業務で使う！MCPの実践ワークフロー

🔄 レッスン3で必須MCPサーバー5選を設定しました。でも、サーバーが「何を」AIに提供しているのか — その内部の仕組みをまだ理解していません。

MCPの3大プリミティブ

MCPサーバーがAIに提供するものは、3つに分類されます。

ツール（Tools）— AIが呼び出す「動詞」

Model-driven（AIモデル主導）。AIが会話の文脈を判断して、必要なタイミングで自動的に呼び出します。

@mcp.tool()
def search_issues(repo: str, query: str) -> str:
    """GitHubリポジトリのイシューを検索する"""
    # GitHub APIを呼び出して結果を返す

ユーザーが「このリポジトリのバグイシューを見せて」と言うと、AIが search_issues ツールを呼び出すべきだと判断し、実行します。

特徴： 副作用がある操作（ファイル作成、メッセージ送信、DB書き込み）はツールとして定義します。

リソース（Resources）— アプリが提供する「名詞」

App-driven（アプリ主導）。アプリケーションがコンテキストとしてAIに渡す読み取り専用データです。

@mcp.resource("file://{path}")
def read_file(path: str) -> str:
    """ファイルの内容を読み取る"""
    return open(path).read()

ファイルの中身、DBスキーマ、設定情報など — AIが判断材料として使うデータはリソースです。

特徴： 読み取り専用。副作用なし。安全にAIに提供できます。

プロンプト（Prompts）— ユーザーが選ぶ「テンプレート」

User-driven（ユーザー主導）。あらかじめ定義されたプロンプトテンプレートを、ユーザーが選択して実行します。

@mcp.prompt()
def code_review_prompt(pr_url: str) -> str:
    """PRのコードレビューテンプレート"""
    return f"{pr_url} のコードをレビューしてください。\n\n観点：バグ、パフォーマンス、セキュリティ、可読性"

Claude Desktopではスラッシュコマンド（/）でプロンプト一覧を呼び出せます。チーム内でレビュー手順を標準化するのに使えます。

✅ Quick Check: 「Slackにメッセージを送信する」機能は、ツール・リソース・プロンプトのどれとして実装すべき？（ツールです。メッセージ送信は副作用のあるアクションなので、AIモデルが必要性を判断して呼び出すツールとして定義します。）

3つのプリミティブの使い分け

プリミティブ	主導者	用途	例
ツール	AIモデル	副作用のあるアクション	メッセージ送信、ファイル作成、API呼び出し
リソース	アプリ	読み取り専用のデータ提供	ファイル内容、DBスキーマ、設定値
プロンプト	ユーザー	テンプレート実行	コードレビュー手順、レポート生成フォーマット

この3つの区別を覚えておくと、レッスン5でサーバーを自作するときの設計がスムーズになります。

高度な機能：Sampling、Roots、Elicitation

3大プリミティブ以外にも、2025年の仕様更新で追加された機能があります。

機能	説明	追加時期
Sampling	サーバーがAIモデルに推論を依頼（再帰的な思考が可能に）	初期仕様
Roots	クライアントがサーバーに許可するファイルパスを明示	2025年
Elicitation	サーバーがユーザーに追加入力を動的に要求（OAuth認証画面等）	2025年6月

これらは上級者向けです。まずは3大プリミティブをしっかり理解しましょう。

エージェンティックループ：MCPの真価

MCPが本当に力を発揮するのは、エージェンティックループ — 複数ステップを自動で回すワークフローです。

[ステップ1：コンテキスト収集]
├── GitHub MCP → 未解決イシュー一覧を取得
├── ファイルシステム → 関連コードを読み取り
└── DB MCP → 最近のエラーログを取得

[ステップ2：分析・判断]
├── AIが情報を統合して優先度を判定
└── 修正方針を決定

[ステップ3：アクション実行]
├── ファイルシステム → コードを修正
├── GitHub MCP → PRを作成
└── Slack MCP → チームに通知

[ステップ4：検証]
├── テスト結果を確認
└── 問題があればステップ2に戻る

この「コンテキスト収集 → アクション → 検証 → 繰り返し」がエージェンティックループの基本パターン。

実務ワークフロー例

週次レポート自動化

ユーザー：「先週の開発活動をまとめてSlackに投稿して」

AIの動作：
1. GitHub MCP → 先週マージされたPR一覧を取得
2. GitHub MCP → 新規・クローズしたイシューを取得
3. 分析 → PRをカテゴリ分け（機能追加、バグ修正、リファクタリング）
4. レポート生成 → マークダウン形式で整理
5. Slack MCP → #dev-updates に投稿

LINEヤフーの事例

LINEヤフーのエンジニアチームは、GitHub + Jira + ConfluenceのMCPサーバーを組み合わせてPRレビュー準備を自動化。PR URLを渡すだけで、関連する設計ドキュメントやチケットの文脈を自動収集。週6時間のレビュー工数を削減しています。

✅ Quick Check: エージェンティックループで「検証」ステップがある理由は？（コードの修正やメッセージの送信が正しく実行されたか確認するため。テスト失敗や送信エラーがあれば、修正→再実行のループを回します。）

まとめ

MCPの3大プリミティブ：ツール（AI主導）、リソース（アプリ主導）、プロンプト（ユーザー主導）
ツールは副作用のあるアクション、リソースは読み取り専用データ、プロンプトはテンプレート
エージェンティックループ：コンテキスト収集 → アクション実行 → 結果検証 → 繰り返し
高度な機能：Sampling、Roots、Elicitationも仕様に追加済み
複数サーバーの組み合わせで実務ワークフローを自動化

次のレッスン

3大プリミティブの仕組みがわかりました。レッスン5では、いよいよ PythonのFastMCPで自分だけのMCPサーバーを作ります。30行のコードから始めて、ツールとリソースを実装していきましょう。