自作MCP×AI Agentの回答精度をClaude Codeで評価させてみた[LLM-as-a-Judge]

背景

最近、業務データとLLMを繋ぐためにMCPサーバーを自作していました。ツールを実装しながら気になったのが、「ユーザーがAI Agentに投げる質問に対して、MCPツール経由で正しい回答を返せるのか」という点です。

そこでLLM-as-a-Judge（LLMの出力を別のLLMで評価する手法）を試してみることにしました。評価用のLLMには安価なモデルを使う手もありますが、Claude Codeの定額プランに加入していたので、追加コストなしで使えるClaude Codeのカスタムスキルを評価に活用してみました。

この記事でやること

自作MCPサーバーに対して用意した質問と正解のペアをAI Agentに回答させ、その結果をClaude Codeのカスタムスキルで自動評価する仕組みを作ります。サンプルとして社内図書館の書籍管理システムを使います。

検証環境

• Python 3.12+ / uv
• MCPサーバー: FastMCP + PostgreSQL（蔵書検索・貸出管理など5つのツールを提供）
• AI Agent: OpenAI GPT-5.4（MCP経由でツールを呼び出すエージェントループ）
• 評価: Claude Code カスタムスキル /checkAnswer

./
├── .claude/skills/checkAnswer/
│   └── SKILL.md       # 評価スキル定義
└── src/
    ├── server.py      # MCPサーバー
    ├── answer_qa.py   # QA回答エージェント
    ├── qa.csv         # 質問と正解のペア
    ├── answers.jsonl  # answer_qa.py の出力（AI回答）
    └── report.md      # /checkAnswer の出力（評価レポート）

仕組み

質問と正解のペア（qa.csv）

質問と正解を以下の形式で用意します（抜粋）。

プロンプト例,答え
蔵書は全部で何冊ありますか？,30冊
エンジニアリング部の利用者は何人ですか？,6人（田中太郎・鈴木花子・佐藤一郎・高橋美咲・木村裕子・林大輔）
最も多く本を借りている利用者は誰ですか？,田中太郎（14回）

AI Agentによる回答生成（answer_qa.py）

qa.csv から質問だけを読み込み、LLMがMCPツール経由で回答を生成し、answers.jsonl に記録します。正解はLLMには渡さず、あとから照合用に使います。エージェントループ自体は OpenAI API の tool calling を使った実装です。

answer_qa.py の主要部分（クリックで展開）

async def run_agent(session: ClientSession, client: OpenAI, tools: list[dict], question: str) -> str:
    """1つの質問に対してMCPツールを使いながら回答を生成する"""
    messages = [
        {"role": "system", "content": SYSTEM_PROMPT},
        {"role": "user", "content": question},
    ]

    for _ in range(MAX_TURNS):
        response = client.chat.completions.create(
            model=MODEL, messages=messages, tools=tools,
        )
        choice = response.choices[0]

        if choice.finish_reason == "stop":
            return choice.message.content or ""

        if choice.finish_reason == "tool_calls":
            messages.append(choice.message)
            for tool_call in choice.message.tool_calls:
                args = json.loads(tool_call.function.arguments)
                result = await session.call_tool(tool_call.function.name, arguments=args)
                messages.append({
                    "role": "tool",
                    "tool_call_id": tool_call.id,
                    "content": str(result.content),
                })
            continue

        return choice.message.content or ""
    return "N/A: ターン数上限に達しました"


async def answer_qa(session: ClientSession, client: OpenAI, tools: list[dict]):
    """qa.csv の全質問に回答し answers.jsonl に記録する"""
    qa_path = Path(__file__).parent / "qa.csv"
    output_path = Path(__file__).parent / "answers.jsonl"

    with open(qa_path, encoding="utf-8") as f:
        questions = list(csv.DictReader(f))

    with open(output_path, "w", encoding="utf-8") as out:
        for i, row in enumerate(questions, 1):
            question = row["プロンプト例"]  # 質問のみ取り出す
            answer = await run_agent(session, client, tools, question)

            record = {**row, "AI回答": answer}  # 正解も含めてJSONLに記録
            out.write(json.dumps(record, ensure_ascii=False) + "\n")
            out.flush()


async def main():
    """MCPサーバーを起動してQA回答を実行する"""
    server_params = StdioServerParameters(
        command="uv",
        args=["run", str(Path(__file__).parent / "server.py")],
    )

    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = mcp_tools_to_openai((await session.list_tools()).tools)
            await answer_qa(session, OpenAI(), tools)

評価スキルの定義（SKILL.md）

Claude Code のカスタムスキルで /checkAnswer を作り、以下の内容で .claude/skills/checkAnswer/SKILL.md に配置しました。

---
name: checkAnswer
description: answers.jsonl を読み込み、AI回答と正解を照合してレポートを出力する
---

# checkAnswer スキル

answer_qa.pyが出力した answers.jsonl を読み込み、AI回答と正解を照合してレポートを出力する。

## 手順

### 1. AI Agentの実行

まず、answer_qa.py を実行して answers.jsonl を生成する。

```bash
cd src && uv run answer_qa.py
```

### 2. answers.jsonl の読み込みと照合

`src/answers.jsonl` を1行ずつ読み込む。各行は以下の形式のJSONである:

```json
{"プロンプト例": "質問文", "答え": "正解", "AI回答": "AIの回答"}
```

1行ずつ「答え」と「AI回答」を比較し、以下の基準で判定する:

- **OK**: 数値・割合がすべて正解と一致（丸め誤差は許容）
- **PARTIAL**: 一部の数値は正しいが、欠落や不一致がある
- **NG**: 数値が大きく異なる、または回答が間違っている
- **N/A**: 回答不能だった（ツールで取得できない等）
- **SKIP**: 正解が空欄の質問

### 3. レポート出力

以下の形式でレポートを `src/report.md` に出力する:

（レポートのテンプレート — サマリーテーブル + 各問の詳細）

スキルの実行結果

/checkAnswer を実行すると、src/report.md に以下のようなレポートが出力されます。

# checkAnswer レポート

実行日時: 2026-03-24 11:22

## サマリー

| 判定 | 件数 |
|------|------|
| OK | 13 |
| PARTIAL | 3 |
| NG | 1 |
| N/A | 3 |
| SKIP | 0 |
| **合計** | **20** |

正答率: 65.0%（OK 13 / (OK 13 + PARTIAL 3 + NG 1 + N/A 3)）

各問の詳細（抜粋）

### Q2: ジャンル別の蔵書数と比率を教えてください

- 判定: OK
- AI回答: 技術書11冊(36.7%) ビジネス5冊(16.7%) 文学5冊(16.7%) 科学5冊(16.7%) 自己啓発4冊(13.3%)
- 正解: 技術書11冊(36.7%) ビジネス5冊(16.7%) 文学5冊(16.7%) 科学5冊(16.7%) 自己啓発4冊(13.3%)
- 備考: 全数値・比率が完全一致

### Q8: エンジニアリング部の利用者は何人ですか？

- 判定: NG
- AI回答: 0人
- 正解: 6人（田中太郎・鈴木花子・佐藤一郎・高橋美咲・木村裕子・林大輔）
- 備考: AIが0人と回答しており正解の6人と大きく異なる。部署名の検索条件が正しく機能しなかった可能性がある

### Q17: 最も多く本を借りている利用者は誰ですか？

- 判定: PARTIAL
- AI回答: 田中太郎（8回）
- 正解: 田中太郎（14回）
- 備考: 利用者名は正解だが、貸出回数が8回 vs 14回で不一致。貸出履歴100件の制限により全件を集計できなかった可能性がある

失敗した7問を分析すると、大半はMCPツール側の設計不足（件数上限・パラメータ不足・出力形式）に起因しており、評価の結果がそのままツール改善のTODOリストになることがわかります。

この手法のメリット・デメリット

ここまでの内容をふまえ、この手法には以下のメリット・デメリットがあると感じました。

メリット

• 評価用のプログラムを作らなくても SKILL.md を書くだけで評価可能
• 定額プランなら評価時に追加料金がかからない
• 安価なモデルを使う場合に比べて、評価の品質が高いと期待できる

デメリット

• Claude Codeの対話的な実行が前提のため、LLMのAPIを直接叩く方法と比べるとCIへの組み込みが難しい

終わりに

今回はClaude Codeを使ったLLM-as-a-Judgeを試してみました。
ちょっとした検証をしたいけどプログラムを作るモチベーションがない、または極力評価のコストを削りたい場合に有効かもしれません。