MCPで社内ナレッジを接続する最短ルート|調査メモ・過去提案・議事録をClaude Codeに30分で繋ぐ

調査メモ・過去提案・議事録をClaude Codeから検索できるようにする最小MCPサーバーを30分で組む。RAGを自作せずMCPに任せる理由、ツール設計、機密の出さない設計、発火確認まで実装目線で整理する。

23rd May 2026
MCPサーバーを介してClaude Codeと社内ナレッジを接続するアーキテクチャ図

調査メモ・過去提案・議事録をClaude Codeから検索できるようにする最小MCPサーバーを30分で組む。RAGを自作せずMCPに任せる理由、ツール設計、機密の出さない設計、発火確認まで実装目線で整理する。

前回のSkill設計の記事で、Skillには「ローカル記事フォーマット」を入れ、MCPには「外部状態への接続」を任せる、と書きました。実はその裏で、日々の調べ物に一番効いているのはMCPの方です。調査メモ・過去提案・議事録を、Claude Codeから「自然に」呼べるようになると、調べ物の初動がかなり短くなります。

この記事は、その接続を30分で組むときの最短ルートをまとめたものです。完璧なRAGを作る話ではなく、「明日からの業務で普通に使えるところ」までを実装目線で書きます。題材は、調査メモ・過去提案・議事録という、どの組織にもある文書を想定した架空の構成です。社内Wiki・営業提案・サポートチケットなど、ドメインを置き換えても同じパターンで動きます。

バージョン注記: 2026年5月時点のClaude Code(Opus 4.7)と、mcp 公式Python SDKの挙動を前提にしています。MCP仕様・CLI挙動は変わる可能性があるので、本番投入前は必ず公式ドキュメントとリリースノートを確認してください。

TL;DR:この記事でわかること

テーマ学べること
なぜMCPRAGを自作するより、なぜMCPに寄せるべきか
最小構成30分で動くstdio型MCPサーバーの作り方
ツール設計search / fetch_doc / list_recent の責務分離
セキュリティ機密情報を「出さない」設計の作り方
ワークフロー調べ物の会話がどう変わるか
検証「ちゃんと発火しているか」を確認する方法

MCPで社内ナレッジを接続する最短ルート|調査メモ・過去提案・議事録をClaude Codeに30分で繋ぐの要点を図解したフロー図

1. なぜRAGを自作するより、MCPに寄せるべきか

最初に向き合うべき問いはここです。「LangChainでRAG組めばよくない?」という声は今もよく聞きます。私も最初は同じことを考えていました。

ただ、半年触ってみて、私の中での結論はかなりはっきりしました。情報の流入元が複数あり、フォーマットが揃わず、毎週更新されるドメインでは、RAG自作はメンテのコストが重すぎる。 調査メモはNotion、顧客情報は社内DB、過去提案はGoogle Drive、議事録はSharePoint、というのがよくある姿です。

ここをMCPに寄せる利点は、私の体感では3つあります。

観点RAG自作MCPサーバー
検索精度のチューニング自分でembedding/rerank/プロンプトを全部抱える既存の検索APIをツールとして包むだけ
クライアント側の実装アプリごとに繋ぎ込みが必要Claude Code・Claude Desktop・他クライアントが共通プロトコルで使える
更新追従再インデックスのスケジューラが必須元データの検索APIを叩くだけなので追従が自動

MCPは「Claudeに新しい能力を生やすプラグイン規格」ではなく、「LLMクライアントとデータ源の間の共通プロトコル」として見るのが正確だと思います。だから、自社の検索APIや内部ツールを既に持っているなら、それを薄く包むのが一番速い。

ここはまだ議論が割れるところで、検索精度を本気で詰めたいならRAG自作の余地は残ります。ただ「調査のキックオフ初動を1日短くしたい」レベルなら、MCP+既存検索の組み合わせで十分というのが現時点の私の見立てです。


2. 30分でstdio型MCPサーバーを動かす

ここはかなり実装寄りです。まずは「動くもの」を最短で立てて、それからツール設計を整える順番が、私には合っています。

Python公式SDK(mcpパッケージ)を使い、stdio転送でClaude Codeに繋ぐ最小例です。ファイルは1つで済みます。

# server.py
from mcp.server.fastmcp import FastMCP
from typing import Any
import os, httpx

mcp = FastMCP("team-knowledge")

KB_BASE = os.environ["KB_BASE_URL"]      # 社内検索APIのベースURL
KB_TOKEN = os.environ["KB_API_TOKEN"]    # 短命のサービストークン

async def _get(path: str, params: dict[str, Any]) -> dict:
    headers = {"Authorization": f"Bearer {KB_TOKEN}"}
    async with httpx.AsyncClient(timeout=15.0) as c:
        r = await c.get(f"{KB_BASE}{path}", params=params, headers=headers)
        r.raise_for_status()
        return r.json()

@mcp.tool()
async def search_memos(query: str, limit: int = 5) -> list[dict]:
    """Search past research memos by free text."""
    data = await _get("/search/memos", {"q": query, "limit": limit})
    return [{"id": h["id"], "title": h["title"], "snippet": h["snippet"]} for h in data["hits"]]

@mcp.tool()
async def fetch_doc(doc_id: str) -> str:
    """Fetch the full body of a memo or proposal by ID."""
    data = await _get(f"/docs/{doc_id}", {})
    return data["body_markdown"]

@mcp.tool()
async def list_recent(kind: str = "memo", days: int = 14) -> list[dict]:
    """List recently updated docs. kind in {memo, proposal, minutes}."""
    data = await _get("/recent", {"kind": kind, "days": days})
    return data["items"]

if __name__ == "__main__":
    mcp.run(transport="stdio")

Claude Code側の登録は、プロジェクト直下に .mcp.json を置くのが運用上ラクです。

{
  "mcpServers": {
    "team-knowledge": {
      "command": "uv",
      "args": ["run", "python", "server.py"],
      "env": {
        "KB_BASE_URL": "https://kb.internal.example.com",
        "KB_API_TOKEN": "${env:KB_API_TOKEN}"
      }
    }
  }
}

uv を使っているのは、依存解決と仮想環境がワンコマンドで終わるからです。Pythonの素のvenvでも動きますが、社内に配るとき uv run の方が事故が少ないというのが正直なところです。

ここまでで、Claude Codeを再起動するとツールが見え始めます。初回はだいたいPATHかトークンで詰まるので、後ろで触れる検証コマンドで原因を切り分けるのが早いです。


3. ツール設計:search / fetch_doc / list_recent に分ける

実装より大事なのが、ここです。最初に作ると、get_everything(query) のような万能ツールを置きたくなります。私も最初そうしました。結論から言うと、これはあまり機能しません。

理由は、LLMがツールを選ぶときにツール名と説明文を読んでルーティングするからです。万能ツールは「どんなクエリでも呼ばれる」設計に見えて、実際には「いつ呼べばいいか分からない」設計になります。

私が今落ち着いているのは、責務を3つに分ける形です。

ツール役割返すもの
search_*自然文での検索上位N件のID・タイトル・スニペット
fetch_docIDから本文取得Markdown化された本文
list_recent時系列での新着確認直近N日に更新された一覧

この分割の良いところは、Claudeが「まずsearchで当たりをつけ、必要そうな1〜2本だけfetch_docする」という自然な流れに乗りやすいことです。最初から本文全部を返すツールにすると、コンテキストが一気に膨らみ、関係ない情報まで会話に混ざります。

descriptionの書き方も効きます。search_memos の説明に「調査メモのみを検索する。議事録は含まない」と一行書いておくと、別のツール(例えば後で足す search_minutes)と競合しにくくなります。ツールのdescriptionも、Skillのdescriptionと同じく「いつ呼ぶか」を書く、というのが私のルールです。

ここで一度立ち止まる価値があります。社内ナレッジを繋ぐとき、「全部つなげる」より「3つに分ける」方が結果的に早く実用化できる、というのは少し直感に反する所感です。


4. 機密情報を「出さない」設計

ここは技術記事として一番丁寧に書きたい部分です。社内の文書には、取引先のNDA下情報・価格交渉の経緯・社内の評価意見が混ざっているのが普通です。MCPに繋いだ瞬間、LLMに全部見せる、と考えると怖いはずです。

私が勧めるガード方針は、4層に分かれています。

層何をするか
データ層機密フラグ付きドキュメントは検索APIの応答から除外する
ツール層fetch_doc 側で classification を見て、機密級は要約のみ返す
プロトコル層MCPサーバー起動時のトークンに最小権限スコープを付ける
監査層全リクエストをサーバー側でログに残し、誰のClaude Codeセッションかタグ付け

特に「LLMから見える形に出す前の段階で落とす」のが大事だと思っています。プロンプトで「機密情報は出さないで」と指示しても、LLMはあくまでベストエフォートで動きます。MCPサーバー側で物理的に返さないようにしておけば、プロンプトインジェクションでも漏れません。

簡単な例として、fetch_doc の中に分類チェックを足します。

@mcp.tool()
async def fetch_doc(doc_id: str) -> str:
    data = await _get(f"/docs/{doc_id}", {})
    if data.get("classification") in {"restricted", "nda-locked"}:
        return f"[REDACTED] Summary only: {data['summary']}"
    return data["body_markdown"]

ここは小さなコード追加ですが、私の中では一番落とせない部分です。セキュリティ担当と話すときも、「LLMが見える領域そのものを物理的に狭めている」という説明が一番通りやすいはずです。

ついでに言うと、出してはいけないのは機密情報だけではありません。社内の人物評価・退職予定・人事情報あたりは、たとえ「公開Wiki」にあっても、MCP経由でClaudeに渡す価値はほぼゼロです。「出せる」と「出すべき」は別、という線引きを最初に決めておくと、後から作業が楽になります。


5. 調べ物の会話そのものが、どう変わるか

ここはコードの話ではないですが、実装より人によっては大事です。MCPを繋ぐ前と後で、調査キックオフの会話の入り口が変わります。

接続前接続後
「この領域、過去に見たことある気がするけど…」「list_recent でこの12ヶ月のメモを出して」
「あの提案書、誰がDriveに置いてたっけ」「search_memos で『定置型蓄電』をかけて」
「先月の定例、何が決まったんだっけ」「list_recent で kind=minutes で出して」

地味ですが、これがかなり効きます。私の過去の経験で、入社時に投資チームの検討品質の基準が揃っていなくて標準化した、という話を以前書きました。あのときに一番欲しかったのが、まさにこれです。「過去に同じテーマでチームが何を調べたか」が30秒で出る環境があると、新しいメンバーが調査に合流するスピードはかなり早まるはずです。

注意点として、MCPは「探す」を速くしますが、「判断する」までは速くしません。数字の妥当性の確認や、市場前提の検証は、依然として人間が詰める仕事です。ここを混同すると、「Claudeに任せたから大丈夫」という油断が出ます。私自身、最初の数週間は出力を鵜呑みにしかけて、危うかったタイミングが一度ありました。


6. 落とし穴:私が最初の30分で踏んだ地雷

実装そのものは30分でも、私の場合、「動くまで」はもう1時間追加で食われました。代表的な3つを残します。

  1. stdioのデバッグが見えにくい:Claude Code側のログに出るのはツール呼び出しの結果だけ。サーバー側のprintは標準エラー(sys.stderr)に出さないと、stdoutを汚してプロトコルが壊れます。print("...", file=sys.stderr) か logging を使う。
  2. 環境変数がClaude Code起動時のシェルに依存する:GUI起動だと .zshrc が読まれない、というハマりが普通にあります。.mcp.json の env で明示するのが一番安全。
  3. ツール説明文の言語:英語descriptionの方がツールが選ばれやすい場面が多いです。日本語クエリでも英語descriptionは効きます。私は最初日本語にしていて、なぜか発火しないことがあり、原因がここでした。

ここは「公式ドキュメントには書いてないが、触ると分かる」系の話です。半年後の自分のためにメモを残しておく価値があります。


7. 「ちゃんと発火しているか」を確認するレシピ

最後に検証です。「MCP繋いだはずなのにClaudeが知らないと言い張る」状況は、初期段階でかなり起きます。順番に切り分けるのが速いです。

# 1) サーバー単体が起動するか
KB_BASE_URL=... KB_API_TOKEN=... uv run python server.py
# → stdin待ちで止まれば成功(stderrにエラーが出ていないか確認)

# 2) Claude Codeから見えているか
# Claude Code内で `/mcp` を実行
# → team-knowledge が "connected" と出るか

# 3) ツールが選ばれるか
# Claude Codeに「list_recent で memo を出して」と直接指示
# → ツール呼び出しのトレースが出るか

# 4) 自然な依頼で発火するか
# 「直近2週間の調査メモのトピックを要約して」と頼む
# → list_recent → fetch_doc の順で呼ばれるか

ここで4番まで通れば、実運用に入って問題ないラインです。逆に3番で詰まる場合、ほぼツールdescriptionの問題か、ツール名が抽象的すぎる問題です。do_things のような名前は本当に発火しません。

地味な観察ですが、ツール名は動詞_名詞の形にして、対象ドメインを名前に入れるだけで、発火率がかなり上がります。search ではなく search_memos、get ではなく fetch_doc。Skill設計と同じく、ここでも「いつ呼ぶか」を名前と説明に染み込ませるのが効きます。


まとめ:MCPは「LLMの能力」ではなく「組織の地形」を変える

最後に少し引いた話を。MCPを繋ぎ始めて気づいたのは、これはLLMの能力拡張というより、組織のナレッジの地形を変える話だ、ということです。

調査メモ・過去提案・議事録がClaudeから30秒で引けるようになると、新人とシニアの間にあった「過去の文脈を知っているかどうか」の壁が薄くなります。私が以前、3ヶ月でメンバーが単独で投資検討を完結できるまで育てた話を書きましたが、あのとき一番時間を食ったのが「過去の社内文脈の共有」でした。MCPはそこに直接効きます。

逆に言うと、ナレッジが散らかっていて検索APIすらない組織だと、MCP以前の整備が必要です。MCPは魔法ではなく、整っているデータを倍速で活かす道具、というのが現時点の私の見方です。

完璧なものを作らなくていいので、まずは1ツール・1ドメインで30分。明日の調べ物で一度使ってみる。そこから足りないツールを足していく方が、机上で完璧なRAGを設計するより、はるかに速く現場が変わります。


次号の記事案

  • 案1:Hooksで事故らない開発環境を作る(PreToolUse/Stopの実用テンプレ) — MCP接続が増えるほど「叩いて欲しくないツール」も増える。PreToolUseで機密ツールをガードし、Stopで監査ログを必ず吐く運用テンプレを実装ベースで整理する。
  • 案2:Subagentでブログリサーチを並列分業する型 — 投資・技術・読者ニーズの3軸を別々のSubagentに走らせ、最後に1本の記事に統合する。本記事のMCPサーバーをそのまま「投資Subagent」のデータ源として再利用する設計まで踏み込む。
  • 案3:MCPサーバーをstdioからHTTPに移すタイミングと設計 — 個人用stdioから、チーム共有のHTTP/SSEサーバーに切り替えるべきラインはどこか。認証・スコープ・監査・スケールの観点で、移行の意思決定を実装目線で整理する。

関連記事

参考資料

本文の事実関係と数値前提は、再審査時にも読者が確認できる一次情報・公的資料を優先して見直しています。

本記事は情報提供を目的としたものであり、特定の銘柄、サービス、契約条件の推奨や投資助言ではありません。執筆者は記事内で触れた銘柄やサービスにポジションまたは利害関係を持つ可能性があります。調査、翻訳、校正の一部に生成AIを利用していますが、最終的な内容はZYL0が確認しています。詳細は免責事項をご確認ください。

Sponsored affiliate banner