FastMCPで学ぶ：AIエージェントに自作ツールを実装する最短ルート

AIエージェントの拡張性を左右する「MCP」という選択肢

現代のAIエージェント開発において、モデル自体の性能向上はもはや前提条件です。現在のエンジニアが直面している真の課題は「LLM（大規模言語モデル）にいかにして外部の専門知識や操作権限を安全かつ効率的に与えるか」という点に集約されます。これまで、LangChainやLlamaIndexなどを利用して個別にツールを実装してきましたが、接続先ごとに異なる実装コストは開発の障壁となっていました。

そこで登場したのが「Model Context Protocol（MCP）」です。MCPは、AIアプリケーションと外部システムを接続するための標準化されたプロトコルです。今回は、PythonでMCPサーバーを構築するための最短ルートである「FastMCP」に焦点を当て、AIエージェントに自作ツールを組み込む本質的な意義を深掘りします。

FastMCPによるツール実装のメカニズム

FastMCPは、標準的なPythonの型ヒントとデコレータを活用することで、開発者が煩雑なプロトコル定義を意識することなくツールを作成できるライブラリです。なぜこの抽象化が重要なのでしょうか。

通常、LLMにツールを認識させるためには、関数名だけでなく、引数の型や役割を記述した「JSONスキーマ」を生成し、モデルに提示する必要があります。FastMCPの@mcp.toolデコレータは、Pythonの関数定義から自動的にこのメタデータを抽出します。

シンプルな計算ツールによる実装例

以下のコードは、FastMCPを用いた基本的な計算ツールの実装例です。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("MyCalculator")

@mcp.tool()
def add(a: int, b: int) -> int:
    """2つの数値を加算するツール"""
    return a + b

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

このコードの核心は、docstring（関数の説明文）がそのままLLMに対する「推論のヒント」として機能する点にあります。LLMはプロンプトを通じてこの関数名や説明文を読み取り、いつそのツールを呼び出すべきかを判断します。つまり、コードの可読性がそのままAIの推論精度に直結するという「AIファースト」な設計がなされているのです。

メタデータが精度を高める理由

AIエージェントがツールを選択する際、LLMは提供されたメタデータに基づいて「確率的な判断」を行います。もし引数の説明が曖昧であれば、モデルの推論は不安定になります。FastMCPを使用する際は、単に動くコードを書くのではなく、以下の要素を意識してください。

1. 関数名の明確化：LLMが直感的に理解できる命名にする。
2. 型ヒントの厳密化：intやstrを正しく定義し、バリデーションを効かせる。
3. docstringの最適化：ツールを実行する際の「目的」や「制約」を自然言語で補足する。

これにより、LLMは「この関数を呼び出すことで、目的のタスクにどう貢献できるか」という文脈（Context）を正しく理解し、誤作動を抑止できるのです。

Claude Desktopへの統合設定

構築したFastMCPサーバーを、日常的なワークフローで利用できるようにしましょう。Claude Desktopアプリの設定ファイル（claude_desktop_config.json）を編集することで、自作ツールをローカルのAI環境に統合できます。

{
  "mcpServers": {
    "my-calculator": {
      "command": "uv",
      "args": ["run", "calculator.py"]
    }
  }
}

この設定により、Claude Desktopが起動するたびにMCPサーバーがバックグラウンドで立ち上がり、LLMが自作した計算ツールを透過的に利用可能となります。これは単なるプラグインの追加ではなく、AIエージェントが「外部の道具を自律的に選んで使う」という新しいエコシステムへの入り口です。

MCPという標準化された基盤の上にツールを実装することは、将来的にモデルが入れ替わっても再利用可能な資産を構築することと同義です。技術の細部にこだわりつつ、常に高い視座で「AIエージェントと人間がいかに協働するか」というインターフェース設計を追求してください。