YOLOのライセンス
Ultralytics用語集に戻る

Model Context Protocol (MCP)

Model Context Protocol(MCP)は、単一のインターフェースを通じてAIアプリケーションとツールやデータを接続するオープン標準です。アーキテクチャ、用途、コードを解説します。

モデルコンテキストプロトコル (MCP) は、AIアプリケーションを外部ツール、データソース、ワークフローに接続するためのオープンスタンダードです。MCPが登場する前は、AIアプリケーションごとに利用するサービスとのカスタム統合が必要だったため、アシスタントが10個、サービスが10個あると、最大100個の個別コネクターが必要でした。MCPでは、サービスを一度MCPサーバーとしてラップすれば、MCP対応アプリケーションから利用できます。Anthropicは2024年11月にこのプロトコルを導入し、2025年12月には、AnthropicがBlockおよびOpenAIと共同設立したLinux Foundation傘下の基金、Agentic AI Foundationに寄贈しました。Claude、ChatGPT、VS Code、Cursor、Gemini CLIなどのホストがこのプロトコルをサポートしており、AIエージェントや大規模言語モデル (LLMs)が外部の世界にアクセスする標準的な方法になっています。

MCPの仕組み#

MCP仕様では、JSON-RPC 2.0メッセージを交換する3つの役割を定義しています。ホストは、チャットボット、IDE、エージェントなど、ユーザーが操作するAIアプリケーションです。ホスト内では、クライアントが各サーバーへの接続を管理し、各サーバーが一連の機能を公開します。ローカルサーバーはサブプロセスとして実行され、標準入力と標準出力 (stdio) を介して通信します。一方、リモートサーバーはStreamable HTTPを使用します。2026-07-28の改訂以降、コアプロトコルはステートレスです。各リクエストにはプロトコルのバージョンとクライアントの機能が含まれ、従来のinitializeハンドシェイクとセッションIDは廃止されており、ロードバランサーの背後にある任意のサーバーインスタンスが任意のリクエストに応答できます。

サーバーは3種類の機能を提供します。

  • ツール: モデルが呼び出せる関数です。それぞれに名前、説明、引数を定義するJSON Schemaがあり、たとえばcreate_issueやrun_queryなどがあります。ツールはテキスト、画像、構造化データを返せます。
  • リソース: ファイル、データベーススキーマ、ログの抜粋など、URIで識別される読み取り専用のコンテキストです。アプリケーションはこれをモデルのコンテキストに追加できます。
  • プロンプト: ユーザーが明示的に選択する再利用可能なメッセージテンプレートで、多くの場合、スラッシュコマンドとして表示されます。

サーバーは、エリシテーションを通じてタスクの途中で不足している入力をユーザーに求めることもできます。オプションの拡張機能はさらに機能を追加します。Tasksはクライアントが結果をポーリングする長時間実行操作を処理し、MCP Appsはツールからインタラクティブなインターフェースを返せるようにします。これは、会話内にグラフやフォームを表示する生成UIの方式です。

MCPサーバーの構築#

公式のMCP Python SDKは、型付きのPython関数をツールに変換し、型ヒントからJSON Schemaを生成します。この方法でUltralytics YOLO26の推論をラップすると、どのMCPホストからも物体検出を利用できます。ツールはResults.summary()を返します。これは各物体のクラス名、信頼度、ボックス座標を含むリストで、モデルが推論に利用できます。ここでは、プロセス内クライアントがホストと同じ方法でツールを検出し、呼び出します。

import asyncio

from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
server = MCPServer("vision")


@server.tool()
def detect(image_url: str) -> list[dict]:
    """Detect objects in an image and return each object's class, confidence, and box."""
    results = model(image_url)
    return results[0].summary()


async def main():
    """Discover the server's tools and call one, as an MCP host does."""
    async with Client(server) as client:
        tools = await client.list_tools()
        print(tools.tools[0].name, tools.tools[0].input_schema)
        result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
        print(result.structured_content)


asyncio.run(main())

最初のprintはツール名と、ホストのモデルが認識する入力スキーマを示します。このスキーマにはimage_urlという文字列引数が1つ必要です。2つ目は、検出リストが構造化コンテンツとして返される様子を示しています。

  • 関数呼び出し: モデルがツールへの構造化リクエストを出力する機能です。MCPはアプリケーション間でツールの検出、記述、実行の方法を標準化し、ホストはMCPツールの定義をモデル固有の関数呼び出し形式に変換します。
  • API: REST APIまたはGraphQL APIは、1つのサービスのクライアントに機能を提供します。MCPサーバーは多くの場合、そのようなAPIをラップし、モデルがカスタムコードなしで利用するために必要な名前、説明、スキーマを追加します。
  • 検索拡張生成 (RAG): 検索した文書を根拠として回答を生成する手法です。MCPは、検索ツールまたは添付リソースを通じて検索結果を提供する方法の1つです。
  • Agent2Agent (A2A)プロトコル: エージェント同士を接続し、タスク全体を委任できるようにします。MCPはエージェントを、エージェントが直接使用するツールやデータに接続します。
  • エージェントスキル: タスクに応じてエージェントがコンテキストに読み込む、指示とスクリプトをまとめたフォルダーです。スキルはタスクの実行方法をエージェントに教え、MCPサーバーは関連システムへのリアルタイムアクセスを提供するため、エージェントは通常両方を使用します。

実際のアプリケーション#

  • エージェント型コーディング: コーディングエージェントは、MCPサーバーを介してGitHub、課題管理システム、データベース、ブラウザーに接続します。そのため、ログインに失敗する理由を尋ねると、エージェントは1回のセッションでエラーログを取得し、認証コードを読み、未解決の課題を確認できます。
  • エンタープライズアシスタント: ドキュメントストア、チャット、チケット管理、CRMシステムへのコネクターを使うと、アシスタントは社内データに基づいて質問に答え、ユーザーに代わって更新を記録できます。
  • 目視検査: エージェントはカメラ画像に対して検出ツールを呼び出し、損傷した部品を見つけると在庫サーバーに交換部品を問い合わせ、保守チケットを作成します。これにより、1回の推論が完全な自動化ワークフローにつながります。
  • データ分析: データベースサーバーは読み取り専用のクエリツールを公開するため、アナリストは自然な言葉で質問し、リアルタイムのテーブルから計算された回答を得られます。

セキュリティ上の考慮事項#

MCPツールはユーザーの認証情報で任意のコードを実行できるため、接続するたびにモデルの実行可能な操作と攻撃者がアクセスできる範囲が広がります。ツールの結果やリソースにはプロンプトインジェクションが含まれる場合があります。これは、モデルに別のツールを呼び出させたりデータを漏えいさせたりしようとするテキストです。また、悪意のあるサーバーが自身のツール説明に指示を隠すこともあり、これはツールポイズニングと呼ばれる攻撃です。リモートサーバーはOAuthベースの認可でユーザーを認証します。慎重に設計されたホストは、各サーバーに必要な権限だけを与え、ローカルサーバーをサンドボックスで実行し、機密性の高い操作の前に承認を求めるなどのガードレールを追加します。仕様では、ツールを呼び出す前にホストがユーザーから明示的な同意を得ること、信頼できるサーバー以外からのツール説明を信頼できないものとして扱うことが求められています。

ソリューションを見る

スポーツにおけるコンピュータービジョン

スポーツにおけるコンピュータービジョン

Ultralytics YOLOが、選手やボールの追跡、パフォーマンス分析、コーチングへの知見、アスリートのリハビリを通じて、スポーツビジョンをどのように支えるかをご紹介します。
詳しく見る
航空画像向けコンピュータービジョン

航空画像向けコンピュータービジョン

Ultralytics YOLOを使用して、ドローンや航空画像をリアルタイムの知見に変換し、農業、水産養殖、自然保護、地理空間分析に活用できます。
詳しく見る
航空宇宙分野のコンピュータービジョン

航空宇宙分野のコンピュータービジョン

Ultralytics YOLOを活用して航空宇宙分野でコンピュータビジョンを導入し、航空機検査、滑走路上のFOD検出、空港の地上業務、複合材の欠陥検出に活用できます。
詳しく見る
セキュリティ分野のコンピュータービジョン

セキュリティ分野のコンピュータービジョン

Ultralytics YOLOモデルであらゆる施設を保護しましょう。ビジョンAIは、周辺監視、脅威検知、ナンバープレート認識、職場の安全管理を支援します。
詳しく見る
ロボティクス分野のコンピュータービジョン

ロボティクス分野のコンピュータービジョン

Ultralytics YOLOモデルで、よりスマートなマシンを実現しましょう。ロボティクスにおけるビジョンAIは、自律ナビゲーション、認識、物体追跡、リアルタイム制御を支援します。
詳しく見る
物流におけるコンピュータービジョン

物流におけるコンピュータービジョン

Ultralytics YOLOモデルで物流を効率化しましょう。ビジョンAIにより、荷物検査、仕分け、車両追跡、倉庫のリアルタイム安全監視を実現します。
詳しく見る
小売業におけるコンピュータービジョン

小売業におけるコンピュータービジョン

Ultralytics YOLOモデルで小売のあり方を変革しましょう。ビジョンAIにより、在庫追跡、棚の監視、行列管理、より高度な顧客インサイトを実現します。
詳しく見る
医療分野におけるコンピュータービジョン

医療分野におけるコンピュータービジョン

Ultralytics YOLOモデルで医療ソリューションを構築しましょう。医療分野のビジョンAIは、医用画像処理の高速化、より高度な診断、患者モニタリングを実現します。
詳しく見る
製造業におけるコンピュータービジョン

製造業におけるコンピュータービジョン

Ultralytics YOLOモデルで製造を最適化しましょう。ビジョンAIは、品質管理、欠陥検出、PPE準拠、組立ラインの自動化を推進します。
詳しく見る
自動車分野におけるコンピュータービジョン

自動車分野におけるコンピュータービジョン

Ultralytics YOLOモデルで自動車分野にコンピュータービジョンを導入しましょう。ビジョンAIは、道路の安全性、運転支援、車両の自動化を向上させ、よりスマートな道路を実現します。
詳しく見る
農業におけるコンピュータービジョン

農業におけるコンピュータービジョン

Ultralytics YOLOモデルでスマート農業にビジョンAIを導入しましょう。作物のモニタリング、家畜の追跡、精密農業を支援し、より高く効率的な収量を実現します。
詳しく見る

AIの未来を一緒に築きましょう!

機械学習の未来に向けた歩みを始めましょう