mcp-server-creation

MCP サーバーの作成

googleadsagent.ai™ による Agent Skills™ の一部です

説明

MCP サーバーの作成とは、標準化されたインターフェースを通じて AI エージェントにツール、リソース、機能を公開する Model Context Protocol サーバーを構築するスキルです。MCP は、AI エージェントのツールにおける汎用的な統合レイヤーとして登場しました。単一のプロトコルを使うことで、準拠するエージェント（Claude Code、Cursor、Codex など）は、カスタム統合コードを必要とせずにサーバー側のツールを検出して呼び出せます。Cloudflare Workers 上に本番品質の MCP サーバーを構築すると、インフラストラクチャを管理することなく、グローバルに低レイテンシでツールへアクセスできます。

このスキルは、googleadsagent.ai™ の Buddy™ エージェントを支える本番 MCP サーバーから得た知見に基づいています。このサーバーは workers/buddy-agent/ ディレクトリにあり、Cloudflare Workers にデプロイされています。MCP を通じて Google Ads 分析ツール、ナレッジベース検索、エンティティメモリ管理、ウェブ検索機能を公開し、あらゆる MCP 対応クライアントから利用できるようにしています。このアーキテクチャは、エッジで認証、レート制限、マルチテナント分離を処理します。

MCP の仕様では、3 つの中核的なプリミティブを定義しています。ツール（エージェントが呼び出せる実行可能な関数）、リソース（エージェントがアクセスできる読み取り専用データ）、プロンプト（再利用可能なプロンプトテンプレート）です。適切に設計された MCP サーバーは、明確なスキーマ、わかりやすい説明、堅牢なエラー処理を備えた、価値の高いツールに絞って公開します。トランスポート層は stdio（ローカル開発用）と SSE/HTTP（リモートデプロイ用）の両方をサポートし、トランスポート層で認証を統合します。

使用する場面

• 標準化されたプロトコルを通じて、カスタムツールを AI エージェントに公開する必要がある場合
• Claude Code、Cursor、その他の MCP クライアントで動作する統合を構築する場合
• グローバルなエッジアクセスを実現するため、エージェントのツールを Cloudflare Workers にデプロイする場合
• 組織内にツールマーケットプレイスや共有ツール基盤を構築する場合
• 独自仕様のツールインターフェースから、オープンな MCP 標準へ移行する場合
• エージェントが、サーバー側のシークレットや API アクセスを必要とするツールを使用する場合

仕組み

graph TD
    A[AI Agent / MCP Client] -->|MCP Protocol| B[Transport Layer]
    B -->|stdio| C[Local Development]
    B -->|SSE/HTTP| D[Remote Server]
    D --> E[Cloudflare Worker]
    E --> F[Authentication]
    F --> G[Tool Router]
    G --> H[Tool: search_knowledge]
    G --> I[Tool: analyze_campaign]
    G --> J[Tool: get_metrics]
    H --> K[Knowledge Base]
    I --> L[Google Ads API]
    J --> L
    G --> M[Resource: config]
    G --> N[Resource: schema]

MCP サーバーは、AI エージェントのクライアントと実際のデータソースや API の間に位置します。トランスポート層はプロトコルのネゴシエーションを処理します（ローカルでは stdio、リモートでは SSE/HTTP を使用）。Cloudflare Workers にデプロイする場合、受信リクエストは認証（OAuth、API キー、JWT）された後、適切なツールハンドラーにルーティングされます。各ツールハンドラーは、外部 API の呼び出し、データベースのクエリ、計算処理などのビジネスロジックを実装し、エージェントが推論に利用できる構造化された結果を返します。

実装

Cloudflare Workers 上の MCP サーバー：

import { McpAgent } from "agents/mcp";
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { z } from "zod";

export class BuddyMCPServer extends McpAgent {
  server = new McpServer({
    name: "buddy-agent",
    version: "1.0.0",
  });

  async init() {
    this.server.tool(
      "search_knowledge",
      "Search the Google Ads knowledge base for patterns and best practices matching a query. Use BEFORE making recommendations.",
      { query: z.string(), category: z.enum(["bidding", "targeting", "creative", "budget", "general"]).optional(), maxResults: z.number().default(5) },
      async ({ query, category, maxResults }) => {
        const results = await this.searchKnowledgeBase(query, category, maxResults);
        return { content: [{ type: "text", text: JSON.stringify(results, null, 2) }] };
      }
    );

    this.server.tool(
      "analyze_campaign",
      "Analyze a Google Ads campaign's performance metrics and return structured insights with recommendations.",
      { campaignId: z.string(), dateRange: z.enum(["7d", "30d", "90d"]).default("30d"), metrics: z.array(z.string()).optional() },
      async ({ campaignId, dateRange, metrics }) => {
        const analysis = await this.analyzeCampaign(campaignId, dateRange, metrics);
        return { content: [{ type: "text", text: JSON.stringify(analysis, null, 2) }] };
      }
    );

    this.server.tool(
      "store_entity",
      "Persist an extracted entity (decision, metric, preference) to cross-session memory.",
      { userId: z.string(), entityType: z.enum(["decision", "metric", "preference", "fact"]), content: z.string(), importance: z.number().min(0).max(1).default(0.5) },
      async ({ userId, entityType, content, importance }) => {
        await this.persistEntity(userId, entityType, content, importance);
        return { content: [{ type: "text", text: `Entity stored: [${entityType}] ${content}` }] };
      }
    );
  }

  private async searchKnowledgeBase(query: string, category?: string, limit?: number) {
    const patterns = await this.env.KNOWLEDGE_KV.list({ prefix: category ? `pattern:${category}:` : "pattern:" });
    const results = [];
    for (const key of patterns.keys.slice(0, limit || 5)) {
      const pattern = await this.env.KNOWLEDGE_KV.get(key.name, "json");
      if (pattern && this.isRelevant(query, pattern)) {
        results.push(pattern);
      }
    }
    return results;
  }
}

Wrangler の設定：

// wrangler.jsonc
{
  "name": "buddy-mcp-server",
  "main": "src/index.ts",
  "compatibility_date": "2025-01-01",
  "compatibility_flags": ["nodejs_compat"],
  "kv_namespaces": [
    { "binding": "KNOWLEDGE_KV", "id": "your-kv-id" },
    { "binding": "MEMORY_KV", "id": "your-memory-kv-id" }
  ],
  "vars": {
    "ENVIRONMENT": "production"
  },
  "placement": { "mode": "smart" }
}

MCP クライアントの設定（Claude Code）：

{
  "mcpServers": {
    "buddy-agent": {
      "type": "sse",
      "url": "https://buddy-mcp.googleadsagent.ai/sse",
      "headers": {
        "Authorization": "Bearer ${BUDDY_API_KEY}"
      }
    }
  }
}

MCP クライアントの設定（Cursor）：

{
  "mcpServers": {
    "buddy-agent": {
      "url": "https://buddy-mcp.googleadsagent.ai/sse",
      "headers": {
        "Authorization": "Bearer ${BUDDY_API_KEY}"
      }
    }
  }
}

stdio トランスポートを使ったローカル開発：

import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";

const server = new McpServer({ name: "buddy-agent-dev", version: "1.0.0-dev" });

server.tool(
  "search_knowledge",
  "Search the local knowledge base for development and testing.",
  { query: z.string() },
  async ({ query }) => {
    const results = searchLocalKnowledge(query);
    return { content: [{ type: "text", text: JSON.stringify(results) }] };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

ベストプラクティス

1. ツールをいつ使用するかが伝わる説明を書く — AI エージェントは説明に基づいてツールを選択します。「推奨を行う前に使用する」は、モデルが従える実用的な指針です。
2. 説明的な列挙型を含む Zod スキーマを使用する — パラメーターの型を制約することで無効な入力を排除できます。特に列挙型は、モデルによるパラメーターの選択を効果的に導きます。
3. 文章ではなく、構造化された JSON を返す — 構造化された結果はモデルが推論しやすく、説明文よりも使用するトークンが少なくなります。
4. トランスポート層で認証を実装する — MCP サーバーを認証なしで公開しないでください。ツールへのルーティング前に検証される OAuth、JWT、または API キーを使用します。
5. ツール数を絞る — 適切に設計された 5～10 個のツールは、重複する 50 個のツールよりも優れています。モデルは、選択肢が少なく明確な場合に、より適切に機能します。
6. 複数の MCP クライアントでテストする — Claude Code、Cursor、その他のクライアントでは動作が異なる場合があります。対象となる各クライアントでツールの呼び出しをテストしてください。
7. Cloudflare Workers を使用してエッジにデプロイする — エッジへのデプロイにより、地理的に分散したユーザーのレイテンシーを最小限に抑え、組み込みの DDoS 保護を利用できます。
8. MCP サーバーをバージョン管理する — ツールの進化に合わせて、後方互換性を維持するか、既存のクライアント設定を破壊しないように明確にバージョンを上げてください。

プラットフォームの互換性

機能	Claude Code	Cursor	Codex	Gemini CLI
MCP クライアントのサポート	✅ ネイティブ	✅ ネイティブ	⚠️ 制限あり	⚠️ 制限あり
stdio トランスポート	✅ 完全対応	✅ 完全対応	⚠️ カスタム	⚠️ カスタム
SSE トランスポート	✅ 完全対応	✅ 完全対応	⚠️ カスタム	⚠️ カスタム
ツールの検出	✅ 自動	✅ 自動	⚠️ 手動	⚠️ 手動
OAuth のサポート	✅ 完全対応	✅ 完全対応	⚠️ カスタム	⚠️ カスタム

関連スキル

• マルチモデルルーティング - MCP サーバーは、ツール実行パイプラインにモデルルーティングロジックを統合できます
• ナレッジベースの注入 - エージェントが利用できる専門知識を提供するため、ナレッジ検索ツールを MCP 経由で公開します
• 並列エージェントのオーケストレーション - MCP ツールにより、並列サブエージェントのディスパッチで標準化されたツールアクセスが可能になります
• ショッピング広告 - MCP 経由の Merchant Center 統合により、商品フィード管理を自動化できます

キーワード

mcp-server, model-context-protocol, cloudflare-workers, tool-definitions, resource-handlers, sse-transport, stdio-transport, authentication, edge-deployment, agent-skills

---

© 2026 googleadsagent.ai™ | Agent Skills™ | MIT License