AI関連の話題を追っていると、
「LLM」「Agent」「Skill」「MCP」など、似たような言葉が次々に登場します。
しかし実際には、それぞれ役割がかなり違います。
特に最近は、AIエージェントやMCP（Model Context Protocol）の話題が増え、
「結局なにが違うの？」
「どう使い分ければいいの？」
と混乱している人も多いはずです。
この記事では、
- LLMとは何か
- Agentとは何か
- Skillとは何か
- MCPとは何か
- それぞれの関係性
- 実務での使い分け
を、図解付きでわかりやすく整理します。
まず全体像
最初に結論から言うと、これらは「同じ階層の概念」ではありません。
それぞれ役割が違います。
簡単に言うと、
- LLM = 「考えて文章を生成する脳」
- Agent = 「目的達成のために動く司令塔」
- Skill = 「個別の機能」
- MCP = 「外部接続の共通規格」
です。
ここを理解すると、AIシステム全体の構造がかなり見えやすくなります。
LLMとは？
AIの“頭脳”
LLM（Large Language Model）は、大規模言語モデルのことです。
代表例としては、
- ChatGPT
- Claude
- Gemini
- Llama
などがあります。
LLMの本質は、
「次に来る言葉を予測する」
ことです。
ただし近年のLLMは非常に高性能になり、
- 要約
- 翻訳
- コーディング
- 推論
- アイデア出し
- 会話
などを高精度で行えるようになりました。
ただし重要なのは、LLM単体では“行動”できないという点です。
例えば、
- Slackを読む
- Google Driveを検索する
- データベース更新
- API実行
- ファイル保存
などは、そのままではできません。
LLMはあくまで「知的推論エンジン」です。
Agentとは？
LLMを使って“目的達成”する存在
Agent（AIエージェント）は、
「目的を達成するために、LLMやツールを使って行動する仕組み」
です。
LLMが“脳”なら、Agentは“実行役”です。
例えば、
「営業レポートを作ってSlackに送って」
という依頼が来た場合。
Agentは以下を行います。
- 指示を理解
- 必要な情報を判断
- DBを検索
- 集計
- レポート生成
- Slack送信
つまりAgentは、
- 計画
- 判断
- ツール実行
- タスク分解
- ワークフロー管理
を担当します。
図にするとこうなります。
つまりAgentは、
「LLMを使いながら仕事を進めるオーケストレーター」
です。
Skillとは？
Agentが使う“個別能力”
Skillは、Agentが持つ個別機能です。
イメージとしては「道具」に近いです。
例えば：
- Web検索
- PDF要約
- SQL実行
- カレンダー登録
- メール送信
- コード生成
など。
Agentは必要に応じてSkillを呼び出します。
重要なのは、
Agent ≠ Skill
という点です。
- Agent = 全体管理
- Skill = 部品
です。
Skillだけでは自律的に仕事は進みません。
逆にAgentだけでも実務処理はできません。
両方必要です。
MCPとは？
AIと外部ツールをつなぐ“共通インターフェース”
最近特に注目されているのがMCPです。
MCP（Model Context Protocol）は、
「LLMやAgentが外部ツールと安全・統一的につながるための規格」
です。
簡単に言うと、
「AI用USB-C」
みたいな存在です。
従来は、ツールごとに個別実装が必要でした。
- Slack接続コード
- Notion接続コード
- GitHub接続コード
- DB接続コード
を全部バラバラに作る必要がありました。
MCPでは、接続方式を共通化できます。
つまりMCPは、
「AIと外部世界をつなぐ標準規格」
です。
関係性を整理すると
ここまでを整理すると、次のようになります。
| 概念 | 役割 | 例 |
|---|---|---|
| LLM | 推論・生成 | GPT、Claude |
| Agent | 目的達成の制御 | AutoGen、LangGraph系 |
| Skill | 個別機能 | 検索、SQL、送信 |
| MCP | 接続規格 | MCP Server |
つまり、
Agent
├─ LLMを使う
├─ Skillを呼ぶ
└─ MCP経由で外部接続
という構造です。
実務ではどう使い分ける？
ここが最重要ポイントです。
1. LLMだけで十分なケース
- 文章生成
- 要約
- アイデア出し
- 翻訳
- 質問応答
この場合はChatGPT単体でも十分です。
2. Agentが必要なケース
- 複数ステップ処理
- 自律実行
- ワークフロー自動化
- 継続タスク
- 条件分岐
例えば：
- 毎朝レポート作成
- 問い合わせ自動対応
- 営業支援
- AI秘書
など。
3. Skillが重要なケース
- 社内DB検索
- PDF解析
- Slack投稿
- Git操作
- SQL実行
業務特化AIを作る場合、Skill設計がかなり重要になります。
4. MCPが重要になるケース
- ツール接続が大量にある
- AI基盤を統一したい
- マルチツール対応
- 拡張性重視
- エコシステム化
企業システムでは、今後かなり重要になります。
これからのAIは「LLM単体」ではなくなる
以前は、
「ChatGPTがすごい」
という世界でした。
しかし今は、
- Agent
- Tool
- Memory
- MCP
- Workflow
を組み合わせる方向に進んでいます。
つまり、
「LLM単体の知能」
から、
「AIシステム全体設計」
へ進化しているわけです。
特にMCPは、
「AI時代の標準インフラ」
になる可能性があります。
まとめ
最後に整理すると。
役割の違いは次の通りです。
- LLM = 考える
- Agent = 動かす
- Skill = 機能を提供
- MCP = 外部とつなぐ
この構造を理解すると、AIアプリケーションの全体像がかなりクリアになります。
そして今後は、
「どのLLMを使うか」
だけでなく、
「どうAgent設計するか」
「どうSkillを組むか」
「どうMCPで接続するか」
が、AI開発の中心になっていくはずです。
おわりに
AI関連ワードは増え続けていますが、
大事なのは「役割」で整理することです。
単語を暗記するより、
- 誰が考えるのか
- 誰が実行するのか
- どこで接続するのか
を理解すると、一気に整理しやすくなります。
今後AIエージェント時代が進むほど、
MCP・Skill・Agent・LLMの理解は重要になっていくでしょう。