Search MCP Server

# Model Context Protocol (MCP) の概念 ## 概要 Model Context Protocol (MCP) は、Anthropicが提唱する、AIエージェントがツールや外部リソースと効率的に連携するためのプロトコルです。 **Search MCP Server**は、複数のMCPサーバーを統合管理する**MCPアグリゲーター**として設計されており、AIクライアント（Claude Desktop、Cursor、Windsurf等）のコンテキスト消費を70-80%削減します。 このドキュメントでは、MCPの基本概念と、Search MCP ServerにおけるMCPアグリゲーションパターンの実装について説明します。 ## 背景と課題 ### AIクライアントが直面する課題 1. **コンテキストウィンドウの制限** - AIモデルには処理できるトークン数に上限がある - 複数のMCPサーバー（filesystem、brave-search、database等）を個別に接続すると、各サーバーのツール情報でコンテキストが圧迫される - 例: 4つのMCPサーバー（計115ツール）で約23,000トークンを消費 2. **ツールの発見性** - 多数のMCPサーバーから提供されるツールから、適切なものを素早く見つける必要がある - 各MCPサーバーが個別のツール情報を提供するため、統合的な検索が困難 3. **設定管理の複雑さ** - 各MCPサーバーを個別に設定・管理する必要がある - AIクライアント（Claude Desktop、Cursor、Windsurf）ごとに同じ設定を繰り返す手間 ### Search MCPによる解決 **MCPアグリゲーターパターン**により、これらの課題を解決： - 複数のMCPサーバーを1つのエンドポイントに集約 - プログレッシブな開示により、コンテキスト消費を75%削減（23,000 → 6,000トークン） - 1つの設定ファイルで複数のMCPサーバーを一元管理 ## MCPの基本原則 ### 1. プログレッシブな開示 (Progressive Disclosure) **概念**: 情報を段階的に提供し、必要なものだけを詳細に読み込む **実装**: ``` Step 1: ツール一覧取得（軽量なメタデータのみ） → AIはツール名と説明からどのツールを使うか判断 Step 2: 選択したツールの実行（詳細な処理） → 必要なツールのみを実行し、結果を取得 ``` **メリット**: - コンテキスト消費を最小化 - レスポンス時間の短縮 - スケーラビリティの向上 ### 2. ツールのメタデータ管理 **概念**: ツールの情報を構造化し、検索可能にする **メタデータの要素**: - **名前**: ツールの一意な識別子 - **説明**: ツールが何をするかの簡潔な説明 - **パラメータ**: 必要な入力とその型、説明 **例**: ```json { "name": "search", "description": "テキストを検索します", "parameters": [ { "name": "query", "type": "string", "description": "検索クエリ", "required": true } ] } ``` ### 3. 外部実行環境との連携 **概念**: AIが生成したコードや複雑な処理を安全な外部環境で実行 **利点**: - セキュリティの向上（サンドボックス化） - リソース管理の柔軟性 - 長時間実行タスクの対応 **実装パターン**: - コンテナ化（Docker, Kubernetes） - サーバーレス関数（AWS Lambda, Cloud Functions） - 専用のコード実行環境 ## MCPアグリゲーターアーキテクチャ ### Search MCPの基本構成 ``` ┌─────────────────────────────────────────────┐ │ AIクライアント (Claude/Cursor/Windsurf) │ │ │ │ 従来: 4個のMCPサーバーに個別接続 │ │ → 23,000トークン消費 │ │ │ │ Search MCP: 1個のMCPサーバーのみ接続 │ │ → 6,000トークン消費 (75%削減) │ └──────────────────┬──────────────────────────┘ │ MCP Protocol (stdio) ↓ ┌─────────────────────────────────────────────┐ │ Search MCP Server (アグリゲーター) │ │ │ │ ┌──────────────────────────────────────┐ │ │ │ MCP Client Manager │ │ │ │ - 複数MCPサーバーの統合管理 │ │ │ │ - stdio通信でMCPサーバーと接続 │ │ │ │ - ツール情報の集約 │ │ │ └──────────────────────────────────────┘ │ └──────┬────────┬────────┬────────┬──────────┘ │ │ │ │ │ stdio │ stdio │ stdio │ stdio ↓ ↓ ↓ ↓ ┌──────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │filesystem│ │ brave │ │database│ │ slack │ │ MCP │ │ MCP │ │ MCP │ │ MCP │ │(50 tools)│ │(20) │ │(30) │ │(15) │ └──────────┘ └────────┘ └────────┘ └────────┘ ``` ### MCPプロトコル通信 Search MCPは、AIクライアントとの通信にMCPプロトコル（JSON-RPC 2.0 over stdio）を使用します。 **Phase 1: 初期化** ```json // AIクライアント → Search MCP { "jsonrpc": "2.0", "id": 1, "method": "initialize", "params": { "protocolVersion": "1.0.0", "clientInfo": { "name": "claude-desktop", "version": "1.0.0" } } } ``` **Phase 2: ツール一覧取得（軽量版）** ```json // AIクライアント → Search MCP { "jsonrpc": "2.0", "id": 2, "method": "tools/list", "params": {} } // Search MCP → AIクライアント（軽量なメタデータのみ） { "jsonrpc": "2.0", "id": 2, "result": { "tools": [ {"name": "filesystem.read_file", "description": "..."}, {"name": "brave.search", "description": "..."} // パラメータ詳細は省略 ] } } ``` **Phase 3: ツール実行（プロキシ）** ```json // AIクライアント → Search MCP { "jsonrpc": "2.0", "id": 3, "method": "tools/call", "params": { "name": "filesystem.read_file", "arguments": { "path": "/path/to/file" } } } // Search MCP → filesystem MCP (stdio) // filesystem MCP → Search MCP (結果) // Search MCP → AIクライアント { "jsonrpc": "2.0", "id": 3, "result": { "content": "ファイルの内容..." } } ``` ## Search MCP Serverでの実装 ### 設計目標 1. **MCPアグリゲーション** - 複数のMCPサーバーを統合管理 - stdio通信による標準MCPプロトコル実装 - 透過的なプロキシ動作 2. **コンテキスト削減** - プログレッシブな開示により75%削減 - 軽量なツールメタデータ - 必要時のみ詳細情報を提供 3. **簡単な設定** - Claude Desktopと同じJSON設定形式 - コピー&ペーストで即座に利用可能 - 最小限の学習コスト 4. **拡張性** - 新しいMCPサーバーの追加が容易 - 既存のMCPサーバーをそのまま利用可能 ### アーキテクチャマッピング | MCP概念 | Search MCP Server実装 | |---------|----------------------| | MCP Server（自身） | `src/index.ts` - stdio通信でAIクライアントと接続 | | MCP Client Manager | `src/mcp/mcp-client-manager.ts` - 複数MCPサーバー管理 | | MCP Client | `src/mcp/mcp-client.ts` - 個別MCPサーバーとの通信 | | ツール集約 | `src/tool-registry.ts` - 軽量メタデータ管理 | | 設定管理 | `config/mcp-servers.json` - Claude Desktop互換 | ### プログレッシブな開示の実装 **Phase 1: MCPサーバーからツール情報を取得（初回のみ）** ```typescript // MCP Client Manager async listAllTools(): Promise<AggregatedToolMetadata[]> { const allTools = []; for (const [name, client] of this.clients) { const tools = await client.listTools(); // 各MCPサーバーから取得 // 名前空間を付けて集約 allTools.push(...tools.map(t => ({ name: `${name}.${t.name}`, description: t.description // 詳細パラメータは保持するが、AIクライアントには送らない }))); } return allTools; } ``` **Phase 2: AIクライアントに軽量版を返す** ```typescript // Search MCP Server (自身のMCP実装) async handleToolsList(): Promise<ToolsListResult> { const tools = await this.mcpManager.listAllTools(); // 軽量版メタデータのみを返す return { tools: tools.map(t => ({ name: t.name, description: t.description // inputSchemaは含めない })) }; } ``` **Phase 3: ツール実行をプロキシ** ```typescript // Search MCP Server async handleToolCall(name: string, args: any): Promise<any> { const [serverName, toolName] = name.split('.'); // 該当するMCPサーバーへプロキシ return await this.mcpManager.executeTool(serverName, toolName, args); } ``` ## 実際の使用例 ### 例1: ファイル読み込み（filesystemMCP経由） ``` User: "config.jsonの内容を確認して" Claude Desktop: 1. tools/list で利用可能なツールを取得 → Search MCPから「filesystem.read_file」等を発見 2. 「filesystem.read_file」が適切と判断 3. tools/call で filesystem.read_file を実行 { "name": "filesystem.read_file", "arguments": { "path": "/path/to/config.json" } } 4. Search MCP → filesystem MCP へプロキシ 5. 結果を解釈してユーザーに提示 ``` ### 例2: Web検索とデータベースクエリの組み合わせ ``` User: "最新のTypeScript情報を検索して、関連プロジェクトをデータベースから取得" Claude Desktop: 1. tools/list で利用可能なツールを取得 → Search MCPから「brave.search」「database.query」等を発見 2. まず「brave.search」でWeb検索 { "name": "brave.search", "arguments": { "query": "TypeScript latest features" } } → Search MCP → brave MCP へプロキシ 3. 次に「database.query」でデータベース検索 { "name": "database.query", "arguments": { "sql": "SELECT * FROM projects WHERE..." } } → Search MCP → database MCP へプロキシ 4. 両方の結果を統合してユーザーに提示 ``` **ポイント**: - Claude Desktopは Search MCP という1つのMCPサーバーにのみ接続 - 実際には複数のバックエンドMCPサーバー（filesystem、brave、database）を活用 - コンテキスト消費は最小限（軽量なメタデータのみ） ## MCPアグリゲーターの利点 ### 1. コンテキスト効率性 **従来のアプローチ（MCPサーバー個別接続）**: ``` filesystem MCP: 50 tools × 200トークン = 10,000トークン brave MCP: 20 tools × 200トークン = 4,000トークン database MCP: 30 tools × 200トークン = 6,000トークン slack MCP: 15 tools × 200トークン = 3,000トークン ───────────────────────────────────────────────── 合計: 23,000トークン消費 ``` **Search MCP（アグリゲーター）**: ``` 軽量メタデータ: 115 tools × 50トークン = 5,750トークン 詳細取得（3ツール使用時）: 3 × 200トークン = 600トークン ───────────────────────────────────────────────── 合計: 6,350トークン消費 (72%削減) ``` ### 2. スケーラビリティ - MCPサーバー数が増えても、AIクライアントは1つの接続のみ - 新しいMCPサーバーの追加は設定ファイルに1項目追記するだけ - 各MCPサーバーは独立して動作し、相互に影響しない ### 3. 保守性 - 各MCPサーバーの設定を一元管理 - Claude Desktop、Cursor、Windsurf等、複数のAIクライアントで同じ設定を再利用 - MCPサーバーの追加・削除・更新が容易 ### 4. 透過性 - 既存のMCPサーバーをそのまま利用可能（変更不要） - 標準MCPプロトコルに準拠 - AIクライアントからは通常のMCPサーバーとして見える ## 将来の拡張 ### 1. ツール検索機能の強化 集約されたツールを効率的に検索 ```typescript // 将来の実装例 async handleToolsSearch(query: string): Promise<ToolMetadata[]> { // 部分一致検索 const results = this.toolRegistry.search(query); // セマンティック検索（ベクトル検索） const semanticResults = await this.vectorSearch(query); return [...results, ...semanticResults]; } ``` ### 2. ホットリロード 設定ファイル変更時に自動的にMCPサーバーを再起動 ```typescript // 将来の実装例 watchConfig('config/mcp-servers.json', async (changes) => { for (const change of changes) { if (change.type === 'added') { await mcpManager.start(change.serverName); } else if (change.type === 'removed') { await mcpManager.stop(change.serverName); } } }); ``` ### 3. 統計・監視機能 ツール使用状況やパフォーマンスの追跡 ```typescript // 将来の実装例 class ToolUsageTracker { async recordToolCall(serverName: string, toolName: string) { // 使用統計を記録 } async getStats(): Promise<UsageStats> { // 統計情報を返す } } ``` ### 4. Web管理UI（オプション） MCPサーバーの管理画面とダッシュボード - MCPサーバーのステータス監視 - ツール使用統計の可視化 - 設定ファイルの編集 - リアルタイムログ表示 ## 参考資料 - [Anthropic Model Context Protocol発表](https://www.anthropic.com/news/model-context-protocol) - [MCP仕様（公式）](https://spec.modelcontextprotocol.io/) - [Code Execution with MCP - Anthropic Cookbook](https://github.com/anthropics/anthropic-cookbook) ## まとめ Model Context Protocol (MCP) は、AIエージェントがツールを効率的に活用するための強力なフレームワークです。 **Search MCP Server**は、MCPアグリゲーターとして、以下を実現します： 1. **複数のMCPサーバーを統合** し、AIクライアントの接続先を1つに集約 2. **プログレッシブな開示** により、コンテキスト消費を75%削減 3. **stdio通信とJSON-RPC 2.0** による標準MCPプロトコル準拠 4. **Claude Desktop互換の設定形式** で最小限の学習コスト 5. **透過的なプロキシ** により、既存のMCPサーバーをそのまま活用 この基盤の上に、さらに高度な機能（ツール検索、ホットリロード、統計分析、管理UIなど）を構築していくことができます。