最近、AIエージェントを使った開発が増えています。
チャットで質問に答えるだけでなく、実際の業務を自動化する役割を持たせるケースも増えてきました。

ただ、そのときに重要になるのが、AIと外部ツールをどうつなぐかです。

例えば、

• 「売上データを教えて」と聞いたときに、社内データベースにアクセスできるか
• 「レポートを作って」と言ったときに、ファイルを生成して保存できるか
• 「この情報をSlackに共有して」と言ったときに、外部サービスと連携できるか

といったように、AIが外の世界に働きかけられるかどうかで、できることが大きく変わります。

逆にいうと、ツールとつながっていないAIは、 賢いけど何も実行できない存在になってしまいます。

だからこそ、AIエージェント開発では 「どうつなぐか（連携の設計）」が重要なポイントになっています。

この記事のポイント

• MCP（AIとツールをつなぐ仕組み）を検証
• MCPは便利だが、そのままだとトークン消費が大きい
• Code executionと組み合わせることで、効率的に使えることが分かった

MCPとは何か？

MCP（Model Context Protocol）は、AIと外部ツールやデータをつなぐための共通ルールです。

これまでは、APIやデータベースなどのツールごとに個別の接続方法が必要でしたが、MCPを使うと同じ仕組みでさまざまなツールと連携できるようになります。

つまりMCPは、AIがいろいろな外部サービスを柔軟に使うための「共通のつなぎ方」です。

MCP利用の課題：トークン消費が大きい

MCPをそのまま使うと、ツールの情報を毎回プロンプトに含める必要があるため、

• トークン消費が増える
• コストが上がる
• レスポンスが遅くなる

といった問題が発生します。

解決策：Code execution with MCP

そこで今回試したのが、Code execution with MCPという設計です。

これは簡単にいうと、ツール処理を「コードとして実行」する方法です。

何が変わるの？

従来と比較すると

MCPをそのまま使う場合

• ツール情報を毎回渡す
• トークン消費が大きい

Code executionと組み合わせる場合

• 必要な処理だけコードで実行
• 不要な情報を渡さなくてよい

トークン削減＋効率化ができるようになります

実際にやったこと

今回の検証では、

• MCPを直接使うパターン
• Code executionと組み合わせるパターン

をそれぞれ実装して比較しました。

• MCPを直接利用するパターンの構成

• Code executionと組み合わせるパターンの構成

その結果、処理時間は増えるもののトークン消費数を削減できることを確認しました。

検証結果まとめ

今回の検証ではCode executionと組み合わせることで以下のことが分かりました。

① コストを抑えられる

トークン消費が減ることで、AI利用コストを削減できる

② 応答速度は若干遅くなる

コード実行のリトライが発生しており、その分のオーバーヘッドが乗ったことが考えられます。

まとめ

MCPは、AIを使える存在にするための重要な技術

です。

ただし、そのまま使うだけではなく、設計が重要

ということも分かりました。

今回の検証では、

• MCP
• Code execution

を組み合わせることで、効率よくAIエージェントを動かす方法を見つけることができました。

もし

• AIエージェント開発に興味がある
• 技術だけでなく設計も考えたい
• 実務で使えるAIを作りたい

そんな方がいれば、ぜひ一度お話しましょう。

Acroquestでは、
こうした一歩踏み込んだ技術検証に取り組んでいます。

具体的な実装コードなど詳しくは当社技術ブログに記載しておりますので、詳細を知りたい場合はこちらをご覧ください。

ぜひ、当社で一緒に働いてみませんか？

チャレンジングな案件が多く、成長の機会が多く得られる環境です

当社では、機械学習／AIや生成AIに加えて、AWSやAzureを活用したITサービス開発事業を推進しています。そこで、最先端技術を駆使しながら、社会を進化させたい情熱とスキルのある機械学習・AIエンジニア、クラウドエンジニアを募集しています！

私たちが取り組む案件は、最先端技術を用いる内容や高難易度の内容が多く、チャレンジングな環境なので、成長の機会が多く得られることをお約束します。