MCP Server 自作入門2026｜Claude / Cursor で使える Custom MCP を Python で 30 分で作る
PR 本記事はアフィリエイト広告（XServer クラウドPC、XServer VPS for Windows Server、ABLENETストレージ、シンクラウドデスクトップ for FX、ココナラ）を含みます。
MCP Server 自作入門2026｜Claude / Cursor で使える Custom MCP を Python で 30 分で作る
2026年、生成AIの活用は新たなステージに突入しました。単に大規模言語モデル（LLM）と対話するだけでなく、いかにして自社の業務プロセスや独自のデータと連携させ、具体的なタスクを自動化するかが、企業や開発者にとっての最大の関心事となっています。ClaudeやCursorといった高機能AIアシスタントは私たちの生産性を劇的に向上させましたが、その一方で「もっと複雑な自社ワークフローを組み込みたい」「セキュリティ上、外部SaaSにデータを渡せない」といった新たな課題も浮き彫りにしてきました。
この課題に対する強力な答えが、Custom MCP Server（カスタムMCPサーバー）の自作です。MCPとは、Model-Controller-Prompterの略で、LLMアプリケーションを柔軟かつ堅牢に構築するための設計概念です。このサーバーを自前で用意することで、AIの振る舞いを完全にコントロールし、外部ツール連携、データプライバシー、コスト管理といった問題を一挙に解決できます。
「サーバー構築」と聞くと難しそうに感じるかもしれません。しかし、現代のPythonフレームワークを使えば、驚くほど簡単かつ迅速にプロトタイプを立ち上げることが可能です。この記事では、AI開発の最前線に立つあなたのために、以下の内容を網羅的に解説します。
- MCP Serverの基本概念と、なぜ今それが重要なのか
- PythonとFastAPIを使い、30分でCustom MCP Serverの雛形を構築する全手順
- 自作サーバーとSaaSソリューションのメリット・デメリット徹底比較
- 運用時に直面するであろうリスクとその具体的な対策
- コスト構造の分析と、開発スキルを資産に変える視点
この記事を読み終える頃には、あなたはClaudeやCursorから呼び出せる自分だけの専用AIバックエンドを構築するスキルと知識を手にしているはずです。さあ、AI活用の次なるフロンティアへ、一緒に踏み出しましょう。
MCP Serverの基礎知識
まず、Custom MCP Serverの構築に取り掛かる前に、その背景にある概念と重要性を理解することが不可欠です。なぜこのアーキテクチャが注目されているのか、その核心に迫ります。
MCP Serverとは何か？その定義と役割
MCP Serverとは、LLMを活用したアプリケーションを構築するためのアーキテクチャパターンの一つで、Model（モデル）、Controller（コントローラー）、Prompter（プロンプター）の3つの要素から構成されるサーバーサイドアプリケーションを指します。この3層構造により、関心事が明確に分離され、複雑なAIアプリケーションでも見通しよく、拡張性の高い開発が可能になります。
- Model (モデル): これはLLM本体を指します。具体的には、AnthropicのClaude 3ファミリー、OpenAIのGPT-4シリーズ、GoogleのGemini、MetaのLlama 3など、外部APIとして提供される言語モデルや、ローカルでホストするオープンソースモデルが該当します。Model層は、純粋にテキスト生成や解釈に特化します。
- Controller (コントローラー): MCPアーキテクチャの心臓部であり、私たちが主に自作する部分です。ユーザーからのリクエストを受け取り、ビジネスロジックを実行し、必要に応じて外部API（社内データベース、CRM、気象情報APIなど）と通信し、最終的にModel（LLM）に渡す情報を整形したり、Modelからの応答を後処理したりする役割を担います。例えば、「最新の売上データを分析してレポートを生成して」というリクエストに対し、データベースから売上データを取得し、分析用のプロンプトと共にLLMに渡し、生成されたレポートを整形して返す、といった一連の流れを制御します。
- Prompter (プロンプター): ユーザーの曖昧な指示や自然言語でのリクエストを解釈し、Modelが最も性能を発揮できるような、構造化された最適なプロンプトを生成する責務を持ちます。Controllerの一部として実装されることが多いですが、概念として分離することでプロンプトエンジニアリングの専門性をここに集約できます。コンテキストの付与、Few-shot learningのための事例提示、出力形式の指定（JSON、Markdownなど）といった複雑なプロンプト生成ロジックを担当します。
このMCPモデルは、Web開発におけるMVC（Model-View-Controller）モデルに似ています。MVCがUI、ビジネスロジック、データ管理を分離するように、MCPはLLM、ビジネスロジック、プロンプト生成を分離することで、各コンポーネントの独立性と再利用性を高めるのです。
なぜ今、Custom MCP Serverが注目されるのか？
2026年現在、多くの開発者が既製のAIツールに限界を感じ始めており、その解決策としてCustom MCP Serverが急速に注目を集めています。その理由は主に4つあります。
- 汎用AIアシスタントの限界を超えるため
ChatGPTやClaudeの標準インターフェースは非常に強力ですが、あくまで汎用的な対話に最適化されています。しかし、実際のビジネス現場では「特定のフォーマットで社内システムAからデータを取得し、システムBのAPI仕様に合わせて変換し、その結果を要約してSlackに通知する」といった、企業固有の複雑なワークフローが存在します。Custom MCP ServerのControllerにこの一連の処理を実装することで、AIアシスタントに「XX社の最新状況をまとめて」と指示するだけで、この独自ワークフローを自動実行させることが可能になります。 - データプライバシーとセキュリティの確保
機密情報や個人情報を含むデータを、外部のSaaS型AIサービスに送信することに抵抗がある企業は少なくありません。特に金融、医療、法務といった業界では、データが組織の管理外に出ることは許容されない場合があります。Custom MCP Serverを自社のプライベートクラウドやオンプレミス環境に構築すれば、データの処理を完全に閉じた環境で完結させることができます。LLMへのリクエストも、個人情報を匿名化・抽象化してから送信するといった高度な制御をControllerに組み込むことが可能です。 - APIコールの最適化によるコスト削減
LLMのAPI利用料は、特に高性能なモデルの場合、決して安価ではありません（出典: 各LLM提供企業の公式料金表, 2026年）。ユーザーからのリクエストをそのままLLMに横流ししていると、無駄なAPIコールが多発し、コストが膨れ上がります。Custom MCP Serverを導入すれば、Controller層でリクエストを分析し、「これはLLMに問い合わせるまでもなく、単純なデータベース検索で完結するタスクだ」と判断して処理を分岐させたり、複数の関連リクエストを一つにまとめてからLLMに問い合わせたり（バッチ処理）することで、APIコール数を最小限に抑え、コストを劇的に削減できます。 - AIコーディングツールとの高度な連携
CursorやAider、ContinueといったAIコーディングツールは、開発者の生産性を大きく向上させます。これらのツールにCustom MCP Serverを連携させることで、単なるコード生成に留まらない、より高度な開発支援が実現します。例えば、「このコンポーネントのテストコードを、当社のコーディング規約とテストフレームワークに合わせて生成して」という指示に対し、MCP Serverが社内の規約ドキュメントや過去のテストコードをコンテキストとしてLLMに与え、より精度の高いコードを生成させるといった応用が可能になります。
【実践】PythonでCustom MCP Serverを30分で構築する
理論を学んだところで、いよいよ実践です。ここでは、現在最も人気のあるWebフレームワークの一つであるFastAPIを使い、Custom MCP Serverの基本的な雛形を30分で構築する手順を、ステップバイステップで解説します。
ステップ0: 開発環境の準備
まず、開発に必要なツールとライブラリを揃えます。以下のものがインストールされていることを確認してください。
- Python 3.11以上: 非同期処理のサポートが充実しているため、新しいバージョンを推奨します。
- pip: Pythonのパッケージ管理ツールです。
- 仮想環境: プロジェクトごとにライブラリのバージョンを分離するため、
venvの使用を強く推奨します。 - コードエディタ: VS Codeなどがおすすめです。
準備ができたら、プロジェクト用のディレクトリを作成し、仮想環境を有効化します。
# プロジェクトディレクトリを作成して移動
mkdir custom-mcp-server
cd custom-mcp-server
# 仮想環境を作成
python -m venv venv
# 仮想環境を有効化 (macOS/Linux)
source venv/bin/activate
# 仮想環境を有効化 (Windows)
# venv\Scripts\activate
次に、必要なPythonライブラリをインストールします。
fastapi: 高性能なWebフレームワーク本体。uvicorn: FastAPIアプリケーションを実行するためのASGIサーバー。pydantic: データバリデーションと設定管理に使います。python-dotenv:.envファイルから環境変数を読み込むために使用します。httpx: 非同期対応のHTTPクライアント。外部API（LLM APIなど）を呼び出すために使います。
pip install fastapi "uvicorn[standard]" pydantic python-dotenv httpx
最後に、APIキーなどの秘密情報を管理するための.envファイルを作成します。このファイルは絶対にGitなどのバージョン管理に含めないでください。
# .env ファイル
ANTHROPIC_API_KEY="your_claude_api_key_here"
.gitignoreファイルに.envとvenv/を追加しておくことを忘れないでください。
# .gitignore ファイル
.env
venv/
__pycache__/
ステップ1: FastAPIでAPIサーバーの骨格を作る (10分)
まず、main.pyという名前のファイルを作成し、APIサーバーの最も基本的な骨格を記述します。これには、FastAPIアプリケーションのインスタンス化と、サーバーが正常に動作しているかを確認するためのヘルスチェック用エンドポイントが含まれます。
# main.py
import os
from fastapi import FastAPI
from dotenv import load_dotenv
# .envファイルから環境変数を読み込む
load_dotenv()
# FastAPIアプリケーションのインスタンスを作成
app = FastAPI(
title="Custom MCP Server",
description="A custom server to orchestrate LLM tasks for Claude/Cursor.",
version="0.1.0",
)
@app.get("/")
async def read_root():
"""
ルートエンドポイント
"""
return {"message": "Welcome to Custom MCP Server!"}
@app.get("/health")
async def health_check():
"""
ヘルスチェック用エンドポイント
サーバーが正常に起動しているかを確認するために使用
"""
return {"status": "ok"}
# 環境変数からAPIキーが読み込まれているか確認（デバッグ用）
# 本番環境ではこのような出力は削除してください
@app.on_event("startup")
async def startup_event():
api_key = os.getenv("ANTHROPIC_API_KEY")
if api_key:
print("Anthropic API key loaded successfully.")
else:
print("Warning: ANTHROPIC_API_KEY not found in .env file.")
このコードを保存したら、ターミナルでUvicornサーバーを起動します。
uvicorn main:app --reload
--reloadオプションを付けると、コードの変更を保存するたびにサーバーが自動で再起動するため、開発が非常に効率的になります。ターミナルに以下のような表示が出れば成功です。
INFO: Uvicorn running on http://127.0.0.1:8000 (Press CTRL+C to quit)
INFO: Started reloader process [xxxxx]
INFO: Started server process [xxxxx]
INFO: Waiting for application startup.
Anthropic API key loaded successfully.
INFO: Application startup complete.
ブラウザで http://127.0.0.1:8000/health にアクセスし、{"status":"ok"} と表示されることを確認してください。また、http://127.0.0.1:8000/docs にアクセスすると、FastAPIが自動生成した対話的なAPIドキュメント（Swagger UI）が表示され、ここからAPIをテストすることもできます。
ステップ2: Controllerロジックを実装する (15分)
サーバーの骨格ができたので、次にMCPの心臓部であるControllerロジックを実装します。ここでは、特定のタスクを処理する/processエンドポイントを作成します。このエンドポイントは、ユーザーからのテキスト入力を受け取り、簡単なロジック（キーワードチェック）を実行し、その結果に基づいてAnthropicのClaude APIを呼び出す、という一連の流れを制御します。
まず、Pydanticを使ってリクエストとレスポンスのデータ構造を定義します。これにより、型ヒントに基づいた強力なデータバリデーションが自動的に行われます。
# main.py の上部に追記
from pydantic import BaseModel, Field
import httpx
# ... (既存のコード) ...
# --- データモデルの定義 ---
class ProcessRequest(BaseModel):
user_prompt: str = Field(..., description="ユーザーからのプロンプト入力")
session_id: str | None = Field(None, description="セッションID（会話履歴の管理などに使用）")
class ProcessResponse(BaseModel):
original_prompt: str
processed_content: str
source: str = Field(description="レスポンスの生成元 (e.g., 'LLM', 'CACHE', 'INTERNAL_LOGIC')")
次に、/processエンドポイントと、Claude APIを呼び出すためのヘルパー関数を実装します。
# main.py に追記
# --- Claude APIを呼び出す非同期関数 ---
async def call_claude_api(prompt: str) -> str:
"""
Anthropic Claude APIを呼び出す
"""
api_key = os.getenv("ANTHROPIC_API_KEY")
if not api_key:
raise ValueError("ANTHROPIC_API_KEY is not set.")
# 2026年時点のClaude 3モデルを想定
model_name = "claude-3-opus-20240229"
headers = {
"x-api-key": api_key,
"anthropic-version": "2023-06-01",
"content-type": "application/json",
}
payload = {
"model": model_name,
"max_tokens": 1024,
"messages": [{"role": "user", "content": prompt}],
}
async with httpx.AsyncClient() as client:
try:
response = await client.post(
"https://api.anthropic.com/v1/messages",
headers=headers,
json=payload,
timeout=60.0, # タイムアウトを60秒に設定
)
response.raise_for_status() # HTTPエラーがあれば例外を発生
# レスポンスからコンテンツを抽出
result = response.json()
content = result.get("content", [])
if content and isinstance(content, list) and "text" in content[0]:
return content[0]["text"]
return "No content returned from API."
except httpx.HTTPStatusError as e:
# APIからのエラーレスポンスをログに出力
print(f"HTTP error occurred: {e.response.status_code} - {e.response.text}")
return f"Error: Failed to call Claude API. Status: {e.response.status_code}"
except Exception as e:
print(f"An unexpected error occurred: {e}")
return "Error: An unexpected error occurred while calling Claude API."
# --- メインの処理エンドポイント ---
@app.post("/process", response_model=ProcessResponse)
async def process_task(request: ProcessRequest):
"""
ユーザーのリクエストを処理するメインエンドポイント (Controller)
"""
user_prompt = request.user_prompt
# --- Controllerのロジック ---
# ここに独自のビジネスロジックを実装する
# 例：特定のキーワードが含まれていたら、プロンプトを書き換える
if "売上レポート" in user_prompt:
# ここでデータベースにアクセスして実際の売上データを取得する処理などを追加できる
# 今回は簡易的にプロンプトを補強する
# Prompterの役割
enhanced_prompt = f"""
あなたは優秀なデータアナリストです。
以下の指示に基づいて、架空の売上データに関する洞察を提供してください。
フォーマットはMarkdownの箇条書きでお願いします。
指示: {user_prompt}
"""
# LLMを呼び出す
llm_response = await call_claude_api(enhanced_prompt)
return ProcessResponse(
original_prompt=user_prompt,
processed_content=llm_response,
source="LLM (Claude 3 Opus)"
)
# 上記の条件に合致しない場合は、簡単な応答を返す（デモ用）
# 実際はここでもLLMを呼び出したり、別のロジックを実行する
return ProcessResponse(
original_prompt=user_prompt,
processed_content=f"'{user_prompt}' というリクエストを受け取りましたが、処理ロジックが定義されていません。",
source="INTERNAL_LOGIC"
)
これで、Custom MCP Serverの基本的な機能が実装できました。/processエンドポイントは、"売上レポート"というキーワードが含まれている場合にのみ、プロンプトを補強してClaude APIを呼び出します。これがControllerとPrompterの最も単純な形の協調動作です。
ステップ3: Claude / Cursorからの連携テスト (5分)
最後に、作成したローカルサーバーを外部ツールから呼び出せるかテストします。ここでは、curlコマンドを使った簡単なテスト方法を示します。
Uvicornサーバーが実行されていることを確認し、別のターミナルを開いて以下のコマンドを実行します。
# "売上レポート" を含むプロンプトを送信
curl -X POST "http://127.0.0.1:8000/process" \
-H "Content-Type: application/json" \
-d '{
"user_prompt": "先月の売上レポートを生成して"
}'
成功すれば、Claude APIからの応答を含むJSONが返ってくるはずです。Uvicornサーバーが実行されているターミナルには、API呼び出しに関するログが表示されます。
次に、キーワードを含まないプロンプトを試してみましょう。
# キーワードを含まないプロンプトを送信
curl -X POST "http://127.0.0.1:8000/process" \
-H "Content-Type: application/json" \
-d '{
"user_prompt": "こんにちは"
}'
今度は、内部ロジックで処理された応答が返ってくるはずです。
ClaudeやCursorからの連携:
これらのツールからローカルサーバー（localhost）を呼び出すには、ツール側の機能（Custom Commands, Custom Toolsなど）を利用します。多くの場合、単純なHTTPリクエストを送信する機能が提供されています。ただし、セキュリティ上の理由から、外部のクラウドサービスであるClaudeが直接ローカルPCのサーバーにアクセスすることは通常できません。これを実現するには、ngrokやcloudflaredといったツールを使って、ローカルサーバーを一時的にインターネットに公開するトンネリングを行う必要があります。Cursorのようなローカルで動作するアプリケーションからは、設定次第で直接localhostにアクセスできる場合があります。
以上で、30分でのCustom MCP Server構築は完了です。これはあくまで出発点ですが、この雛形を基に、あなたは無限の可能性を秘めた独自のAIバックエンドを開発していくことができます。
XServer クラウドPC
PR
自作MCP ServerとSaaSソリューションの比較
Custom MCP Serverを自作する道を選んだとしても、市場にはZapier, Make, n8nといった強力な自動化・連携SaaS（iPaaS）が存在します。どちらが優れているという単純な話ではなく、目的や状況に応じて最適な選択は異なります。ここでは、それぞれの特徴を多角的に比較し、あなたがどちらを選ぶべきかの判断材料を提供します。
機能・柔軟性の比較
- 自作MCP Server: 柔軟性は無限大です。Pythonの膨大なライブラリ群（データ分析のPandas, 機械学習のScikit-learn, 画像処理のPillowなど）を自由に組み合わせ、独自のビジネスロジックをミリ秒単位で制御できます。公式APIが提供されていないレガシーシステムとの連携や、非常にニッチな処理も、スクレイピングや独自プロトコルの実装によって実現可能です。まさに「かゆいところに手が届く」を限界なく追求できます。
- SaaSソリューション: GUIベースのビジュアルエディタで、あらかじめ用意された数百〜数千のアプリコネクタをパズルのように組み合わせてワークフローを構築します。非エンジニアでも直感的に操作でき、一般的なSaaS間の連携であれば数分で設定が完了します。しかし、その手軽さと引き換えに、提供されている機能の範囲を超えることはできません。特殊なデータ変換や複雑な条件分岐、エラーハンドリングには限界があり、「あと少し、ここをこうしたい」という要望が満たせない場合があります。
コストの比較
- 自作MCP Server: コスト構造は「変動費」が中心です。初期の開発人件費はかかりますが、ランニングコストは主にサーバー代（クラウド/オンプレミス）とLLMやその他APIの利用料に従量して発生します。トラフィックが少ないうちは非常に低コストで運用可能であり、処理の最適化（キャッシュ、バッチ処理など）によってコストを積極的にコントロールできます。例えば、AWS LambdaやGoogle Cloud Functionsのようなサーバーレスアーキテクチャを採用すれば、リクエストがあった時だけ課金されるため、さらにコスト効率を高められます。
- SaaSソリューション: コスト構造は「固定費＋変動費」です。月額または年額のサブスクリプション料金が基本となり、その上でプランごとに定められたタスク実行数やデータ転送量の上限を超えると、追加の従量課金が発生します。最初は安価に見えても、ビジネスのスケールと共にワークフローが複雑化・高頻度化すると、料金が急激に跳ね上がる「SaaS貧乏」に陥る可能性があります。コストの見積もりがしやすい反面、最適化によるコスト削減の余地は限定的です。
セキュリティの比較
- 自作MCP Server: セキュリティは完全に自社の管理下に置かれます。自社の厳格なセキュリティポリシーを適用し、閉域網内での運用やVPC（Virtual Private Cloud）内での構築が可能です。これにより、機密データが外部に出るリスクを最小限に抑えることができます。ただし、その責任はすべて自社で負うことになります。OSやライブラリの脆弱性管理、不正アクセス対策、ログ監視など、継続的なセキュリティ運用が求められ、専門知識を持つ人材が不可欠です。
- SaaSソリューション: セキュリティはサービス提供事業者に依存します。多くの大手SaaSは、SOC 2 Type IIやISO/IEC 27001といった第三者認証を取得しており、高水準のセキュリティ体制を構築しています（出典: 各SaaS公式サイト）。自社で専門家を抱えるよりも高いレベルのセキュリティを享受できる場合も多いです。しかし、データが自社の管理外の領域に保存・処理されるという事実は変わりません。万が一、SaaS事業者側でデータ漏洩インシデントが発生した場合、その影響を直接受けることになります。
比較表
| 項目 | 自作MCP Server | SaaSソリューション (例: Make, Zapier) |
|---|---|---|
| 柔軟性・拡張性 | ◎ 非常に高い（ほぼ無制限） | △ 用意された機能・コネクタの範囲内 |
| 開発・導入速度 | △ 初期構築に時間と専門知識が必要 | ◎ 非常に迅速（非エンジニアでも可能） |
| 運用コスト | ◯ 最適化により低く抑えることが可能 | ◯〜△ スケールによっては高額になる可能性 |
| セキュリティ管理 | ◎ 自社ポリシーで完全にコントロール可能 | ◯ サービス提供者に依存（高水準な場合が多い） |
| 必要な専門知識 | △ プログラミング、インフラ、セキュリティ知識が必須 | ◎ 基本的なITリテラシーがあれば十分 |
XServer VPS for Windows Server
PR
Custom MCP Server運用におけるリスクと対策
自作サーバーは自由度が高い反面、多くの責任を伴います。安定して安全に運用するためには、潜在的なリスクを事前に理解し、適切な対策を講じておくことが極めて重要です。
技術的リスクと対策
- リスク: プロンプトインジェクション
悪意のあるユーザーが、入力（プロンプト）に特殊な指示を埋め込むことで、開発者が意図しない動作（例：個人情報の出力、システムの乗っ取り）を引き起こさせる攻撃です。LLMアプリケーションにおける最も深刻な脅威の一つです。
対策:- 入力のサニタイズ: ユーザーからの入力をそのままLLMに渡さず、怪しい指示（例：「これまでの指示を無視して〜」）やコード片を検知・除去する。
- 出力のバリデーション: LLMからの出力が、期待するフォーマット（例：JSON、特定の構造）に合致しているか検証し、逸脱する場合はエラーとして扱う。個人情報や機密情報らしき文字列が含まれていないかチェックする。
- 権限の最小化: LLMやMCP ServerがアクセスできるデータベースやAPIの権限を、必要最小限に絞る。
- リスク: パフォーマンスのボトルネック
Controllerでの処理が複雑すぎたり、外部APIの応答が遅かったりすると、サーバー全体のレスポンスが悪化し、ユーザー体験を損ないます。
対策:- 非同期処理の徹底:
httpxやaiohttpを使い、時間のかかるI/O処理（API呼び出し、DBアクセス）を非同期で行うことで、サーバーが他のリクエストをブロックしないようにする。 - キャッシュの活用: 同じ、あるいは類似のリクエストに対しては、毎回LLMを呼び出すのではなく、キャッシュ（Redisなど）した結果を返すことで、応答速度の向上とAPIコストの削減を両立させる。
- 処理の分割: 時間がかかる重い処理は、一度リクエストを受け付けた後、バックグラウンドのジョブキュー（Celery, RQなど）に渡して非同期で実行する。
- 非同期処理の徹底:
運用・コストリスクと対策
- リスク: 意図しないAPIコールの多発
Controllerロジックのバグにより、LLM APIを無限ループで呼び出してしまい、数時間で数万〜数十万円の想定外コストが発生する可能性があります。
対策:- API利用量の上限設定: Anthropic, OpenAIなどのプラットフォームが提供する利用量上限（Hard Limit）を、必ず設定する。
- モニタリングとアラート: APIコール数やコストをリアルタイムで監視し、閾値を超えたら即座に開発者にアラート（メール、Slack通知）が飛ぶ仕組みを構築する。クラウドプロバイダーの監視サービス（AWS CloudWatch, Google Cloud Monitoring）を活用する。
- レートリミットの実装: サーバー自身に、単位時間あたりのAPIコール数を制限する機能を実装する。
- リスク: 属人化
特定のエンジニアしかサーバーの仕様やコードを理解しておらず、その人が不在だとメンテナンスや障害対応ができない状態。
対策:- ドキュメント化: API仕様（OpenAPI）、アーキテクチャ図、デプロイ手順、トラブルシューティングガイドなどを整備し、常に最新の状態に保つ。
- コードレビューとペアプログラミング: チーム内でコードレビューを徹底し、知識を共有する文化を作る。
- シンプルな設計: 過剰な抽象化や複雑なデザインパターンを避け、誰が読んでも理解しやすい、シンプルでクリーンなコードを心がける。
セキュリティリスクと対策
- リスク: APIキーや秘密情報の漏洩
.envファイルやソースコード内にハードコードされたAPIキーが、誤ってパブリックなGitHubリポジトリにプッシュされるなどして漏洩するケース。
対策:- Secret Managerの利用:
.envファイルではなく、AWS Secrets ManagerやGoogle Cloud Secret Manager, HashiCorp Vaultといった専用のサービスで秘密情報を管理し、アプリケーション実行時に動的に取得する。 - Git管理の徹底:
.gitignoreを正しく設定し、秘密情報が決してリポジトリに含まれないようにする。git-secretsのようなツールを導入し、コミット時に秘密情報が含まれていないか自動でスキャンする。
- Secret Managerの利用:
ABLENETストレージ
PR
コストと収益化の視点
Custom MCP Serverを構築・運用する上では、技術的な側面だけでなく、コストを正確に把握し、その投資対効果を考えることが重要です。また、ここで培ったスキルは、新たな収益機会に繋がる可能性も秘めています。
自作MCP Serverにかかるコストの内訳
自作サーバーのコストは、大きく「開発コスト」と「実行コスト」に分けられます。
- 開発コスト（イニシャル/メンテナンス）:
- 人件費: エンジニアがサーバーの設計、実装、テスト、デプロイ、そして継続的なメンテナンスに費やす時間。これが最大のコスト要因です。
- 実行コスト（ランニング）:
- サーバー費用: アプリケーションをホストするためのインフラ費用。選択肢によって大きく変動します。
- IaaS (e.g., AWS EC2, GCP Compute Engine): 柔軟性が高いが、インフラ管理の手間がかかる。月額数千円〜。
- PaaS (e.g., AWS App Runner, Google Cloud Run, Render): デプロイが容易で管理の手間が少ない。リクエスト数に応じた従量課金制が多く、小規模なら月額数百円〜数千円。
- LLM API利用料: モデルの種類、トークン数（入力＋出力）に応じて課金されます。例えば、AnthropicのClaude 3 Opusは、2026年6月現在、入力100万トークンあたり$15、出力100万トークンあたり$75です（出典: Anthropic公式サイト, 2026年）。これはコストの主要部分を占める可能性があります。
- その他API/サービス利用料: 連携する外部SaaSのAPI利用料、データベース費用、キャッシュ用のRedisサーバー費用などが含まれます。
- サーバー費用: アプリケーションをホストするためのインフラ費用。選択肢によって大きく変動します。
コストを抑えるためのヒント
賢く運用すれば、実行コストは大幅に削減できます。
- 適切なモデルの選択: 全てのタスクに最高性能のモデル（例: Claude 3 Opus）を使う必要はありません。「メールの分類」のような単純なタスクには、より安価で高速なモデル（例: Claude 3 Haiku）を使うなど、タスクの難易度に応じてモデルを動的に切り替えるロジックをControllerに実装します。
- キャッシュ戦略: 頻繁に呼び出されるが結果が変わりにくいリクエスト（例：「会社の基本情報を教えて」）は、一度LLMで生成した結果をキャッシュサーバーに保存し、2回目以降はキャッシュから返すことで、APIコールを削減します。
- リクエストのバッチ処理: 短時間に多数の類似リクエストが発生した場合、それらを個別に処理するのではなく、一旦キューに貯めておき、まとめて一つのプロンプトとしてLLMに投げることで、API呼び出しのオーバーヘッドを削減できます。
開発スキルを活かした資産形成
MCP Serverのような高度なAIアプリケーションを自ら構築できるスキルは、非常に市場価値が高いです。この専門知識は、現在の職務でのキャリアアップや、フリーランスとしての副業、あるいは独自のAIサービスを立ち上げるなど、様々な形で収益に繋がる可能性があります。
そして、得られた収入をただ消費するのではなく、将来のために賢く運用することも重要な視点です。例えば、投資を通じて資産形成を目指すことも一つの選択肢となります。その際、どのような金融商品を選ぶかが鍵となります。
長期的な視点で資産を大きく育てることを目指すなら、投資信託が選択肢に入ります。特に、ひふみ投信のようなアクティブファンドは、専門家が独自の調査に基づいて成長が期待できる企業を選んで投資するため、市場平均（インデックス）を上回るリターンを目指すことができます。ただし、アクティブファンドは運用コスト（信託報酬）がインデックスファンドより高い傾向があり、必ずしも市場平均を上回る成果が得られるとは限りません。将来の利益を保証するものではなく、元本割れのリスクも伴うことを理解した上での判断が必要です。
一方で、まずは手堅く、コストを抑えながら株式投資を始めたいと考える方もいるでしょう。その場合、取引手数料は無視できない要素です。松井証券は、1日の株式約定代金合計が50万円までであれば、手数料が無料というユニークな料金体系を提供しています。これは、少額から投資を始めたい方や、日々の取引コストを最小限に抑えたい方にとって魅力的な選択肢となり得ます。
このように、エンジニアリングスキルで得た収益を、自身の投資スタイルやリスク許容度に合った金融サービスを活用して資産形成に繋げていく。これもまた、2026年を生きる技術者にとっての、一つのキャリア戦略と言えるかもしれません。
シンクラウドデスクトップ for FX
PR
よくある質問（FAQ）
Q1: Python以外の言語でも作れますか？
A: はい、作れます。Node.js (Express/Fastify), Go (Gin), Rust (Actix-web), Java (Spring Boot)など、Web APIサーバーを構築できる言語やフレームワークであれば、基本的に何でも可能です。Pythonが特に選ばれやすい理由は、(1) FastAPIのようなモダンで高性能なWebフレームワークの存在、(2) Pandas, NumPy, Scikit-learnといったAI・データサイエンス分野でデファクトスタンダードとなっている豊富なライブラリ群との親和性が非常に高いこと、(3) LLMプロバイダーが提供する公式SDKが充実していること、などが挙げられます。
Q2: ローカルPCではなく、クラウドで動かすにはどうすればいいですか？
A: 作成したFastAPIアプリケーションをクラウドで動かすには、いくつかの方法があります。最も手軽なのは、アプリケーションをDockerコンテナ化し、AWS App Runner, Google Cloud Run, Render, HerokuといったPaaS（Platform as a Service）にデプロイする方法です。これらのサービスは、ソースコードやコンテナイメージをアップロードするだけで、スケーリングやロードバランシングなどを自動で管理してくれます。より細かいインフラ制御が必要な場合は、AWS EC2やGCP Compute EngineといったIaaS（Infrastructure as a Service）上に自分でサーバー環境を構築することも可能です。
Q3: 自作MCPとLangChainやLlamaIndexとの違いは何ですか？
A: 素晴らしい質問です。これらは競合するものではなく、補完しあう関係にあります。LangChainやLlamaIndexは、LLMアプリケーションを構築するための「フレームワーク」または「ライブラリ」です。RAG（Retrieval-Augmented Generation）の実装、複数のLLMコールを連鎖させるエージェントの構築、外部ツールとの連携などを容易にします。一方、MCP Serverは、これらのフレームワークを使って構築されたアプリケーションロジックを、外部（例: Claude, Cursor, Webフロントエンド）にAPIとして公開するための「サーバーアーキテクチャ」の概念です。つまり、自作MCP Serverの「Controller」部分を実装する際に、LangChainやLlamaIndexを内部で利用するのが非常に強力で一般的なパターンです。
Q4: セキュリティが心配です。インターネットに公開する上で最低限気をつけるべきことは何ですか？
A: インターネットに公開する場合、セキュリティは最優先事項です。最低限、以下の点は必ず確認・対策してください。(1) HTTPSの強制: 通信を暗号化するため、SSL/TLS証明書を導入し、すべてのトラフィックをHTTPS経由にします。PaaSを利用すれば、これは自動で設定されることが多いです。(2) 認証・認可の導入: 誰でもAPIを叩ける状態は非常に危険です。APIキー、OAuth 2.0、JWTトークンなど、適切な認証メカニズムを導入し、許可されたユーザーやアプリケーションからしかアクセスできないようにします。(3) 入力値の検証: Pydanticなどを用いて、リクエストボディやクエリパラメータが想定内の形式・値であるかを厳密に検証します。(4) 秘密情報の管理: APIキーなどの秘密情報をコードや.envファイルに直接書かず、クラウドプロバイダーが提供するSecret Managerを利用します。(5) CORSの設定: 意図しないドメインのWebページからAPIが呼び出されないよう、CORS (Cross-Origin Resource Sharing) ポリシーを適切に設定します。
Q5: 30分で本当に作れますか？
A: はい、この記事で紹介した「基本的な骨格」だけであれば、FastAPIやPythonにある程度慣れたエンジニアであれば30分以内で十分に構築可能です。この記事のコードは、そのための現実的なステップを示しています。ただし、これはあくまで動作するプロトタイプ、いわば「Hello World」の段階です。実際の業務で利用できるレベルの堅牢なアプリケーションにするためには、詳細なエラーハンドリング、網羅的なテストコード、高度なセキュリティ対策、ロギングとモニタリングの仕組み、CI/CDパイプラインの構築など、さらに多くの時間と労力が必要になることを理解しておくことが重要です。
ココナラ
PR
まとめ
2026年、生成AIの活用は、単に「使う」フェーズから「創り、組み込む」フェーズへと進化しました。この変化の波の最前線に立つための強力な武器が、今回解説したCustom MCP Serverです。
この記事を通じて、以下の点を理解いただけたはずです。
- MCP (Model-Controller-Prompter) Serverは、LLM、ビジネスロジック、プロンプト生成を分離し、柔軟で拡張性の高いAIアプリケーションを実現するアーキテクチャであること。
- PythonとFastAPIを活用すれば、その基本的な雛形はわずか30分という短時間で構築可能であること。
- 自作サーバーは、SaaSソリューションでは実現不可能なレベルの柔軟性、セキュリティ管理、そしてコスト最適化をもたらす可能性があること。
- その自由度と引き換えに、プロンプトインジェクション対策やコスト管理、属人化の防止といった運用上の責任が伴うこと。
私たちは今、誰もが自分だけの「専用AIアシスタント」を開発し、その振る舞いを完全にコントロールできる時代の入り口に立っています。汎用AIツールの制約に縛られることなく、自社のワークフローに完璧にフィットした自動化ソリューションを構築する。Custom MCP Serverは、そのための設計図であり、実行エンジンです。
本日学んだ知識とコードは、あなたのAI開発者としてのキャリアにおける、新たな第一歩に過ぎません。この雛形をベースに、独自のデータベース連携、複雑なビジネスロジック、そして創造的なプロンプトエンジニアリングを加え、あなただけのAI活用法を追求してください。生産性を飛躍的に向上させ、これまでにない価値を創造する旅は、今まさに始まったばかりです。
