MCP・連携参考

Tool Use 設計と MCP サーバー実装の参考。RAG・実装参考と併せて読む。

パターン	向くユースケース	主な実装	難易度
シンプル RAG	社内文書 Q&A・FAQ	LlamaIndex / LangChain	★★☆☆☆
Tool-use Agent	DB 検索・API 連携・レポート生成	Anthropic SDK / AI SDK	★★★☆☆
Plan-and-Execute	複雑な調査・コード生成・長タスク	LangGraph / Claude SDK	★★★★☆
マルチエージェント	並列リサーチ・専門役割分担・大規模自動化	LangGraph Supervisor / asyncio Orchestrator	★★★★★

flowchart LR subgraph pipe [Pipeline] P1[Research] --> P2[Analyze] --> P3[Write] --> P4[Review] end subgraph fan [Fanout] F0[Task] --> F1[Item1] F0 --> F2[Item2] F0 --> F3[Item3] F1 --> FM[Merge] F2 --> FM F3 --> FM end

パターン	向く場面	注意点
パイプライン	段階依存が明確（調査→執筆→レビュー）	受け渡しスキーマを固定
ファンアウト	独立アイテムの並列処理	集約ロジックを先に定義
スペシャリスト	多ドメイン統合（市場・技術・財務）	出力形式を標準化

Supervisor パターン（LangGraph）

from typing import Literal, TypedDict
from langgraph.graph import StateGraph, END

class TeamState(TypedDict):
    task: str
    next_worker: str
    research: str
    draft: str
    final: str

def supervisor(state: TeamState) -> TeamState:
    # LLM が次の worker を選ぶ（structured output 推奨）
    worker = llm_pick_worker(state["task"], state)
    return {**state, "next_worker": worker}

def researcher(state: TeamState) -> TeamState:
    out = run_research_agent(state["task"])  # RAG tool 可
    return {**state, "research": out}

def writer(state: TeamState) -> TeamState:
    out = run_writer_agent(state["research"])
    return {**state, "draft": out}

def route(state: TeamState) -> Literal["researcher", "writer", "end"]:
    w = state["next_worker"]
    if w == "researcher":
        return "researcher"
    if w == "writer":
        return "writer"
    return "end"

graph = StateGraph(TeamState)
graph.add_node("supervisor", supervisor)
graph.add_node("researcher", researcher)
graph.add_node("writer", writer)
graph.set_entry_point("supervisor")
graph.add_conditional_edges("supervisor", route, {
    "researcher": "researcher", "writer": "writer", "end": END,
})
graph.add_edge("researcher", "supervisor")
graph.add_edge("writer", "supervisor")
team = graph.compile()

💡 Researcher に Agentic RAG の search ツールを渡すと、調査専門エージェントが自律的に retrieve / grade できる。

Orchestrator + Subagents（asyncio）

import anthropic
import asyncio

client = anthropic.Anthropic()

async def researcher_agent(topic: str) -> str:
    resp = client.messages.create(
        model="claude-haiku-4-5",
        max_tokens=2048,
        system="調査専門。重要ポイントを箇条書きで返す。",
        messages=[{"role": "user", "content": f"調査: {topic}"}],
    )
    return resp.content[0].text

async def writer_agent(research: str) -> str:
    resp = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=4096,
        system="技術ブログ調で記事化する。",
        messages=[{"role": "user", "content": research}],
    )
    return resp.content[0].text

async def orchestrator(topic: str) -> str:
    # ファンアウト: 並列調査
    parts = await asyncio.gather(
        researcher_agent(f"{topic} - 技術"),
        researcher_agent(f"{topic} - ビジネス"),
    )
    combined = "

".join(parts)
    return await writer_agent(combined)

# asyncio.run(orchestrator("AIエージェント開発"))

💡 サブタスクは軽量モデル（Haiku）、統合・執筆は高性能モデル（Sonnet）。max_iterations とタイムアウトで暴走を防ぐ。

Cursor / Claude Code — 開発セッションでの委譲

# メイン会話は実装に集中。広い調査は Task に委譲する。

# プロンプト例（Cursor Agent）
「src/domain/ のみ調査。呼び出し元一覧を { paths, summary } JSON で返す。
 全文ダンプは不要。」

# subagent_type の目安
# explore     — コードベース探索（readonly）
# generalPurpose — 汎用・複数ステップ
# shell       — git / コマンド実行

# 受け渡し契約（flow-18 と同じ）
# { "paths": ["src/foo.ts"], "summary": "3行以内" }

プロダクト向けチェックリスト

ゴールと完了条件を文章化（テスト・評価指標を含む）
役割分割 — 汎用エージェント1体より Researcher / Writer / Reviewer など2〜3体から
出力スキーマ固定 — JSON Schema / Pydantic で次段がパースできる形に
2体パイプラインで動作確認してからファンアウトを増やす
観測 — Langfuse / LangSmith でトレース、トークン・latency をダッシュボード化

よくある失敗と対策

失敗パターン	対策
❌ 汎用エージェントだらけ — 役割が曖昧で特化のメリットが消える	✅ system prompt とツールセットを役割ごとに分離。Orchestrator のみ全体を見る
❌ 出力形式未標準化 — 次段が free text をパースできず連鎖失敗	✅ structured output / JSON mode。受け渡し契約を README または型定義に固定
❌ 並列を早まりで増やす — 観測不能・重複作業・コスト肥大	✅ まず直列パイプライン2体。ファンアウトは集約ロジック確定後

マルチエージェントを AI に依頼するプロンプト例

競合調査レポート

競合3社の調査レポートを自動生成するマルチエージェントを設計してください。
・Orchestrator が全体管理
・Researcher を asyncio.gather で並列実行
・Writer が最終レポート、Reviewer が品質チェック
・各 Subagent の入出力を JSON スキーマで定義

RAG 統合

LangGraph Supervisor に Researcher ノードを追加してください。
Researcher は Agentic RAG（retrieve → grade → rewrite）をサブグラフとして持つ。
Writer は research フィールドのみから執筆する。

AIへの指示パターン

Tool Use実装をAIに依頼するプロンプト例

ツール定義生成

以下のAPIドキュメントから Anthropic Tool Use 形式のツール定義を生成してください。
【API】Stripe の charge・refund・list_charges エンドポイント
条件：① description は「いつ使うか」を明記 ② input_schema に enum・format・description を付ける ③ 返り値の型もコメントで示す

MCPサーバー生成

以下のDBスキーマに対するMCPサーバーを TypeScript で実装してください。
【DB】PostgreSQL（users, orders, products テーブル）
・search/get_by_id/create の3ツールを実装
・Zod でバリデーション ・エラーは構造化して返す ・stdio transport

AI利用開発フロー

MCP・連携参考

Tool Use・MCP 実装

Tool Use 設計原則

実装例 — 実務でよく使うツールセット

マルチエージェント

プロダクト向けチェックリスト

よくある失敗と対策

AIへの指示パターン