--- url: 'https://www.redhat.com/topics/ai/what-is-model-context-protocol-mcp' title: 'モデル・コンテキスト・プロトコル (MCP) とは' date: '2025-09-29T14:17:24+00:00' updated: '2026-10-07T03:25:38+00:00' type: website summary: 'モデル・コンテキスト・プロトコル (MCP) が AI アプリケーションを外部データソースに接続し、よりスマートなワークフローの構築を支援する方法をご覧ください。' tags: - Article - 'Red Hat AI' - AI - 'Artificial intelligence' - 人工知能 image: 'https://www.redhat.com/profiles/rh/themes/redhatdotcom/img/logo-rh-og-image.png' published: true --- 1. [トピックス](/ja/topics "トピックス") 2. [人工知能](/ja/topics/ai "人工知能") 3. [モデル・コンテキスト・プロトコル (MCP) とは](# "モデル・コンテキスト・プロトコル (MCP) とは") # モデル・コンテキスト・プロトコル (MCP) とは 更新 2026 年 9 月 23 日•*9* 分 (読了時間の目安) コピーされましたコピーに失敗しましたURL をコピー ## セクションを選択 MCP とはMCP の目的MCP 通信の仕組みMCP サーバーの種類MCP と推論MCP と APIMCP とセキュリティMCP とエージェント型 AIRed Hat のサポート内容 ## モデル・コンテキスト・プロトコル (MCP) とは モデル・コンテキスト・プロトコル (MCP) は、AI アプリケーションと外部サービス間の双方向接続と標準化された通信を可能にするオープンソース・プロトコルです。オープンソース・プロトコルは、一連の指示であり、自由に使用したり貢献したりできるコードのレシピのようなものです。 MCP は、AI システムがさまざまなデータソースやツールに仮想的に「プラグイン」するためのシンプルで信頼性の高い方法を提供します。MCP は、デバイスをアクセサリーに接続してデータを転送できる USB-C ケーブルのようなものです。 [Red Hat AI の詳細](/ja/products/ai) ## MCP の目的 MCP が登場する以前、開発者は特定のユースケースのためにカスタムのアプリケーション・プログラミング・インタフェース (API) 統合を作成する必要がありました。つまり、同じ統合をわずかに異なる方法で何度も書き換えていたわけです。AI アプリケーションと外部サービス間の接続はそれぞれ個別に構築されていたため、非常に時間がかかっていました。 MCP により、開発者は標準化された単一のプロトコルを使用して AI アプリケーションを外部サービスに接続できます。MCP は API を置き換えるものではなく、API 上で通信を標準化するものです。これにより、[大規模言語モデル (LLM)](/ja/topics/ai/what-are-large-language-models) を使用して複雑な AI ワークフローを構築し、これらのモデルを実世界のデータと接続することが容易になります。 MCP は[検索拡張生成 (RAG)](/ja/topics/ai/what-is-retrieval-augmented-generation) などの従来の手法を補完し、組織が既存のシステムやワークフロー内に[エージェント型 AI](/ja/topics/ai/what-is-agentic-ai) をデプロイするために必要なセキュリティ制御とインタフェースを提供します。 ## AI テクノロジーの導入に関する 4 つのキーポイント [リソースを取得する](/ja/resources/4-considerations-for-implementing-ai-technology-checklist "リソースを取得する") ## MCP 通信の仕組み MCP は、クライアントホストサーバー・モデル (クライアントサーバー・モデルとも呼ばれる) に基づいており、このモデルには以下が含まれます。 - **MCP クライアント：**外部データやリソースへのアクセスを要求する AI アプリケーションまたはシステム - **MCP ホスト：**クライアントとサーバー間の通信を管理するインフラストラクチャ (仮想マシン、コンテナ、またはサーバーレス機能) - **MCP サーバー：**特定のツール、リソース、機能をクライアントに提供するコンポーネント MCP はハンドシェイクプロトコルで始まります。この最初の「挨拶」は機能検出とも呼ばれ、MCP クライアントと MCP サーバーが相互に通信できることを確認します。 ハンドシェイクプロトコル中に MCP クライアントと MCP サーバーは重要な情報を交換して、互換性を確認します。クライアントは、利用可能な機能と理解できる MCP のバージョンを共有します。これに対してサーバーは、サポートする機能、およびクライアントに提供できるツールやリソースを共有します。 この最初の挨拶が完了すると、作業関係を始められるようになります。 ### コンテキストについて MCP の「M」は言語*モデル*を指し、「P」は標準化された通信*プロトコル*を指します。では次に、「C」が表すコンテキストについて見ていきましょう。 MCP の領域においてコンテキストは、モデルがアクセスできる、関連するタスク固有の情報を指します。コンテキストウィンドウとは、モデルが応答を生成する際にアクセスできる情報の量を指します。 MCP が登場する前、AI アプリケーションはコンテキストウィンドウに多くの情報を保持する必要がありました。中には無関係な情報もあり、コンテキストウィンドウのスペースが無駄に埋め尽くされ、ハルシネーションが生じました。MCP を使用すると、アプリケーションはより効率的にツールやサービスと通信できるようになり、関連性のない情報を保持するのではなく、必要な情報を正確に要求できるようになります。 関連性のある適切なコンテキストがあれば、モデルは会話の以前の部分の記憶から、より正確な結果を返し、複数の情報間の関連付けをより適切に行うことができます。MCP により、クライアントは関連データをメモリーに保存でき、リクエストの完了に役立てることができます。このプロセスは動的検出と呼ばれます。 動的検出は機能検出ステージの後に行われ、クライアントとサーバーが連携してユーザーの問題を解決できるようにします。このような関連データの共有と分析により、モデルにコンテキストがもたらされ、AI アプリケーションが柔軟かつ独立して動作できるようになります。 [混合専門家の詳細と、それによって LLM の推論を大規模に高速化する方法](/ja/topics/ai/mixture-of-experts) ## MCP サーバーの種類 MCP サーバーは、MCP クライアントにコンテキストを提供する上で重要な役割を果たします。MCP サーバーのさまざまな種類を理解することで、どのような統合が可能か、また、AI ワークフローをどのように構成すべきかを理解できます。 **ローカルデータソース：**これらのサーバーは、ファイル、ローカルデータベース、アプリケーションなど、コンピュータに保存されている情報に接続します。  **リモートサービス：**これらのサーバーは、インターネットを介して、クラウドデータベースや Web ベースのツールなどの外部サービスに接続します。  **公式統合：**これらのサーバーは、保証された品質とサポートを備えたよく使用されるサービスへの接続を提供するために事前構築されています。  **コミュニティサーバー：**開発者はこれらのサーバーを構築し、開発者コミュニティ内でオープンに共有します。  **リファレンスサーバー：**これらのサーバーは、ベストプラクティスを示すことでテンプレートや学習ツールとして機能します。 [Red Hat の MCP サーバーコレクションの詳細を見る](https://catalog.redhat.com/en/categories/ai/mcpservers) ## MCP と推論 MCP と [AI 推論](/ja/topics/ai/what-is-ai-inference)には直接的な関連性はありませんが、使用する AI ツールの複雑さに応じて、相互に依存するプロセスになります。 これまで説明したように、MCP は、AI をツール、データ、外部リソースと接続し、その目的を果たせるようにするものです。一方、推論は、望ましい出力を提供するためにプロンプトを処理し、トークンを生成するモデルです。MCP は、推論中に使用してモデルに情報を提供できますが、推論の効率を向上させたり、モデルのアーキテクチャに影響を与えたりすることはありません。 だからこそ、推論を忘れないことが重要です。簡単に言うと、推論を使わない AI は存在しないからです。また、エンタープライズレベルの戦略の実行に大きなモデルが必要になった場合、状況が複雑になる可能性があります。つまり AI 戦略の成否は、推論機能をサポートするハードウェアとソフトウェアによって決まることになります。 [AI 推論を重視すべき理由](/ja/artificial-intelligence/inference) ## MCP と API：その違いとは MCP と[アプリケーション・プログラミング・インタフェース (API)](/ja/topics/api/what-are-application-programming-interfaces) は両方とも、別々のシステム間の接続を可能にするデジタルブリッジとして機能します。MCP の機能は API を基盤として構築されており、API がなければ存在しません。 これらのテクノロジーは、機能する方法や目的が異なります。 - MCP は、言語モデルを外部ツールおよびデータに接続し、リアルタイムで*その場に合わせて適応する*ワークフローを強化します。 - 従来の API ワークフローは、*固定された一連のルールに従います*。2 つのシステムが接続されると、そのやり取りは開発者がプログラムした特定のアクション群に限定されます。 [MCP と API の詳細はこちら](/ja/topics/ai/mcp-vs-apis) ## MCP とセキュリティ MCP サーバーにより、データや情報の活用がかつてないほど便利になります。しかし、どのようにして MCP サーバー上のデータを保護できるのか、という疑問も生じます。 権限とセキュリティポリシーは、MCP サーバーがアクセスできる対象と実行が許可される操作を規制します。MCP は [OAuth](https://oauth.net/) (ユーザーアクセスを認証する) などの組み込みセキュリティ機能に加え、クライアントとサーバー間の暗号化された接続を提供します。 ただし、開発者は独自のセキュリティ対策も実装する必要があります。ベストプラクティスには以下のようなものがあります。 - 機能するために必要な最小限のアクセスのみを MCP サーバーに提供します。これは最小権限の原則 (PoLP) とも呼ばれています。このサイバーセキュリティの概念は、不正なユーザー、エラー、または攻撃による潜在的な損害を軽減することを目的としています。 - 各サーバーがアクセスできる対象を定期的に見直し、どのサーバーにも不要な権限や過剰な権限がないことを確認します。 - MCP 接続を許可するときに、何にアクセス権を付与するのかを (ユーザーとして) 把握します。 - 信頼できる MCP サーバーのみを使用します。 [MCP のセキュリティリスクと管理についての詳細を読む](/ja/blog/model-context-protocol-mcp-understanding-security-risks-and-controls) ## MCP とエージェント型 AI エージェント型 AI は、人間の介入を最小限に抑えながらデータやツールと対話するソフトウェアシステムです。エージェント型 AI では目標指向の動作に重点が置かれており、手順のリストを作成してそれを自律的に実行することでタスクを達成します。 MCP とエージェント型 AI は相互に補完し合い、インテリジェントな AI システムの構築を可能にします。MCP により、AI システムはより広範なデジタルエコシステムと連携して、ユーザーのタスクを実行することができます。MCP がなくてもエージェント型 AI は思考して計画を立てることはできますが (生成 AI の特性として)、外部システムと対話することはできません。 [エージェント型 AI についてさらに詳しく](/ja/topics/ai/what-is-agentic-ai) ## Red Hat のサポート内容 [Red Hat® AI](/ja/products/ai) は、[vLLM 搭載](/ja/topics/ai/what-is-vllm)のサーバーを通じて、高速で柔軟かつ効率的な推論を行うように構築されています。モデルをデータと確実に接続し、専用エージェントのカスタマイズと開発を単一のプラットフォームで行うことができます。オープンソースを基盤として構築された当社の製品により、あらゆる規模で AI ワークフローをエンドツーエンドで完全に制御することができます。 また、Red Hat AI ポートフォリオには AI 推論、エージェント型 AI ワークフロー、AI 対応アプリケーションをあらゆるインフラストラクチャ上でデプロイ、管理、スケーリングするためのプラットフォームである [Red Hat AI Enterprise](/ja/products/ai/enterprise) が含まれています。 [Red Hat AI の詳細](/ja/products/ai) リソース ### 生成 AI の基盤を構築する際の主な検討事項 この e ブックでは、生成 AI プロジェクトを加速させる信頼できるインフラストラクチャ基盤を確立するための主な検討事項について説明します。 [リソースを取得する](/ja/resources/top-considerations-for-generative-ai-ebook?intcmp=RHCTG0260000496262 "生成 AI の基盤を構築する際の主な検討事項") ### Red Hat で AI をナビゲート：AI 導入に役立つ専門知識、トレーニング、サポート Red Hat の独自の AI ポートフォリオをご覧ください。Red Hat AI は、人工知能 (AI) を活用してお客様のビジネスおよび IT の目標を達成するお手伝いをします。 [リソースを取得する](/ja/engage/services-for-linux-ai-ebook "Red Hat で AI をナビゲート：AI 導入に役立つ専門知識、トレーニング、サポート") ## 関連情報 ### MLflow とは MLflow は、開発者が機械学習 (ML) や AI のプロジェクトを初期の実験からプロダクション環境へのデプロイまで整理・管理するのを支援するツールです。 [記事を読む](/ja/topics/ai/what-is-mlflow "What is MLflow?") ### エージェント型 AI とは エージェント型 AI は、人間の介入を最小限に抑えながらデータやツールと対話するように設計されたソフトウェアシステムです。 [記事を読む](/ja/topics/ai/what-is-agentic-ai "article | What is agentic AI?[DO NOT OVERWRITE JA META]") ### エージェント型 AI と生成 AI エージェント型 AI と生成 AI について：それぞれの機能や独自の強み、よりスマートなソリューションを実現するための連携方法についてご覧ください。 [記事を読む](/ja/topics/ai/agentic-ai-vs-generative-ai "Agentic AI vs. generative AI") ### 人工知能リソース ### 注目の製品 - #### [Red Hat AI](/ja/products/ai) ハイブリッドクラウド環境全体で AI ソリューションの開発とデプロイメントを加速させる柔軟なソリューション。 [すべての製品を見る](/ja/products "すべての製品を見る") ### 関連するコンテンツ - ブログ投稿 [Beyond OCR: Achieving 98% billing accuracy with GroundX and Red Hat OpenShift AI](/ja/blog/beyond-ocr-achieving-98-billing-accuracy-groundx-and-openshift-ai) - ブログ投稿 [The last mile problem in agentic AI: Why tool calling reliability is harder than it looks](/ja/blog/last-mile-problem-agentic-ai-why-tool-calling-reliability-harder-it-looks) - ブログ投稿 [What risk-aware model deployment looks like in regulated industries](/ja/blog/what-risk-aware-model-deployment-looks-regulated-industries) - ブログ投稿 [Automate AI red teaming: Large language model risk identification and mitigation](/ja/blog/automate-ai-red-teaming-large-language-model-risk-identification-and-mitigation) ### 関連記事 - [What is MLflow?](/ja/topics/ai/what-is-mlflow) - [What is agentic AI?](/ja/topics/ai/what-is-agentic-ai) - [Agentic AI vs. generative AI](/ja/topics/ai/agentic-ai-vs-generative-ai) - [MCP vs. APIs: What's the difference?](/ja/topics/ai/mcp-vs-apis) - [What is an AI platform?](/ja/topics/ai/what-is-an-ai-platform) - [What is generative AI?](/ja/topics/ai/what-is-generative-ai) - [RAG vs. fine-tuning](/ja/topics/ai/rag-vs-fine-tuning) - [What is PyTorch?](/ja/topics/ai/what-is-pytorch) - [AIOps explained](/ja/topics/ai/what-is-aiops) - [What are large language models?](/ja/topics/ai/what-are-large-language-models) - [What is retrieval-augmented generation?](/ja/topics/ai/what-is-retrieval-augmented-generation) - [What is machine learning?](/ja/topics/ai/what-is-machine-learning) - [What are foundation models for AI?](/ja/topics/ai/what-are-foundation-models) - [What are Granite models?](/ja/topics/ai/what-are-granite-models) - [What is Docling?](/ja/topics/ai/docling) - [What is Mixture of Experts (MoE)?](/ja/topics/ai/mixture-of-experts) - [What is AgentOps?](/ja/topics/ai/agentops) - [What are predictive analytics](/ja/topics/automation/how-predictive-analytics-improve-it-performance) - [Edge solutions for real-time decision making](/ja/topics/edge-computing/edge-solutions-real-time-decision-making) - [What is deep learning?](/ja/topics/ai/what-is-deep-learning) - [What is sovereign AI?](/ja/topics/ai/sovereign-ai) - [What are intelligent applications?](/ja/topics/ai/what-are-intelligent-applications) - [Understanding AI in telecommunications with Red Hat](/ja/topics/ai/understanding-ai-in-telecommunications) - [LoRA vs. QLoRA](/ja/topics/ai/lora-vs-qlora) - [Predictive AI vs generative AI](/ja/topics/ai/predictive-ai-vs-generative-ai) - [AI infrastructure explained](/ja/topics/ai/ai-infrastructure-explained) - [What is MLOps?](/ja/topics/ai/what-is-mlops) - [What is enterprise AI?](/ja/topics/ai/what-is-enterprise-ai) - [Why choose Red Hat Ansible Automation Platform as your AI foundation?](/ja/topics/automation/automation-and-ai) - [What is AI inference?](/ja/topics/ai/what-is-ai-inference) - [What is llm-d?](/ja/topics/ai/what-is-llm-d) - [What is vLLM?](/ja/topics/ai/what-is-vllm) - [SLMs vs LLMs: What are small language models?](/ja/topics/ai/llm-vs-slm) - [What is AI security?](/ja/topics/ai/what-is-ai-security) - [What is InstructLab?](/ja/topics/ai/what-is-instructlab) - [What is distributed inference?](/ja/topics/ai/what-is-distributed-inference) - [What is parameter-efficient fine-tuning (PEFT)?](/ja/topics/ai/what-is-peft) - [Understanding agentic AI use cases](/ja/topics/ai/ai-ml-use-cases) - [How vLLM accelerates AI inference: 3 enterprise use cases](/ja/topics/ai/how-vllm-accelerates-ai-inference-3-enterprise-use-cases) - [What is AI in healthcare?](/ja/topics/ai/what-is-ai-in-healthcare) - [What is AI in the public sector?](/ja/topics/ai/what-is-ai-in-the-public-sector) - [AI in banking](/ja/topics/ai/ai-in-banking) - [What is Model-as-a-Service?](/ja/topics/ai/what-is-models-as-a-service) - [What is LLMops](/ja/topics/ai/llmops) - [vLLM vs. Ollama: When to use each framework](/ja/topics/ai/vllm-vs-ollama) - [What is explainable AI?](/ja/topics/ai/what-explainable-ai) - [Accelerate MLOps with Red Hat OpenShift](/ja/technologies/cloud-computing/openshift/aiml) - [What is edge AI?](/ja/topics/edge-computing/what-is-edge-ai) - [How Kubernetes can help AI/ML](/ja/topics/cloud-computing/how-kubernetes-can-help-ai) - [What is Kubeflow?](/ja/topics/cloud-computing/what-is-kubeflow) [このトピックについてさらに詳しく](/ja/topics/ai "このトピックについてさらに詳しく")