "chatcmpl-CEWInSmHzu1wyBn3zeqljicSrFmSe",
        "createdAt": "2025-09-11T07:46:37+00:00",
        "finishReason": "stop",
        "modelId": ""
    }

シーケンス図

このログを元にシーケンス図を作成してみます。

HostApp（ホストアプリ）がChatClientに対してプロンプトを送信します。
ChatClientはLLM（大規模言語モデル）にユーザーの入力を渡します。
LLMはツール呼び出し（functionCall）として「get_random_number(min: 1, max: 51)」を提案します。
ChatClientはMcpClientを通じてMcpServerにツール呼び出しリクエストを送信します。
McpServerはランダムな数値（例: 23）を生成し、McpClient経由でChatClientに返します。
ChatClientはツール呼び出しの結果をLLMに返却します。
LLMは最終的な応答文（「1から50までの数値は23です。」など）を分割してChatClientに返します。
ChatClientは分割された応答を順次HostAppに返却します。

この流れにより、LLMが自力で数値を生成するのではなく、MCPサーバーのツール呼び出し結果を利用して応答していることが分かります。

おわりに

Microsoft.Extensions.AI を用いることで、ベンダー固有 SDK 依存のコード量を最小化しつつ、ミドルウェアパイプライン(ログ出力 / FunctionInvocation など)を差し替え可能な形で構築できることが確認できました。

加えて MCP 最小サーバーを組み合わせることで、LLM の応答が外部ツール(今回は乱数生成)に基づいていることをログからも確認できました。

ツールの呼び出し対応した ChatClient の実装は非常にシンプルで、Microsoft.Extensions.AI の抽象化レイヤーを活用することで、LLM ベンダーの切り替えも容易に行える点が大きな利点と感じました。