はじめに：AIが「私のPC」を操作する時代

「Claude、Eagleにある『黒色の猫』の画像を探して」
「この画像の雰囲気を分析して、適切なタグを付けておいて」

もし、チャットボットに自然言語で話しかけるだけで、ローカルPCにある31万枚の画像コレクションを自由自在に操れるとしたら？

そんな「LLMとローカル環境の連携」を標準化し、実用的な操作を可能にする共通規格が、Anthropicの提唱する MCP (Model Context Protocol) です。

この記事では、画像管理アプリ 「Eagle」 をClaude Desktopから直接操作できる 「Eagle MCP Server」 を自作し、31万枚の画像整理をAIエージェントに任せてみた記録を共有します。

MCP (Model Context Protocol) とは？

MCP は、ClaudeのようなLLM（大規模言語モデル）と、外部のデータやツールを接続するための標準規格です。

これまで、AIにローカルのツールを使わせるには、複雑な「Function Calling」の実装や、独自のプラグイン開発が必要でした。しかしMCPを使えば、「ツール（関数）」を定義してサーバーとして公開するだけで、Claude Desktopなどのクライアントアプリが自動的にそれを認識し、使用してくれるようになります。

まさに、「LLMのためのUSB規格」 と呼ぶべき画期的なプロトコルです。

なぜ作ったのか：31万枚の「未分類」地獄

私はEagleという素晴らしいアプリに、31万枚以上の画像や素材を保存しています。しかし、その整理はとうの昔に破綻していました。

「いつか整理しよう」と思って放り込んだ画像が、数万枚単位で「未分類」フォルダに眠っている...。
探したい画像があっても、キーワードが曖昧で見つからない...。

そこで考えました。
「AIに画像を見せて、勝手に整理させればいいじゃないか」

システム構成：WSL2 × Eagle API × MCP

私の開発環境は Windows 11 + WSL2 (Ubuntu) です。
ここで少し技術的な壁があります。

Eagleアプリ: Windows側で動作（APIサーバーもWindows）
MCPサーバー: Python環境の管理しやすさからWSL2で動かしたい
Claude Desktop: Windowsアプリとして動作

これらを繋ぐため、以下のような構成にしました。

実装：Pythonで「FastMCP」を使う

MCPサーバーの実装には、Python製のSDK fastmcp を使用しました。これを使うと、驚くほど簡単にサーバーが書けます。

1. サーバーの初期化

from fastmcp import FastMCP

# サーバー名を指定して初期化
mcp = FastMCP("Eagle-AI-Server")

たったこれだけです。

2. ツール（機能）の定義

Claudeに使わせたい機能を、デコレータ @mcp.tool() を付けて関数として定義します。
ドキュメンテーション文字列（docstring）がそのまま「AIへの説明書」になるため、詳細に書くのがコツです。

画像検索ツール

@mcp.tool()
def search_eagle(keyword: str) -> str:
    """
    Eagle ライブラリの中から、キーワードや条件に一致する画像を探します。
    ユーザーが「猫の画像」と言ったら "猫" で検索してください。
    
    Args:
        keyword: 検索したいキーワード（例: "猫", "風景", "Screenshot"）
    """
    # Eagle APIを叩いて検索
    results = eagle_client.search(keyword)
    
    # AIが読みやすい形式に整形して返す
    return format_search_results(results)

画像分析ツール

ローカルのVLM（Qwen2-VL）を使って、画像を詳しく分析するツールも作りました。

@mcp.tool()
def analyze_image(file_path: str) -> str:
    """
    指定された画像の視覚的な内容、雰囲気、文字情報(OCR)を詳しく分析します。
    """
    # WindowsパスをWSLパスに変換する処理が必要（後述）
    wsl_path = convert_win_to_wsl(file_path)
    
    # VLMで分析（重い処理）
    analysis_result = vlm_analyzer.analyze(wsl_path)
    
    return analysis_result

3. サーバーの実行

if __name__ == "__main__":
    mcp.run(transport="stdio")

これで、標準入出力（stdio）を通じてClaudeと会話できるサーバーの完成です。

技術的なハマりどころと解決策

実装自体は簡単でしたが、環境特有の問題にいくつか直面しました。

課題1: Windows (Claude) と WSL2 (MCP) の接続

Claude Desktop（Windowsアプリ）の設定ファイルに、WSL2上のPythonスクリプトを登録する必要があります。しかし、単にパスを書くだけでは動きません。

解決策: バッチファイルでブリッジする

Windows側に、WSL2内のコマンドを叩くためのバッチファイル(run_eagle_mcp.bat)を用意しました。

@echo off
chcp 65001 >nul
wsl.exe -d Ubuntu-20.04 -u user --cd /home/user/dev/Eagle_API bash -c "source .venv/bin/activate && python mcp_server.py"

そして、Claude Desktopの config.json にはこのバッチファイルを指定します。

{
  "mcpServers": {
    "eagle-ai": {
      "command": "C:\\Users\\user\\Scripts\\run_eagle_mcp.bat",
      "args": []
    }
  }
}

これで、Claude Desktop → バッチファイル → WSL2 → Python という経路が開通しました。

課題2: パスの壁（Z:ドライブ vs /mnt/z）

Eagle APIから返ってくるファイルパスはWindows形式（例: Z:\Images\cat.jpg）ですが、WSL2上のPythonから画像を開くにはWSL形式（/mnt/z/Images/cat.jpg）が必要です。

これには地道なパス変換関数を実装して対応しました。

def wsl_path_converter(windows_path: str) -> str:
    # ドライブレター置換
    if len(windows_path) > 1 and windows_path[1] == ':':
        drive = windows_path[0].lower()
        rest = windows_path[2:].replace("\\", "/")
        return f"/mnt/{drive}{rest}"
    return windows_path

実際の動作デモ：AIエージェントに任せる「画像管理」

実際に Claude Code (Sonnet 4.5) で動かしてみた様子を紹介します。

1. 検索＋詳細分析の連携

私: 「Eagleで『女の子』の画像を検索して、その中から一番最近追加された画像を1枚選んで、内容を詳しく分析して。」

AI: (内部で search_eagle を実行。「女の子」ではファイルが見つからなかったため、自動で「girl」に切り替えて再検索を実行)

Claudeの回答（分析結果）:

画像分析結果
20代後半の日本のギャル系女性のイラストです。金髪/白髪系の明るい髪色にフープピアス、黒いチョーカーを身に着け、タブレットPCとスマートフォンを持っています。夜の都市のネオンサインを背景に、都会的な雰囲気を感じさせます。

このように、一度の指示で「検索 → 最適な1枚を選択 → 詳細情報の取得 → AIによる画像分析」までが、一気通貫で自動実行されます。

2. 複数アイテムの検索＋一覧表作成

私: 「『no human』タグが付いている画像を3枚探して、それぞれの解像度と付いているタグを一覧表にしてまとめて。」

複数のアイテムに対しても、AIが個別に情報を取得し、人間が読みやすい表形式にサマライズしてくれます。

3. エラーハンドリング（パス変換の検証）

あえて存在しないWindows形式のパスを渡して、WSL2側での変換とエラー処理が機能するかテストしました。

私: 「C:\dummy.jpg を分析してみて。」

内部で analyze_image(file_path: "C:\\dummy.jpg") が呼ばれ、WSL2側のパス /mnt/c/dummy.jpg として正しく解釈された上で、「ファイルが見つからない」という適切なエラーが返ってきています。

まとめ：MCPは「個人開発者」にこそおすすめしたい

MCPの登場によって、LLMは単なる「話し相手」から、「PC操作の代行者」 へと進化しました。

特に、EagleのようなローカルアプリのAPIをMCPでラップするだけで、「自分専用の最強AIアシスタント」 が爆誕します。
今回は画像管理でしたが、他にも：

Obsidian MCP: メモの検索・要約・リンク作成
Git MCP: ローカルリポジトリのコミット履歴分析
Home Automation MCP: 自宅のIoT機器操作

など、アイデア次第で可能性は無限大です。

皆さんもぜひ、fastmcp で「俺専用MCPサーバー」を作ってみてください。世界が変わります。

参考リンク

システムの全体像について

本記事では「AIによる操作（MCP）」にフォーカスしましたが、そもそもなぜ31万枚もの画像を整理する必要があったのか？という背景や、RTX 5090 を活用したローカルVLMマシンの構成など、システム全体のアーキテクチャについてはZennで詳しく解説しています。

Zenn: 31万枚の画像をAI自動整理するシステムを、RTX 5090とローカルVLM(Qwen2-VL)で作った話