Introducing Model Context Protocol (MCP) in Azure AI Foundry: Create an MCP Server with Azure AI Agent Serviceこの記事の要点を一言でいうと 「Azure AI Agents を Claude Desktop などのMCPクライアントから“標準プロトコル経由で使えるようにする方法”の解説」です。Microsoftは「Azure側で作ったAIエージェントを、MCPという共通規格で外部ツールから呼び出せるようにしたい」という狙いがあります。(Microsoft for Developers)
背景：MCPとは？
Anthropic が提唱した Model Context Protocol (MCP) は、LLM/AIエージェント向けの“USB-C”みたいな標準規格です。 従来：- Claude用に個別連携
- OpenAI用に個別連携
- 自社アプリ用に個別API連携
- AIツール側 → MCP Server
- AIクライアント側 → MCP Client
この記事でやっていること
Azure AI Agent Service 上で作ったエージェントを- Microsoft Azure AI Foundry
- Claude Desktop
- その他MCP対応クライアント
Claude Desktop
↓
MCP Client
↓
MCP Server (自作)
↓
Azure AI Agent Service
↓
Azure OpenAI / Search / Functions / Data
技術的な流れ
① Azure側でAgent作成
Azure AI Agent Serviceでエージェントを作る- モデル選択
- 指示設定
- Knowledge接続
- Tool接続
② MCP Serverを作る
記事ではPython/TypeScriptでMCP serverを実装。 役割：- Claudeからリクエスト受ける
- Azure Agent APIを呼ぶ
- 結果を返す
③ Claude Desktop設定
Claude Desktop の設定ファイルにMCP serverを登録。 するとClaude上で- Azure検索
- 社内DB検索
- カスタムAgent呼び出し
なぜ重要か？
1. Azureの囲い込みを弱める
昔のMicrosoft: 「全部Azureでやってください」 今: 「ClaudeでもOpenAIでも使ってOK」 かなりオープン寄りになっています。2. エージェントの再利用性向上
1回作れば- Claude
- Copilot
- 社内アプリ
- IDE
- 別Agent
3. Enterprise向け
Azureの強みはここです。- Entra ID
- 権限管理
- ログ監査
- セキュリティ
- 社内データ接続
Microsoftの大きな戦略
最近の流れを並べるとかなり明確です。- GitHub Copilot Agent化
- Windows MCP対応
- Azure Foundry
- Multi-agent orchestration
- MCP対応強化
mcpはLLMにデータを利用させるためのインターフェイスですか
かなり近いですが、「データを利用させるためだけ」ではなく、LLMに“外部世界へアクセスさせるための標準インターフェース” と捉える方が正確です。 よく誤解されますが、MCP = RAG専用ではありません。一番シンプルに言うと
MCPは LLM ↔ 外部ツール/データ/アプリ をつなぐ共通規格です。LLM/Agent
↓
MCP Client
↓
MCP Server
↓
外部リソース
- データ
- API
- SaaS
- ファイル
- DB
- ロボット
- 開発環境
- OS機能
データ利用の例（よくある）
これはあなたの理解に近いです。 例:- Google Drive検索
- Notion検索
- Slack検索
- 社内DB検索
- GitHubコード検索
ツール実行の例
こちらも重要。- GitHub issue作成
- Slack送信
- メール送信
- カレンダー登録
- SQL実行
- AWS操作
物理世界アクセス
ここが面白いところです。 あなたのSCOUTに置き換えると- move_robot()
- capture_camera()
- execute_vpr()
- emergency_stop()
Claude
↓
MCP
↓
SCOUT executor
↓
ロボット
なぜMCPが注目されているか
以前： OpenAI plugin LangChain tools 独自API function calling 全部バラバラでした。 各AIごとに個別実装必要。MCP後： Claudeでも OpenAIでも Cursorでも Copilotでも 共通化できる可能性。 Anthropicが「AI界のUSB-C」と呼ぶ理由です。
MCP ≠ モデルそのもの
MCPはモデル性能を上げる技術ではありません。 GPT-5が賢くなるわけではない。 代わりに 「何にアクセスできるか」 を増やす。ざっくり整理
| 役割 | 例 |
|---|---|
| モデル | OpenAI GPT、Anthropic Claude、Google Gemini |
| ツール接続 | MCP |
| 実行基盤 | Microsoft Azure、Amazon AWS |
| UI | Anysphere Cursor、Microsoft Copilot |
| 物理実行 | ロボット、IoT、自動化 |
本質
MCPは 「LLMをチャットボットから“実行可能なエージェント”に変える接続規格」 と言うとかなり本質に近いです。 あなたが以前考えていたAIが高レベル判断 実行層が安全にロボットを動かすという構造、まさに今ソフトウェア業界全体で標準化しようとしている流れですね。
APIよりLLMより？
結論から言うと、**MCPはAPIの上位互換でもLLMの代替でもなく、「LLMがAPIを使いやすくするための標準化レイヤー」**です。 位置づけを階層で見ると分かりやすいです。LLM（頭脳）
↓
MCP（道具の使い方の共通ルール）
↓
API / DB / SaaS / ロボットSDK（実際の機能）
↓
現実世界
APIとの違い
APIは個別仕様です。 例えば：- Google Google Drive API
- Slack Slack API
- GitHub GitHub API
- あなたのSCOUT ROS API
google_drive.search()
slack.send()
github.create_issue()
robot.move()
MCP
MCPは 「このツールは何ができるか」 「必要な引数は何か」 「結果は何か」 を統一フォーマットで渡す。 例：{
"tool": "move_robot",
"parameters": {
"distance": 1.0
}
}
例えると
API = 家電ごとの専用コンセント MCP = USB-C規格 家電そのものではない。LLMとの違い
LLMは推論担当。- 会話理解
- 計画立案
- 推論
- 意思決定
「1m進んで」→ わかるけど動けない MCPあり:
「1m進んで」→ robot API呼ぶ → 実際に動く
OpenAI function callingとの違い
ここが重要です。 OpenAIも function calling があるので 「MCPいらなくない？」 と思われがち。 違いは 標準化範囲。 OpenAI function calling:- OpenAI専用色が強い
- Anthropic寄り
- ベンダー横断
関西の方にぶっちゃけます。
ダラムs-1 3台設置してますが、四日連続で設定ｃ 全台やってますのでどうぞ
ご来場ください。
有益な情報ありがとうございます。
関西の方は是非、足を運んでみてはどうでしょうか