Claude Desktop と繋ぐ

この回のゴール

Claude Desktop に自作 MCP サーバーを登録できる
公開 MCP サーバー を導入して実用的な AI 環境を整えられる
第 5 章の RAG を MCP 化して「社内ハンドブック問答」を Claude に組み込む
7 章シリーズの 総まとめ を完成させる

1. Claude Desktop とは

Anthropic 公式のデスクトップアプリ (Mac / Windows / Linux)
Claude API への統合クライアント
MCP ホスト として機能
https://claude.ai/download からダウンロード

起動すると通常のチャット画面。MCP サーバーを登録 すると、Claude がそれらのツールを使えるようになります。

2. 設定ファイルの場所

OS	パス
macOS	`~/Library/Application Support/Claude/claude_desktop_config.json`
Windows	`%APPDATA%\Claude\claude_desktop_config.json`
Linux	`~/.config/Claude/claude_desktop_config.json`

存在しない場合は 自分で作成 します(JSON 形式)。

3. 最小の設定例

前回作った server.py を登録:

入力 x
  │
  ├──► LayerNorm ──► Multi-Head Attention ──► (+) ──► x₁
  │                                            │
  └────────────────────────────────────────────┘  (残差接続)

x₁
  │
  ├──► LayerNorm ──► Feed-Forward Network ──► (+) ──► x₂
  │                                            │
  └────────────────────────────────────────────┘  (残差接続)

注意点

絶対パス で指定(相対パスは動かない)
Python 実行ファイルのパスが通っている必要あり(venv 使う場合は venv の Python 絶対パス)
設定変更後は Claude Desktop を再起動

4. 動作確認

Claude Desktop を起動
チャット画面下部の 🔧 ツールアイコン(または /mcp コマンド)
登録した demo サーバーとツールが見える
会話で「2 × 3 を計算して」等を質問 → Claude が tool_use する

5. 既製の MCP サーバーを使う

(a) Filesystem — ローカルファイルアクセス

wzxhzdk:1

Claude がそのフォルダ内のファイルを 読み書き できる。

(b) GitHub

wzxhzdk:2

Claude で「このリポジトリの open issue は?」などができる。

(c) Slack, Notion, Google Drive, PostgreSQL, Puppeteer...

公式・サードパーティのサーバーが多数。

6. 本章の最大の成果: 第 5 章 RAG を MCP 化

ここまでの集大成として、第 5 章の RAG 検索 を MCP サーバーにします:

wzxhzdk:3

これを Claude Desktop に登録すれば、Claude がハンドブックを自動検索して答える。第 5〜6 章で作った RAG エージェントが、Claude の純正 UI で動きます。

7. シリーズの総まとめ

このシリーズ全体でできるようになったこと:

章	ゴール	具体的スキル
01 AI	AI 全体像	記号主義 vs 統計的 AI、探索、機械学習基礎
02 生成 AI	生成の原理	確率分布、サンプリング、N-gram
03 LLM	現代 LLM の中身	トークン化、埋め込み、Attention、Transformer、Claude API
04 ツール付き LLM	tool_use	JSON Schema、2 往復ループ、複数ツール
05 RAG	外部知識	埋め込み検索、チャンク、RAG チャット
06 AI エージェント	自律ループ	ReAct、停止条件、マルチステップ
07 MCP	標準化	プロトコル、自作サーバー、Claude Desktop 連携

身についた原理的な理解

LLM は確率的な次トークン予測器 (理論)
ツール使用で弱点を補う (実践)
RAG で外部知識を動的に注入 (拡張)
エージェントで自律タスク遂行 (応用)
MCP で標準化してエコシステム参加 (統合)

持ち帰ってほしい 3 つのメッセージ

LLM は万能ではない。苦手なこと(計算、最新情報、副作用)はツールに任せる
エージェントの骨格は数十行。理解していれば自作でもフレームワークでも同じ
MCP は標準化の勝負。どの LLM でも使える共通ツールを作ると長く使える

8. これから先

自社ツールの MCP 化: 社内 API を MCP サーバーに
Multi-agent: エージェント同士の協働
Agent Evaluations: 定量的な品質計測
Production: ログ、監視、セキュリティ、課金

このシリーズは 入り口。ここから先は公式 docs と実践あるのみ。

まとめ

Claude Desktop の claude_desktop_config.json に MCP サーバーの絶対パス を書くだけで Claude のツールになる
公式の Filesystem / GitHub / Slack / Drive サーバーで実用環境が即構築可能
集大成として 第 5 章の RAG を MCP 化 すると、Claude 純正 UI で社内文書問答が動く
シリーズ全体は「LLM の原理 → ツール → RAG → エージェント → 標準化」の一本道

第 7 章のクロージング → 第 8 章への接続

ここまで「Claude が API 越し にツールを使う仕組み」を理解した。でも実際の開発現場で生産性を爆発させるには、ターミナルで動く Claude Code CLI が威力を発揮する。

👉 次章「Claude Code の実践」では、CLAUDE.md / Skills / Hooks / Agent SDK を活用して 自分専用の AI 相棒 を作り込んでいきます。