すべてのクレジット: https://github.com/ShawhinT/YouTube-Blog/
AIエージェントシリーズの4番目の例です。ここでは、顧客向けMCPサーバーを構築し、あらゆるAIアプリが人工仮想アシスタント（AVA）のツールセットにアクセスできるようにします。
リンク
このリポジトリをクローンする
まだインストールしていない場合はuvをインストールしてください
# Mac/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"開発モードでサーバーをテストする
uv run mcp dev mcp-server-example.pyAI アプリ (例: Claude Desktop または Cursor) にサーバー構成を追加します。
{
"mcpServers": {
"AVA": {
"command": "/Users/shawhin/.local/bin/uv", # replace with global path to your uv installation
"args": [
"--directory",
"/Users/shawhin/Documents/_code/_stv/sandbox/ava-mcp/", # replace with global path to repo
"run",
"mcp-server-example.py"
]
}
}
}Related MCP server: Gmail AutoAuth MCP Server
プロジェクトディレクトリ内のprompts/ava.mdファイルを見つけます。
次のファイルを使用してカスタマイズします。
コミュニケーションの設定
タスク処理に関する具体的な指示
AVAに関するその他の関連ガイドライン
次の変数を使用して、プロジェクトのルート ディレクトリに.envファイルを作成します。
USER_EMAIL=your_email_address
# Google OAuth Credentials
GOOGLE_CREDENTIALS_PATH=.config/ava-agent/credentials.json
GOOGLE_TOKEN_PATH=.config/ava-agent/token.jsonUSER_EMAIL : このアプリケーションで使用するGmailアドレス
GOOGLE_CREDENTIALS_PATH : Google OAuth 認証情報ファイルへのパス
GOOGLE_TOKEN_PATH : Google OAuthトークンが保存されるパス
まず、必要なディレクトリ構造を作成します。
mkdir -p .config/ava-agentGoogle Cloud Consoleにアクセスします
新しいプロジェクトを作成するか、既存のプロジェクトを選択してください
Gmail API を有効にします。
ナビゲーションメニューで、「APIとサービス」>「ライブラリ」に移動します。
「Gmail API」を検索
「有効にする」をクリックします
Google Cloud Console の場合:
「APIとサービス」>「認証情報」に移動します
「認証情報を作成」>「OAuthクライアントID」をクリックします
アプリケーションの種類として「デスクトップアプリケーション」を選択します
名前を付けます（例：「AVA Gmail クライアント」）
「作成」をクリック
資格情報をダウンロードします:
作成後、「JSONをダウンロード」をクリックします。
ダウンロードしたファイルを.config/ava-agent/にcredentials.jsonとして保存します。
ファイルにはクライアントIDとクライアントシークレットが含まれている必要があります
Google Cloud Console の場合:
「APIとサービス」>「OAuth同意画面」に移動します
「外部」ユーザータイプを選択
必要な情報を入力してください:
アプリ名
ユーザーサポートメール
開発者の連絡先情報
Gmail API スコープを追加します: https://www.googleapis.com/auth/gmail.modify
テストユーザーとしてメールアドレスを追加する
設定を完了する
サーバーがGmailアカウントにアクセスする前に、承認が必要です。これはuv run oauth.pyを実行することで実行できます。このコマンドは、以下の処理を実行します。
token.jsonの存在を確認する
見つからない場合は、Google OAuth認証フローを開始します。
ブラウザでの認証プロセスをガイドします。
Googleアカウントにログインするよう求められます
要求された権限を付与する
アプリケーションはトークンを自動的に保存します
トークンを自動的に生成して保存する
.envファイルやtoken.jsonをバージョン管理にコミットしないでください。
Google認証情報を安全に保つ
.gitignoreに以下を追加します:
.env
.config/ava-agent/token.json
.config/ava-agent/credentials.jsonCreate a draft email using the Gmail API.
Args:
recipient_email (str): The email address of the recipient.
subject (str): The subject line of the email.
body (str): The main content/body of the email.
Returns:
dict or None: A dictionary containing the draft information including 'id' and 'message'
if successful, None if an error occurs.
Raises:
HttpError: If there is an error communicating with the Gmail API.
Note:
This function requires:
- Gmail API credentials to be properly configured
- USER_EMAIL environment variable to be set with the sender's email address
- Appropriate Gmail API permissions for creating drafts
| Name | Required | Description | Default |
|---|---|---|---|
| recipient_email | Yes | ||
| subject | Yes | ||
| body | Yes |
Does the description disclose side effects, auth requirements, rate limits, or destructive behavior?
With no annotations provided, the description carries the full burden of behavioral disclosure. It effectively describes the operation's purpose, return values (success dictionary with id/message or None), error conditions (HttpError), and prerequisites (credentials, environment variable, permissions). It doesn't mention rate limits, retry behavior, or concurrency considerations, but covers the essential behavioral aspects for a write operation.
Agents need to know what a tool does to the world before calling it. Descriptions should go beyond structured annotations to explain consequences.
Is the description appropriately sized, front-loaded, and free of redundancy?
The description is well-structured with clear sections (Args, Returns, Raises, Note) and efficiently conveys necessary information. While slightly longer than minimal, each section earns its place by providing valuable context. The information is front-loaded with the core purpose stated first.
Shorter descriptions cost fewer tokens and are easier for agents to parse. Every sentence should earn its place.
Given the tool's complexity, does the description cover enough for an agent to succeed on first attempt?
Given the tool's complexity (write operation with API dependencies), no annotations, and no output schema, the description does a good job of providing context. It explains the operation, parameters, return values, errors, and prerequisites. While it could mention more about the Gmail API context or provide examples, it covers the essential information needed to understand and use the tool.
Complex tools with many parameters or behaviors need more documentation. Simple tools need less. This dimension scales expectations accordingly.
Does the description clarify parameter syntax, constraints, interactions, or defaults beyond what the schema provides?
With 0% schema description coverage, the description must compensate for the lack of parameter documentation in the schema. It provides clear parameter descriptions in the Args section, explaining what each parameter represents (recipient_email, subject, body). While it doesn't specify format constraints or examples, it adds substantial meaning beyond the bare schema.
Input schemas describe structure but not intent. Descriptions should explain non-obvious parameter relationships and valid value ranges.
Does the description clearly state what the tool does and how it differs from similar tools?
The description clearly states the specific action ('Create a draft email') and resource ('using the Gmail API'), with no sibling tools to differentiate from. It provides a complete verb+resource+scope statement that leaves no ambiguity about what the tool does.
Agents choose between tools based on descriptions. A clear purpose with a specific verb and resource helps agents select the right tool.
Does the description explain when to use this tool, when not to, or what alternatives exist?
The description provides no guidance on when to use this tool versus alternatives. While it mentions prerequisites (Gmail API credentials, environment variable, permissions), it doesn't indicate scenarios where this tool is appropriate or when other email-related tools might be preferred. No explicit when/when-not/alternatives information is provided.
Agents often have multiple tools that could apply. Explicit usage guidance like "use X instead of Y when Z" prevents misuse.
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
write_email_draftScored across 1 tool
With only one tool, there is no possibility of confusion or overlap between tools. The tool's purpose is singular and clearly defined as creating email drafts via Gmail API.
The single tool name follows a clear verb_noun pattern (write_email_draft). With only one tool, consistency is inherently perfect as there are no other names to compare against.
A single tool is insufficient for an email/Gmail server's scope. Basic email operations like sending, reading, listing, or deleting emails are missing, making this server feel incomplete and thin for its apparent domain.
The server is severely incomplete for email management. While write_email_draft covers draft creation, it lacks essential operations like send_email, list_emails, get_email, delete_email, or manage labels, creating significant gaps that will cause agent failures.
Hosted MCP server connecting AI assistants to 9,000+ apps and 40,000+ actions via Zapier.
MCP server connecting AI agents to 100+ apps (Gmail, Slack, Notion, GitHub) via one-click OAuth.
MCP server for your apps' tools and custom tools, plus hosted AI agents and approval-gated workflows
Nifty's MCP server — exposes tasks, projects, messages, and files as tools for AI agents.
