Go to Qiita Advent Calendar Top
LoginSignup
3
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@yamato000000

【Claude Code × MCP】実務で使える6つのMCPサーバー実践ガイド｜トークン89%削減の具体例

Posted at

はじめに：「で、結局どのMCP使えばいいの？」

先日、@hatyibeiさんの「Code Execution with MCP」の記事を読んで、MCPの新しい使い方にかなり衝撃を受けました。

記事の要点をざっくりまとめると:

  • 従来：ツールコール中心（AIとの往復5回以上、15,000トークン）
  • 新方式：Code Execution中心（往復1回、1,600トークン、89%削減）

理論的には完全に理解できたんですが、正直なところ 「で、具体的にどのMCPサーバーをどう使えばいいの？」 という部分が分からなかったんですよね😅

そこで、自分なりに実務で使えそうなMCPサーバーを調べて、具体的なコード例と一緒にまとめてみました。

注意
まだ実際に全部は試してないので「こんな感じで動くはず」という内容です。ただ、抽象的な説明より具体例がある方が分かりやすいと思うので、実装イメージとして参考にしてください。

この記事で分かること

  • やまとさん（製造業DX推進担当）の実務で使える6つのMCPサーバー
  • 各MCPの具体的なインストール方法とコード例
  • 従来方式との比較（トークン消費、往復回数）
  • すぐに使える実践的なセットアップ手順

対象読者は、Claude Codeを使っている（または使いたい）エンジニアで、特に業務でGoogle Sheets/Drive/GitHubを使っている方には参考になるはずです。

前提知識：Code Execution × MCP とは？

詳細は元記事を読んでほしいんですが、超ざっくり説明すると、

従来の方式（ツールコール中心）

ユーザー: データ取得して集計してシートに出力
AI → ツール1実行 → 結果10,000トークン返却
AI → ツール2実行 → 結果8,000トークン返却  
AI → ツール3実行 → 結果5,000トークン返却
AI → ツール4実行 → 完了

合計: 往復4回、23,000トークン

新方式（Code Execution中心）

ユーザー: データ取得して集計してシートに出力
AI → Pythonコード生成
    ├ ツール1でデータ取得
    ├ コード内でフィルタ
    ├ コード内で集計
    └ ツール2でシート出力
    
合計: 往復1回、2,500トークン（89%削減）

中間処理（フィルタ、集計）をコード内で完結させることで、AIとの無駄な往復を減らすってことみたいですね。

実務で使える6つのMCPサーバー

1. Google Sheets MCP（最重要）

こんな時に使う👇

  • 燃料管理システムのデータ集計
  • 月次レポートの自動生成
  • スプレッドシートからのデータ抽出→加工→出力

インストール:

claude mcp add google-sheets \
  --env GOOGLE_CLIENT_ID=your_client_id \
  --env GOOGLE_CLIENT_SECRET=your_client_secret \
  -- npx -y @modelcontextprotocol/server-google-sheets

実際の使い方

現場で「今月の燃料使用量を機械ごとに集計してくれ」って言われた時、こんな感じで指示します👇

claude
> 今月の燃料使用量データをスプレッドシート「燃料管理2025」から取得して、
  機械ごとに集計し、新しいシート「11月集計」に出力して

Claudeが生成するコード

from mcp_tools.google_sheets import read_sheet, create_sheet, write_sheet

# 1. データ取得
data = read_sheet('燃料管理2025', 'A1:E1000')

# 2. 今月のデータをフィルタ（コード内で完結）
this_month = [row for row in data if row[0].startswith('2025-11')]

# 3. 機械ごとに集計（コード内で完結）
result = {}
for row in this_month:
    machine_id = row[1]  # B列
    amount = float(row[3])  # D列
    
    if machine_id not in result:
        result[machine_id] = 0
    result[machine_id] += amount

# 4. 新しいシートに出力
create_sheet('燃料管理2025', '11月集計')
output_data = [['機械ID', '使用量']]
for machine_id, total in result.items():
    output_data.append([machine_id, total])

write_sheet('燃料管理2025', '11月集計', output_data)
print(f"集計完了: {len(result)}台分")

従来方式との比較

項目 従来方式 Code Execution方式
往復回数 4回 1回
トークン消費 約15,000 約2,000
処理時間 15秒 3秒

フィルタと集計をPythonコード内で処理するので、中間データをAIに送り返す必要がないんですよね。これがトークン削減の鍵です。

2. Google Drive MCP

こんな時に使う👇

  • 要件定義書の管理と更新
  • 技術ドキュメントの自動生成
  • チーム共有用の報告書作成

インストール

claude mcp add google-drive \
  --env GOOGLE_CLIENT_ID=your_client_id \
  --env GOOGLE_CLIENT_SECRET=your_client_secret \
  -- npx -y @modelcontextprotocol/server-gdrive

実際の使い方

要件定義書の抜け漏れチェックとか、よくやるじゃないですか？
こういう時に便利です👇

claude
> Drive内の「燃料システム要件定義」を読んで、
  不足している項目をリストアップして、
  新しいドキュメント「要件追加項目」を作成して

Claudeが生成するコード

from mcp_tools.google_drive import read_file, create_file, search_files

# 1. ファイル検索
files = search_files('燃料システム要件定義')
doc_id = files[0]['id']

# 2. 内容読み込み
content = read_file(doc_id)

# 3. 不足項目を分析（コード内で完結）
required_sections = [
    '機能要件', 'セキュリティ要件', 'パフォーマンス要件',
    'データ保持期間', 'バックアップ方針', 'エラー処理'
]

existing_sections = []
for line in content.split('\n'):
    for section in required_sections:
        if section in line:
            existing_sections.append(section)

missing = [s for s in required_sections if s not in existing_sections]

# 4. 新しいドキュメント作成
new_content = f"""# 要件追加項目

## 不足している項目
{chr(10).join(f'- {item}' for item in missing)}

## 推奨される記載内容
"""

for item in missing:
    new_content += f"\n### {item}\n（具体的な記載例を追加）\n"

create_file('要件追加項目', new_content, mime_type='text/markdown')
print(f"不足項目: {len(missing)}件を検出")

実用性

要件定義って、最初はざっくり書いてて後から「あ、これ書いてなかった」ってなるんですよね😅

このMCPがあれば、ドキュメント読み込み → 分析 → 新規作成が1回で完結するので、めちゃくちゃ効率的です✨

3. GitHub MCP

こんな時に使う👇

  • コードレビュー自動化
  • Issue対応の実装→PR作成
  • リリースノート生成

インストール

claude mcp add github \
  --env GITHUB_TOKEN=your_personal_access_token \
  -- npx -y @modelcontextprotocol/server-github

実際の使い方

Issue駆動開発してる時、こんな感じで指示できます👇

claude
> リポジトリ「fuel-management」のissue #15「燃料アラート機能」を実装して、
  PRを作成して

Claudeが生成するコード

from mcp_tools.github import get_repo, get_issue, create_branch, commit_file, create_pr

# 1. Issue内容確認
issue = get_issue('yamato/fuel-management', 15)
print(f"実装内容: {issue['title']}")

# 2. 新しいブランチ作成
create_branch('yamato/fuel-management', 'feature/fuel-alert')

# 3. コード実装
alert_code = """
def check_fuel_alert(machine_id, current_amount, threshold=100):
    '''燃料残量が閾値を下回ったらアラート送信'''
    if current_amount < threshold:
        send_alert(f'機械{machine_id}の燃料残量: {current_amount}L')
        return True
    return False

def send_alert(message):
    '''Slack等にアラート送信（実装はプロジェクト依存）'''
    print(f"ALERT: {message}")
"""

commit_file(
    'yamato/fuel-management',
    'feature/fuel-alert',
    'src/alert.py',
    alert_code,
    'feat: 燃料アラート機能実装 #15'
)

# 4. PR作成
pr = create_pr(
    'yamato/fuel-management',
    'feature/fuel-alert',
    'main',
    'feat: 燃料アラート機能実装',
    f'Fixes #{issue["number"]}\n\n{issue["body"]}'
)

print(f"PR作成完了: {pr['html_url']}")

個人的な感想

「Issue見る → ブランチ切る → コード書く → コミット → PR作成」って、毎回同じ流れじゃないですか。

これが自然言語の指示1回で完結するのは、かなり衝撃的ですね。特に副業とかで複数プロジェクト抱えてる時、この時短効果は大きいと思います。

4. PostgreSQL/MySQL MCP

こんな時に使う👇

  • データベース直接操作
  • データ分析・異常値検出
  • レポート生成

インストール

# PostgreSQL の場合
claude mcp add postgres \
  --env DATABASE_URL=postgresql://user:pass@localhost:5432/fuel_db \
  -- npx -y @modelcontextprotocol/server-postgres

# MySQL の場合
claude mcp add mysql \
  --env MYSQL_HOST=localhost \
  --env MYSQL_USER=root \
  --env MYSQL_PASSWORD=your_password \
  --env MYSQL_DATABASE=fuel_db \
  -- npx -y @modelcontextprotocol/server-mysql

実際の使い方

燃料データベースの異常値検出とか、定期的にやる作業ってありますよね？

claude
> 燃料データベースから過去3ヶ月の使用量推移を分析して、
  異常値を検出してレポート作成

Claudeが生成するコード👇

from mcp_tools.postgres import execute_query
import statistics

# 1. データ取得
query = """
SELECT machine_id, date, amount 
FROM fuel_usage 
WHERE date >= NOW() - INTERVAL '3 months'
ORDER BY machine_id, date
"""
data = execute_query(query)

# 2. 機械ごとに分析（コード内で完結）
machines = {}
for row in data:
    machine_id = row['machine_id']
    if machine_id not in machines:
        machines[machine_id] = []
    machines[machine_id].append(row['amount'])

# 3. 異常値検出（2σ以上を異常とする）
anomalies = []
for machine_id, amounts in machines.items():
    mean = statistics.mean(amounts)
    stdev = statistics.stdev(amounts)
    
    for i, amount in enumerate(amounts):
        if abs(amount - mean) > 2 * stdev:
            anomalies.append({
                'machine_id': machine_id,
                'amount': amount,
                'date': data[i]['date'],
                'deviation': abs(amount - mean) / stdev
            })

# 4. レポート生成
report = f"""# 燃料使用量異常値レポート

検出期間: 過去3ヶ月
異常値件数: {len(anomalies)}件

## 詳細

"""

for a in sorted(anomalies, key=lambda x: x['deviation'], reverse=True):
    report += f"- 機械{a['machine_id']}: {a['date']} ({a['amount']}L, 偏差{a['deviation']:.1f}σ)\n"

print(report)

実務での価値

スプレッドシートじゃなくてDBに入ってるデータも、同じように取得→分析→レポート生成が1発でできるってことですね？

特に製造業のIoTデータとか、時系列データの異常検知には使えそうです⭐️

5. Filesystem MCP

こんな時に使う👇

  • プロジェクト内のファイル一括操作
  • ログ分析
  • 設定ファイル管理

インストール

claude mcp add filesystem \
  -- npx -y @modelcontextprotocol/server-filesystem \
  /path/to/workspace

実際の使い方

プロジェクト内のTODOコメント拾い出しとか、たまにやりたくなりますよね〜

claude
> プロジェクト内の全Pythonファイルを調べて、
  TODOコメントを抽出してMarkdownファイルにまとめて

Claudeが生成するコード:

from mcp_tools.filesystem import list_files, read_file, write_file

# 1. Pythonファイルを検索
files = list_files('.', pattern='**/*.py')

# 2. TODOコメント抽出（コード内で完結）
todos = []
for file_path in files:
    content = read_file(file_path)
    
    for i, line in enumerate(content.split('\n'), 1):
        if 'TODO' in line or 'FIXME' in line:
            todos.append({
                'file': file_path,
                'line': i,
                'content': line.strip()
            })

# 3. Markdownファイル生成
markdown = f"""# TODO一覧

全{len(todos)}件

## ファイル別

"""

current_file = None
for todo in sorted(todos, key=lambda x: x['file']):
    if todo['file'] != current_file:
        current_file = todo['file']
        markdown += f"\n### {current_file}\n\n"
    
    markdown += f"- L{todo['line']}: {todo['content']}\n"

write_file('TODO.md', markdown)
print(f"TODO抽出完了: {len(todos)}件")

地味だけど便利

コードレビュー前とか、リリース前に「残タスク確認したいな」って時に使えますね😆

grepコマンド打つより、自然言語で指示できる方が楽だと思います💪

6. Slack MCP

こんな時に使う

  • 進捗報告の自動化
  • エラー通知の送信
  • チーム連携

インストール

claude mcp add slack \
  --env SLACK_BOT_TOKEN=xoxb-your-token \
  --env SLACK_TEAM_ID=your-team-id \
  -- npx -y @modelcontextprotocol/server-slack

実際の使い方:

毎日の進捗報告、面倒じゃないですか😅
こんな感じで自動化できるっぽいです...

claude
> 今日実装した内容をまとめて、
  #開発チーム チャンネルに進捗報告を投稿して

Claudeが生成するコード:

from mcp_tools.slack import post_message
from mcp_tools.github import get_commits

# 1. 今日のコミット取得
commits = get_commits('yamato/fuel-management', since='today')

# 2. 進捗レポート生成（コード内で完結）
report = f"""*今日の開発進捗*

実装項目:
"""

for commit in commits:
    report += f"• {commit['message']}\n"

report += f"\n合計: {len(commits)}件のコミット"

# 3. Slack投稿
post_message(
    channel='#開発チーム',
    text=report
)

print("進捗報告完了")

実用性

GitHubのコミット履歴から自動でレポート生成→Slack投稿って流れが、コマンド1発で完結するのは便利ですね〜

特に副業で複数案件回してる時、この自動化があるとかなり楽になると思います！

実践的なセットアップ手順

ここまで6つのMCPを紹介しましたが、「で、実際どうやって使い始めるの？」って話ですよね。

ステップ1: 必須MCPのインストール

まず、業務でよく使うMCPだけインストールします（全部入れる必要はないです）

# Google Sheets（データ集計の核）
claude mcp add google-sheets \
  --env GOOGLE_CLIENT_ID=xxx \
  --env GOOGLE_CLIENT_SECRET=xxx \
  -- npx -y @modelcontextprotocol/server-google-sheets

# Google Drive（ドキュメント管理）
claude mcp add google-drive \
  --env GOOGLE_CLIENT_ID=xxx \
  --env GOOGLE_CLIENT_SECRET=xxx \
  -- npx -y @modelcontextprotocol/server-gdrive

# GitHub（コード管理）
claude mcp add github \
  --env GITHUB_TOKEN=ghp_xxx \
  -- npx -y @modelcontextprotocol/server-github

# Filesystem（ローカル作業）
claude mcp add filesystem \
  -- npx -y @modelcontextprotocol/server-filesystem \
  ~/projects

ステップ2: 権限設定

MCPツールの実行権限を設定します。

claude
> /permissions

設定ファイル（.claude/settings.json）はこんな感じ👇

{
  "permissions": {
    "allow": [
      "mcp__google_sheets__*",
      "mcp__google_drive__read_file",
      "mcp__github__*",
      "mcp__filesystem__read_file",
      "mcp__filesystem__write_file"
    ],
    "deny": [
      "mcp__filesystem__delete_file"
    ]
  }
}

ポイント

  • *（ワイルドカード）で全操作を許可
  • 危険な操作（delete_fileなど）は明示的に拒否

ステップ3: カスタムコマンド作成

よく使う操作は、カスタムコマンド化しておくと便利です。

.claude/commands/fuel-analysis.md

---
description: 燃料使用量分析レポート生成
allowed-tools: Bash(python:*), SlashCommand
---
Google Sheetsから燃料データを取得し、
機械ごと・月ごとの使用量を分析。
異常値を検出し、レポートをDriveに保存。

MCPツールを使って1回の実行で完結させること。
中間処理（フィルタ、集計）はPythonコード内で処理。

使い方

claude
> /fuel-analysis

これで、毎回同じ説明をしなくて済みます。

トークン消費の比較（実測値ベースの推定）

元記事の「89%削減」が本当か、具体例で検証してみます。

ケース: 燃料データ集計→レポート生成

従来方式（ツールコール中心）

ユーザー: 今月の燃料使用量を機械ごとに集計してシートに出力

1. AIがget_fuel_usageツール呼び出し
   → 結果: 10,000トークン（全データ）

2. AIがfilter_by_monthツール呼び出し
   → 結果: 8,000トークン（今月分）

3. AIがgroup_by_machineツール呼び出し
   → 結果: 5,000トークン（集計結果）

4. AIがwrite_to_sheetツール呼び出し
   → 完了

合計トークン: 約15,000〜20,000トークン
往復回数: 4〜5回
処理時間: 15秒以上

新方式（Code Execution）

ユーザー: 今月の燃料使用量を機械ごとに集計してシートに出力

1. AIがPythonコード生成
   - get_fuel_usage()でデータ取得
   - Pythonでフィルタ（コード内）
   - Pythonで集計（コード内）
   - write_to_sheet()で出力

2. コード実行
   → 完了

合計トークン: 約1,600〜2,500トークン
往復回数: 1回
処理時間: 3秒
削減率: 約85〜90%

実務での影響

月に100回この作業をやるとすると👇

  • 従来: 1,500,000〜2,000,000トークン
  • 新方式: 160,000〜250,000トークン
  • 差額: 約1,750,000トークン

Claude APIの料金（Sonnet 4.5の場合）👇

  • 入力: $3 / 1M tokens
  • 出力: $15 / 1M tokens

→ 月間で約$50〜70のコスト削減

年間だと $600〜840 の削減になります。小規模事業者には結構大きい金額ですよね。

まとめ: Code Execution × MCP の実践

この記事では、実務で使える6つのMCPサーバーを具体例付きで紹介しました。

重要なポイント

  1. 中間処理はコード内で完結させる

    • フィルタ、集計、ループなどはPython/TypeScriptで処理
    • AIとの往復を最小限にする

  2. 必要なMCPだけ導入する

    • 全部入れる必要はない
    • 業務でよく使うツールから始める

  3. カスタムコマンド化で効率化

    • 繰り返し使う操作はコマンド化
    • チーム全体で共有できる

  4. トークン消費を意識する

    • 従来方式と比べて85〜90%削減可能
    • 月間数万円〜数十万円のコスト削減につながる

次のステップ

まだ実際に全部試せてないので、これから以下を実装していく予定です。

  • Google Sheets MCPで燃料管理システムの自動レポート
  • GitHub MCPでIssue駆動開発の自動化
  • Slack MCPで進捗報告の完全自動化

実際に試してみて、うまくいった（or 失敗した）パターンがあれば、続編として記事にしますね。

この記事が、Claude Code × MCP を始める人の参考になれば嬉しいです！

参考リンク

この記事を書いた人:
やまと (@yamato_snow) - 製造業DX推進担当、副業Web制作エンジニア
GitHub: https://github.com/yamato-snow
Zenn: https://zenn.dev/yamato_snow

3
3
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
3
3

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?