AWS、AIエージェント向け「MCPツール設計」の罠と対策を解説──コンテキスト肥大化と混乱を防ぐアプローチとは

要点

• AWSが、AIエージェントの外部連携規格「MCP」におけるツール設計の課題と対策をブログで公開した。

• MCPツールの性能低下はプロトコル自体ではなく、既存のAPIをそのまま公開するような「ツール設計」に原因があるという。

• ツール呼び出しの失敗や誤作動の背景には、コンテキストの「肥大化」とAIの「混乱」という2つの問題が存在する。

• 対策として、AIに提示する情報量やタイミングを制御する「コンテキストエンジニアリング」の重要性が示された。

• ツールが返す初期レスポンスの項目数を抑え、必要に応じて詳細データを取得する設計により、消費トークンを大幅に削減できる。

• Amazon Web Services（AWS）は2026年7月9日、公式のAWS ML Blogにおいて、AIエージェントと外部のツールやデータソースを接続するオープン標準規格「Model Context Protocol（MCP、モデル・コンテキスト・プロトコル）」を用いたツール設計における実用的なアプローチとトレードオフに関する解説記事を公開した。

• 同記事では、多くの開発チームが既存のAPI（アプリケーション・プログラミング・インターフェース）をそのままの形でAI向けに公開し、あとはAIエージェント側の判断に委ねてしまいがちであると指摘。このような設計は単純なユースケースでは機能するものの、多くの場合でツール呼び出しの失敗や誤ったパラメータ値の選択といった問題を引き起こすと説明している。そのため、大規模言語モデル（LLM）やエージェントシステムの動作特性に最適化したツール設計が不可欠であると呼びかけている。

AIのパフォーマンスを低下させる「肥大化」と「混乱」

AWSは、MCPツールの運用で発生する失敗の大部分は、「肥大化（Bloat）」と「混乱（Confusion）」という2つの問題に起因していると分析する。

第一の問題である「肥大化」は、ツールの定義情報が、実際にそのツールが使用されるかどうかにかかわらず、毎回のAI呼び出し時にLLMの「コンテキスト」（AIが一度に認識・処理できるテキスト情報の領域）へロードされる仕様によって発生する。複数のMCPサーバーを同時にクライアントへ接続すると、ユーザーが最初の質問を入力する前の段階で、すでに膨大なコンテキストが消費されてしまう。コンテキストが不要な情報で埋め尽くされると、LLMの推論能力が低下する「コンテキスト劣化（Context Rot）」と呼ばれる現象が起き、セッション全体の生産性が著しく低下するという。

第二の問題である「混乱」は、この推論能力の低下に伴って発生する。AIモデルの処理能力が落ちることで、誤ったツールを選択したり、不適切なパラメータ（引数）を指定したりするエラーが生じやすくなる。エラーが発生してツール呼び出しの再試行（リトライ）が行われると、その履歴がさらにコンテキストを圧迫し、肥大化の悪循環に陥る。また、ツール同士の意味的な類似性や、選択肢が多すぎること、曖昧なネーミングなどもAIの混乱を招く要因となる。これらを避けるためにツールの説明文を充実させると、今度はコンテキストの「肥大化」を悪化させてしまうというジレンマに直面することになる。

「コンテキストエンジニアリング」による解決策

この肥大化と混乱のトレードオフを乗り越えるために重要となるのが、「コンテキストエンジニアリング」と呼ばれる手法だ。これは、LLMに提示する情報の範囲やタイミングを動的に制御し、モデルが最も効率よく正確な結果を出力できるように誘導する技術である。

AWSは、このアプローチをツールレベルで実践する具体的な方法として、「説明文とレスポンス」の最適化を挙げている。

特に、ツールがAI側に返却する応答データ（レスポンス）の設計は、AIの挙動を大きく左右する。例えば、ある検索ツールが1回の実行で50個のデータフィールドを返却する仕様になっているとする。しかし、AIが次の行動を決定するために必要な情報がそのうちの5個だけであれば、初期設定のレスポンスとしてはその5個のフィールドのみを返すように制限するべきだという。より詳細な情報が必要になった場合にのみ、別のオプションを指定して詳細ビューを呼び出す「オンデマンド（要求に応じた）」の設計へと移行することが推奨されている。

AWSの紹介によると、このようなオンデマンド形式での詳細出力の制御を取り入れることで、レスポンスに必要な「トークン」（AIがテキストを処理する際の最小単位）の消費量を約3分の2削減できるという研究結果が、AIスタートアップのAnthropic（アンソロピック）によって報告されている。

ローカル環境での検証ツールも公開

AWSは、これらのアプローチとトレードオフを開発者が具体的に理解し、比較検証できるようにするためのシミュレーション環境を構築した。

この環境では、幼稚園から高校までの教育課程を指す「K-12」のコンテンツ検索APIをMCPプロトコルでモック化（擬似的に構築）したサンプルサーバーが提供されている。開発者はこのサンプルをローカル環境で実行し、開発者向けのコマンドラインツール「Kiro CLI」を用いることで、ツール設計の違いがAIエージェントの挙動やコンテキストの消費量にどのような影響を与えるかを直接体験できるとしている。