Weather MCP 学習

段階的に学べるプロジェクトで、プレーンな LLM アプリケーションから Model Context Protocol (MCP) を通じて天気機能を公開するまでの道筋を示します。

学習の段階

1. プレーンな LLM アプリケーション — Ollama 経由でローカルのオープンソースモデルとチャット

2. 従来の天気 API アプリ — Open-Meteo クライアント（ステージ 2A）+ 直接 LLM オーケストレーション（ステージ 2B）

3. Weather MCP サーバー — 天気を MCP ツールとして stdio 経由で公開（ステージ 3）

4. MCP クライアント / エージェント — 明示的なツールクライアント（ステージ 4A）+ モデルが選択するツール（ステージ 4B）

このリポジトリは現在 ステージ 1 から 4B まで を実装しています。

Related MCP server: MCP Weather Data Fetcher

必要条件

• Python 3.12 以降

• Ollama（または OpenAI 互換のローカルサーバー）

• ツール呼び出しに対応したローカルのオープンソースモデル（デフォルト: qwen2.5:7b）

OpenAI や Gemini のアカウントは不要です。

セットアップ

1. Ollama のインストールと起動

https://ollama.com からインストールし、モデルをプルします:

ollama pull qwen2.5:7b

または、すでに持っているツール対応モデル（ollama list）を使用し、.env の LLM_MODEL にその名前を設定します。

Ollama が実行中であることを確認します（macOS では通常インストール後に自動起動します）:

ollama list

2. 仮想環境の作成

python3 -m venv .venv
source .venv/bin/activate

Windows の場合:

python -m venv .venv
.venv\Scripts\activate

3. 依存関係のインストール

pip install -e ".[dev]"

4. 環境変数の設定

cp .env.example .env

.env のデフォルトはローカルの Ollama を対象としています:

LLM_BASE_URL=http://localhost:11434/v1
LLM_API_KEY=ollama
LLM_MODEL=qwen2.5:7b

• LLM_BASE_URL — OpenAI 互換の API URL（上記は Ollama のデフォルト。Chat Completions と Responses の両方で使用）

• LLM_API_KEY — クライアントライブラリで必要。Ollama は無視します（空でない値なら何でも可）

• LLM_MODEL — ollama list で表示されるローカルモデル名（ステージ 4B のツール呼び出しは qwen2.5:7b で良好に動作）

その他のオプション: LM Studio、vLLM、または OpenAI チャット API を話す任意のサーバー — LLM_BASE_URL と LLM_MODEL を変更するだけです。

ステージ 2A: Open-Meteo 天気クライアント

app/weather_client.py は 2 段階で Open-Meteo と通信します（LLM も MCP もなし）:

1. ジオコーディング — GET https://geocoding-api.open-meteo.com/v1/search で都市名（オプションで州/地域と国）を緯度、経度、正式名称、行政地域、国、タイムゾーンに変換します。

2. 予報 — GET https://api.open-meteo.com/v1/forecast でその座標を使用して 現在の 天気（気温、湿度、風、WMO 天気コード）を取得します。

呼び出し元は、生のプロバイダ JSON ではなく、型付けされたモデル（Location、CurrentWeather、WeatherResult）を受け取ります。WMO 天気コードからテキストへの変換は一箇所（WMO_WEATHER_CODES / weather_condition_from_code）にあります。

非同期の例:

from app.weather_client import get_current_weather

result = await get_current_weather("Berlin")
print(result.location.name, result.current.temperature, result.current.condition)

ステージ 2B: 直接天気 + LLM アプリケーション

app/direct_weather_app.py は 従来の LLM アプリです: あなたのコード が天気 API を呼び出すタイミングを決定し、その結果を LLM に渡して親しみやすい要約を生成します。

User
  → direct_weather_app
      → Open-Meteo   (application-controlled)
      → LLM          (summarize only the supplied payload)
  → Response

実行方法

仮想環境を有効にし、Ollama を実行し、Open-Meteo へのネットワークアクセスがある状態で:

python -m app.direct_weather_app "San Francisco"

オプションの曖昧性解消:

python -m app.direct_weather_app "Springfield" --state Illinois --country US

またはコンソールスクリプト:

direct-weather "San Francisco"

stderr にオーケストレーションの手順が表示されます:

1. アプリケーションが都市を受け取った

2. アプリケーションが天気プロバイダを呼び出した

3. アプリケーションが構造化された天気データを受け取った

4. アプリケーションが天気コンテキストを LLM に送信した

stdout には構造化された天気ブロック、次に LLM の要約が表示されます。

プレーンな LLM アプリケーションとの違い

重要な学習ポイント: LLM は天気ツールを 発見したり呼び出したりしません。アプリケーションが Open-Meteo をオーケストレーションし、LLM に結果を言い換えるよう依頼します。プロンプトは、ペイロードが信頼できるものであり、不足している事実を捏造しないようにモデルに指示します。

ステージ 3: Weather MCP サーバー

app/mcp_server.py は既存の weather_client を MCP ツール として公開します。サーバーは機能のみを提供し、LLM と通信したり会話を管理したりしません。

使用している公式 SDK バージョンと API

このプロジェクト環境で確認:

from mcp.server import MCPServer

mcp = MCPServer("weather-learning-server")

サーバーの責務

• MCP クライアントにツールを通知する（ツール発見）

• get_current_weather ツール呼び出しを受け付ける

• app.weather_client に委譲する（Open-Meteo コードの重複なし）

• 構造化された天気ペイロード（または安全なツールエラー）を返す

• このローカル学習 POC では stdio 経由で MCP を話す

公開ツール契約: get_current_weather

引数

構造化結果フィールド

resolved_location、region、country、latitude、longitude、temperature、apparent_temperature（利用可能な場合）、condition、wind_speed、observation_time、timezone、units

サーバーの起動方法

python -m app.mcp_server

または:

weather-mcp-server

stdio を使用する場合、プロセスは stdin/stdout で MCP ホストを待機します。単独でターミナルで実行すると「ハング」しているように見えますが、それは想定内です。

stdio トランスポートの仕組み（概念）

MCP host / Inspector
   ├── spawns: python -m app.mcp_server
   ├── writes JSON-RPC MCP messages → server stdin
   └── reads JSON-RPC MCP messages  ← server stdout

• この POC ではポートも HTTP もなし

• stdout はプロトコルワイヤ（通常のアプリ出力を print() してはいけない）

• ログは stderr に出力

公式 MCP Inspector を使用した独立テスト

以下に対して検証済み:

• 公式 mcp 2.0.0 (MCPServer)

• 公式 Inspector パッケージ @modelcontextprotocol/inspector

• Node.js 22.19+（現在の Inspector ドキュメントで必要）

• Open-Meteo へのネットワークアクセス

前提条件

cd weather-mcp-learning
python3 -m venv .venv
source .venv/bin/activate
pip install -e ".[dev]"   # includes mcp[cli]

Node/npx を確認:

node --version   # need 22.19.0 or newer
npx --version

システムの node/npx が壊れているか古すぎる場合は、nvm（または同等のもの）で最新の Node を使用し、npx が PATH の最初にあることを確認してください。

オプション A — mcp dev による Web UI（公式 SDK ヘルパー）

venv がアクティブなプロジェクトルートから（uv も必要。mcp dev は uv run でサーバーを起動するため）:

mcp dev app/mcp_server.py --with-editable .

期待される動作:

1. ターミナルに MCP Inspector Web is up and running at: http://localhost:6274?MCP_INSPECTOR_API_TOKEN=... のようなメッセージが表示される

2. ブラウザで Inspector が開く

3. Inspector がローカルの stdio サーバー（weather-learning-server）に接続する

4. セッションが初期化される（サーバー名/説明が表示される）

5. Tools を開く → リストに get_current_weather が表示される

6. ツールを選択 → UI に docstring/説明とスキーマからの入力フィールド（city 必須; state_or_region / country オプション）が表示される

7. city = San Francisco に設定 → Run Tool

8. 結果ペインに resolved_location、region、temperature、condition、units などの構造化コンテンツが表示される

--with-editable . は、mcp dev が構築する一時環境にこのプロジェクトをインストールし、import app... が動作するようにします。

オプション B — Inspector + プロジェクト設定による Web UI

リポジトリルートの mcp-inspector.json は、Inspector をローカルの stdio サーバーに向けます:

npx -y @modelcontextprotocol/inspector --config ./mcp-inspector.json --server weather-learning-server

表示された http://localhost:6274?... URL を開き、セッションが接続されていることを確認し、オプション A と同様に Tools タブを使用します。

オプション C — スクリプト可能な CLI チェック（ブラウザ不要）

これらは、ターミナルから同じプロトコル手順を証明するのに便利です。venv がアクティブで、動作する Node 22.19+ の npx が PATH にあるプロジェクトルートから実行:

# 1–2. Start/connect over stdio + initialize session
npx -y @modelcontextprotocol/inspector --cli \
  --config ./mcp-inspector.json \
  --server weather-learning-server \
  --method initialize \
  --format json

期待される JSON には "name": "weather-learning-server" が result.serverInfo の下に含まれます。

# 3–4. List tools; confirm description + input schema
npx -y @modelcontextprotocol/inspector --cli \
  --config ./mcp-inspector.json \
  --server weather-learning-server \
  --method tools/list \
  --format json

期待される: get_current_weather という名前のツールが 1 つ、inputSchema.required に city が含まれ、ライブ/現在の天気の説明があること。

# 5–6. Invoke with city = San Francisco; display structured result
npx -y @modelcontextprotocol/inspector --cli \
  --config ./mcp-inspector.json \
  --server weather-learning-server \
  --method tools/call \
  --tool-name get_current_weather \
  --tool-arg 'city=San Francisco' \
  --format json

期待される: "isError": false と、次のようなフィールドを持つ structuredContent:

{
  "resolved_location": "San Francisco",
  "region": "California",
  "country": "United States",
  "latitude": 37.77493,
  "longitude": -122.41942,
  "temperature": 13.8,
  "apparent_temperature": 12.1,
  "condition": "Fog",
  "wind_speed": 19.1,
  "observation_time": "2026-08-12T22:45",
  "timezone": "America/Los_Angeles",
  "units": {
    "temperature": "°C",
    "wind_speed": "km/h",
    "apparent_temperature": "°C"
  }
}

数値の天気値は時間とともに変化します。重要なのはフィールド名と "isError": false です。

公式 Inspector ドキュメント: MCP Inspector · SDK 実行ドキュメント: Running your server

ステージ 4A: 基本 MCP クライアント（明示的なツール呼び出し）

app/basic_mcp_client.py は LLM なしの MCP クライアントです。ローカルの天気 MCP サーバーを stdio 経由で起動し、ツールを発見し、明示的に get_current_weather を呼び出します。

basic_mcp_client
    → list_tools
    → get_current_weather   (hardcoded by this app — not chosen by an LLM)
    → MCP server (app.mcp_server via stdio)
    → Open-Meteo

重要: このクライアントは依然として天気ツールを 明示的に 呼び出します。LLM はまだツールを選択していません。それは後のステージで行われます。

実行方法

仮想環境がアクティブな状態で（MCP サーバーを自分で起動する必要はありません — このクライアントが起動します）:

python -m app.basic_mcp_client "San Francisco"

オプションのフィルター:

python -m app.basic_mcp_client "Springfield" --state Illinois --country US

または:

basic-mcp-client "San Francisco"

次のものが表示されるはずです:

1. weather-learning-server の接続/プロトコル情報

2. 発見された各ツールの名前、説明、入力スキーマ

3. get_current_weather への明示的な呼び出し

4. 構造化された MCP ツール結果 JSON

プロセスを終了すると、MCP セッションと子サーバープロセスがクリーンアップされます。

ステージ 4B: OpenAI Responses エージェント（モデル選択型 MCP ツール）

app/mcp_agent.py は天気 MCP サーバーに接続し、実行時にツールを 発見 し、その定義を公式の OpenAI Responses API を通じてモデルに渡し、モデルが要求したツール呼び出しを MCP 経由で実行し、ツール結果をモデルに返し、最終的な回答を出力します。

user question
  → mcp_agent
      → MCP list_tools          (discovery)
      → OpenAI Responses API    (question + tool schemas)
      → model may request tool(s)
      → MCP tools/call          (only discovered names)
      → Responses function_call_output
      → final natural-language answer

if "weather" in question も、都市の正規表現も、ハードコードされた get_current_weather 呼び出しも ありません。ツールを使用するかどうかは モデル が選択します。

エージェントループ（詳細）

1. MCP セッション開始 — python -m app.mcp_server を stdio 経由で起動; クライアントを初期化

2. ツール発見 — list_tools; 各ツールの名前/説明をログ出力

3. スキーマ変換 — MCP ツール → Responses の type: "function" ツール

4. モデルターン — client.responses.create(..., tools=..., tool_choice="auto")

5. 出力検査 — function_call アイテムが存在する場合:

   • ツール名を発見済みセットに対して検証

   • JSON 引数をパース/検証

   • MCP を呼び出し; 構造化結果を保持

   • previous_response_id を指定して function_call_output を送信

6. 繰り返し — モデルが最終テキストメッセージを返すまで（または最大反復回数に達するまで）

7. 最終回答を出力 し、MCP セッション/子プロセスを閉じる

実行方法

ollama pull qwen2.5:7b   # once, if needed
source .venv/bin/activate
python -m app.mcp_agent "What is the current weather in San Francisco?"
python -m app.mcp_agent "Explain what dependency injection is."

期待される動作:

• 天気に関する質問 → ログに model_requested_tools / tool_call for get_current_weather が表示され、天気の回答が得られる

• 依存性注入に関する質問 → ログにツール呼び出し なし の最終応答が表示される

stderr で [mcp-agent] 行を確認: 発見、モデル出力タイプ、ツール名/引数/所要時間/結果。API キーは決してログに記録されません。

プレーンアプリケーションの実行

仮想環境がアクティブで Ollama が実行中の場合:

python -m app.plain_llm_app

またはカスタムプロンプトで:

python -m app.plain_llm_app "What is the Model Context Protocol in one sentence?"

インストール済みのコンソールスクリプトも使用できます:

plain-llm "Hello!"

テストの実行

pytest

プロジェクト構成

weather-mcp-learning/
  README.md
  .env.example
  .gitignore
  pyproject.toml
  mcp-inspector.json
  app/
    __init__.py
    config.py
    llm_client.py
    plain_llm_app.py
    weather_client.py
    direct_weather_app.py
    mcp_server.py
    basic_mcp_client.py
    mcp_agent.py
  tests/

注意事項

• 公式のopenai Pythonパッケージは、OpenAI互換のクライアントとして使用されます（初期はChat Completions、Stage 4BではResponses API）。リクエストは設定されたLLM_BASE_URL（デフォルトはOllama）に送信されます。

• 天気の検索には、httpxを介したOpen-Meteoを使用します（app/weather_client.py）。

• Stage 2B（direct_weather_app.py）は、天気→LLMの流れを明示的にオーケストレーションします。MCPやツール呼び出しはありません。

• Stage 3では、公式のmcp 2.0.0 SDK（mcp.serverのMCPServer）をstdio経由で使用します。サードパーティのfastmcpパッケージは使用しないでください。

• Stage 4A（basic_mcp_client.py）では、依然として天気ツールを明示的に呼び出します（LLMによるツール選択はありません）。

• Stage 4B（mcp_agent.py）では、Responses APIを介したMCPディスカバリ後に、モデルがツールを選択できるようにします。