MCPとは？ローカルAIにツールを使わせる仕組みを初心者向けに解説

MCPとは

MCPはModel Context Protocolの略で、AIアプリが外部ツールやデータソースとつながるための共通プロトコルです。MCP hostはアプリ全体を管理し、MCP clientがserverごとの接続を持ち、MCP serverがtools、resources、promptsなどを提供します。

ただし、MCPは魔法の自動化ボタンではありません。外部ツールを使えるということは、権限、データ送信、ファイルアクセス、実行コマンドのリスクも増えるということです。

AIにツールを使わせるとは

AIにツールを使わせるとは、AIが「この関数を呼びたい」「このデータを検索したい」と判断し、アプリ側がその処理を実行して結果をAIに戻す流れです。AI自身が直接ファイルやAPIを勝手に操作するのではなく、ホストアプリやコードが間に入ります。

LM StudioのTool Use公式情報でも、LLMは関数呼び出しをリクエストし、実際の実行はあなたのコードが行い、その結果をLLMに戻す流れとして説明されています。

Tool Callingとは

Tool Callingは、AIに利用可能な関数やツールの一覧を渡し、必要なときに呼び出し要求を出させる仕組みです。API連携では、関数名、説明、引数のスキーマを渡す形がよく使われます。

モデルによってツール呼び出しの得意不得意はあります。対応モデルやテンプレート、API実装によって品質が変わるため、必ず小さなテストから始めてください。

API・JSON出力・RAG・MCPの違い表

APIとMCPの違い

APIは、あなたのアプリやコードがAIを呼び出す窓口です。MCPは、AIが使う道具やデータソースをホストアプリにつなぐ仕組みです。

たとえばAPIは「自作アプリからローカルAIに分類を頼む」方向です。MCPは「AIがファイル検索ツールやデータベースツールを使えるようにする」方向です。

ローカルAIでMCPを使うと何ができるか

ローカルAIでも、対応アプリや設定によって、ファイル検索、Web検索、メモ参照、データベース問い合わせ、コード補助、外部API連携などができる可能性があります。

ただし、ツールが増えるほど、AIが見る情報、呼び出せる機能、誤操作の範囲も広がります。便利さと安全性はセットで考えてください。

local・remote・cloudの境界を分ける

MCPのlocal・remoteは、モデルがどこで推論するかではなく、hostとserverをどう接続するかの区分として見ると整理しやすいです。公式Architectureでは、local process向けのstdioと、ネットワーク接続向けのStreamable HTTPが別のtransportとして説明されています。

local modelを選んでもremote MCP serverへ通信する構成はあり、cloud modelを使っていてもMCP serverが同じPC上にある構成は考えられます。モデルのprovider、MCP serverのURLまたは起動command、送信されるデータを別々に確認します。

• LM StudioのMCPをAPIで使う - native APIのephemeral・mcp.json・allowed_toolsを見る
• ローカルLLMの安全性とプライバシー - モデル、ログ、外部API、MCPの情報経路を確認する

JanとMCPの関係

Janの現行MCP docsでは、MCP serverのtransportとしてSTDIO、HTTP、SSEを設定でき、tool permissionを自動承認する設定やsmart routingも案内されています。Allow All MCP Tool Permissionsを有効にすると確認ダイアログを省略できるため、便利さと承認範囲を分けて判断します。

Janを使う場合も、ローカルモデルだけなのか、クラウドAIや外部APIを使うのか、どのデータが外へ出るのかを分けて見ます。

LM StudioとMCP・ツール連携の関係

LM Studio 0.4.0以降の現行APIでは、`/api/v1/chat`からephemeral MCPまたは`mcp.json`のserverをintegrationsとして指定できます。`allowed_tools`を省略するとserverの全toolが利用可能になるため、必要なtoolだけを許可する設定を先に考えます。

Server Settingsでは、per-request MCP、mcp.json server、認証、LAN公開などを別々に設定します。mcp.json serverはファイルやprivate dataへアクセスできる可能性があるため、認証必須の設定や信頼できるserverかを確認します。

• LM StudioのMCPをAPIで使う - request、Server Settings、allowed_toolsの実装を見る
• LM StudioのTool Use - custom functionのschema・dispatch・実行権限を分ける

MCPでできること・注意点表

危険な使い方の例

信頼できないMCPサーバーをそのまま入れる、ホームディレクトリ全体を読み書き可能にする、削除や送信を自動承認する、APIキーや秘密情報へアクセスできる状態にする、といった使い方は危険です。

この記事では、危険な自動化手順は扱いません。初心者は、読み取り専用、限定フォルダ、テスト用データ、人間の確認あり、という範囲から始めてください。

ローカルだから安全とは限らない理由

ローカルAIでも、MCPサーバーやツールがファイル、ネットワーク、外部API、認証情報へアクセスする場合があります。ローカルで動くことと、安全であることは同じではありません。

MCP公式のセキュリティ情報では、ローカルMCPサーバーが同じ権限でコマンド実行やファイルアクセスを持つリスク、スコープ最小化、ユーザー同意、危険なコマンドの警告などが説明されています。

初心者はどこまで触ればいいか

最初はMCPサーバー構築ではなく、仕組みを理解し、信頼できるツールで、読み取り中心の小さな連携を試す程度で十分です。ファイル削除、コード実行、DB更新、外部送信を自動化するのは後回しにしてください。

MCPを使う前に、API、JSON出力、RAGの違いを理解しておくと、何をどこまで任せているのか見えやすくなります。

JSON出力・API・RAGとの違い

JSON出力は返答の形を整えるものです。APIはAIを呼び出す窓口です。RAGは文書を検索して回答の材料にする仕組みです。MCPは、AIが外部ツールやデータソースと連携するための仕組みです。

• ローカルAIでJSON出力する方法 - 返答の形を整える方法を見る
• ローカルAIをAPIで使う方法 - 自作アプリからAIを呼び出す基本を見る
• PDF・文書チャットの使い分け - RAGや文書活用との違いを見る
• LM StudioのMCPをAPIで使う - APIからMCP serverとallowed_toolsを設定する
• ローカルLLMの安全性とプライバシー - 外部送信、ログ、権限を横断して確認する

次に読む記事

• Janとは - 自分用AIアプリとして比較する
• LM Studioの基本情報 - ローカルモデルとツール連携の入口を見る
• Ollamaの基本情報 - APIや開発連携寄りの実行環境を確認する
• RAG・埋め込み・ベクトルDBの仕組み - 外部文書を回答に使う仕組みを見る