MCP Serverの作り方 — TypeScript/Pythonで自作AIツールを30分で構築する【実装コード付き】

MCP（Model Context Protocol）は、Anthropicが2024年末に公開したオープンプロトコルで、AIモデル（LLM）が外部のツール・データソースに安全にアクセスするための標準規格です。従来、AIチャットボットは「テキストの入出力」に限定されていましたが、MCPを介することでファイル操作、データベース検索、API呼び出し、ブラウザ操作など、あらゆる外部リソースにアクセスできるようになります。

例えるなら、MCPはAIの「手と目」です。LLMが頭脳だとすれば、MCP Serverは手足となって実世界のツールを操作する役割を担います。Claude CodeがGit操作やファイル編集を自律的に行えるのも、内部でMCPが動いているからです。

2026年現在、MCPエコシステムは急速に拡大しており、GitHub・Slack・Notion・PostgreSQL・Google Workspaceなど主要サービスのMCP Serverがオープンソースで公開されています。自社固有のデータベースや社内ツールをAIに接続するには、カスタムMCP Serverを自作する必要があります。

MCP ServerはTools（ツール）・Resources（リソース）・Prompts（プロンプト）の3つの構成要素で成り立っています。

Tools: AIが実行できるアクション（関数）を定義します。例えば「顧客情報を検索する」「メールを送信する」「ファイルを作成する」など。各ツールは入力パラメータと出力形式をJSON Schemaで定義します。

Resources: AIが参照できるデータソースを定義します。データベースのテーブル、ファイルシステムのディレクトリ、APIのエンドポイントなど。URIスキーム（例: `db://customers`）でアドレッシングされます。

Prompts: AIに特定の文脈やルールを提供するテンプレートです。「このデータベースを検索するときは、常にuser_idでフィルターすること」のようなガイドラインを定義します。

MCP Serverはこれらを定義してstdio（標準入出力）またはHTTP経由でクライアント（Claude Code, Claude Desktopなど）と通信します。プロトコルはJSON-RPCベースで、リクエスト・レスポンスの形式が標準化されています。

TypeScriptでMCP Serverを構築する最も簡単な方法は、公式SDKを使うことです。

Step 1 — プロジェクト初期化: `mkdir my-mcp-server && cd my-mcp-server && npm init -y && npm install @modelcontextprotocol/sdk zod`

Step 2 — サーバー定義: `src/index.ts` を作成し、`McpServer` クラスをインスタンス化。`server.tool()` メソッドでツールを登録します。例えば「天気検索ツール」なら、入力にzodスキーマ（city: string）を定義し、ハンドラーで外部APIを呼び出して結果を返す実装を書きます。

Step 3 — トランスポート設定: stdio接続の場合は `new StdioServerTransport()` を作成し、`server.connect(transport)` で接続。HTTP接続の場合は `StreamableHTTPServerTransport` を使います。

Step 4 — ビルド・実行: `npx tsc && node dist/index.js` でサーバーが起動。Claude Codeの設定ファイル（`.mcp.json`）にサーバーのパスを追加すれば、AIからツールが呼び出せるようになります。

型安全性が確保されるTypeScript実装は、チーム開発やプロダクション環境での運用に適しています。zodによる入力バリデーションも自動化されるため、不正な入力によるエラーを防げます。

Pythonでの実装はデコレータベースのAPIで直感的に書けます。

Step 1 — 環境構築: `pip install "mcp[cli]"` でSDKをインストール。FastMCPが自動的に含まれます。

Step 2 — サーバー定義: `server.py` を作成し、`from mcp.server.fastmcp import FastMCP` でインポート。`mcp = FastMCP("my-server")` でインスタンス化。

Step 3 — ツール定義: `@mcp.tool()` デコレータで関数を登録。例: `@mcp.tool() def search_customers(query: str) -> str:` のように、通常のPython関数を書くだけでAIが呼び出せるツールになります。型ヒントが自動的にJSON Schemaに変換されます。

Step 4 — リソース定義: `@mcp.resource("db://customers")` デコレータでデータソースを公開。AIがリソースを参照する際に自動的にこのハンドラーが呼ばれます。

Step 5 — 実行: `python server.py` でstdioモード起動。開発時は `mcp dev server.py` でインスペクタ（デバッグUI）が起動し、ツールのテストが簡単に行えます。

Pythonの実装はプロトタイピングや、pandas・SQLAlchemyなどの既存データ処理ライブラリとの連携に最適です。

最も実用的なMCP Serverの活用例として、社内データベースの検索ツールを構築してみましょう。

ユースケースは「営業担当者がAIに『先月の売上トップ10顧客を教えて』と聞くと、社内DBを検索して回答する」というものです。

実装ポイント①: 検索ツールの定義: `search_sales` ツールを定義し、入力パラメータに `period`（期間）、`limit`（件数）、`sort_by`（ソート基準）を設定。内部でPostgreSQLに接続してSQLを実行し、結果をMarkdownテーブル形式で返します。

実装ポイント②: アクセス制御: ユーザーのロールに応じて閲覧可能なデータ範囲を制限。MCP Serverのハンドラー内で認証トークンを検証し、権限チェックを行います。

実装ポイント③: エラーハンドリング: DB接続エラー、クエリタイムアウト、データ不整合など、プロダクション環境で起こりうるエラーを適切にキャッチし、AIに「データの取得に失敗しました。時間をおいて再度お試しください」のような人間が読めるメッセージを返します。

実装ポイント④: ログとモニタリング: 全てのツール呼び出しをログに記録し、不正なクエリや異常な頻度のリクエストを検知。Sentryなどのエラートラッキングツールと連携することで、本番運用の信頼性を確保します。

このようなMCP Serverを構築できるスキルは、2026年のエンジニア市場で極めて希少価値が高く、AIネイティブ企業への就職・転職で大きなアドバンテージになります。