エージェントSDKでMCPツールを絞り込む方法:5つのフレームワークでMCPのトークン消費を減らす【実機検証・2026年】
エージェントSDKは絞り込まないとMCPツールを全部送ります。OpenAI Agents SDK・Google ADK・Pydantic AI・Vercel AI SDK・LangChainの絞り込み方を実機で検証し、エージェント別の設定、49〜92%削減の実測、料金、ハマりどころ、計測スクリプトをまとめました。
最終更新:2026年11月13日 / 検証環境:OpenAI Agents SDK 0.24.0、Google ADK 2.14.1、Pydantic AI 2.68.0、langchain-mcp-adapters 0.3.2、Vercel AI SDK 7.0.172(
@ai-sdk/mcp2.0.99)、MCP Python SDK 1.30.0、@modelcontextprotocol/server-filesystem2.3.0 / 料金:Claude Sonnet 5.5(Anthropic公式の料金ページ)
エージェントフレームワークで自前のエージェントを作る場合、MCPのツール定義がどれだけモデルに渡るかを決めるのはフレームワークです。そして多くのフレームワークは、何もしなければサーバーが返すツールを全部モデルに送ります。自作エージェントのMCPトークン消費(MCP Token)を減らすいちばん安い方法は、コードでツールを絞り込むことです。公式のfilesystemサーバーでは、16ツールすべてを渡す代わりに3ツールだけを指定すると、ツール定義のトークンが1リクエストあたり2,909から680に減りました(77%減)。この記事では、5つのフレームワークの絞り込みAPIを実際のサーバーに対して動かし、トークン数と料金をあわせて示します。
この記事の「トークン」は、LLMのコンテキストと課金のトークンのことです。APIキーやOAuthのアクセストークンの話ではありません。
結論(30秒で読める要約)
- 今回試したフレームワークは、絞り込まないとサーバーの全ツールをモデルに送ります。
server-filesystem2.3.0なら16ツール・2,909トークン(o200k_base)が、毎リクエストの入力になります。 - 絞り込みの書き方はフレームワークごとに違います。 OpenAI Agents SDKは
tool_filter(固定リストか関数)、Google ADKはMcpToolset(tool_filter=[...])か判定関数、Pydantic AIは.filtered(lambda ctx, tool_def: ...)、Vercel AI SDKはtools({ schemas })かtoolsFromDefinitions()、langchain-mcp-adaptersはget_tools()の結果をリストで絞ります。 - 同じサーバーでの実測値: 読み取り系だけにすると1,486トークン(49%減)、3ツールを名前で指定すると680(77%減)、2ツールを自前の最小スキーマで渡すと227(92%減)でした。
- 料金: Claude Sonnet 5.5で、10リクエストのエージェント実行を1,000回行うと、全ツールではキャッシュなしで58.18ドル、3ツールでは13.60ドルです(4章で計算方法を示します)。
- ツール名のタイプミスはエラーになりません。 検証では、OpenAI Agents SDKもADKも存在しない名前を黙って無視し、そのツールが使えなくなるだけでした。
- 1回の実行の中では、絞り込んだツール一覧を変えないでください。 ターンごとに一覧が変わると、プロンプトキャッシュが効かなくなります。
目次
- なぜMCPのトークン消費はフレームワーク側で決まるのか
- 5つのフレームワークの絞り込みAPIを比較
- フレームワーク別のコード(動作確認済み)
- 実測:絞り込み方ごとのトークン数と料金
- マルチエージェントでのエージェント別の絞り込み
- 自分のサーバーを計測するスクリプト
- チェックリスト
- よくあるハマりどころ
- NodeFlareならこう解決できる
- よくある質問
1. なぜMCPのトークン消費はフレームワーク側で決まるのか
自作エージェントのMCPトークン消費は、MCPサーバーではなく、フレームワークのツール変換部分(アダプター)で決まります。 サーバーは tools/list に対して持っているツールをすべて返します。フレームワークはそれぞれを関数定義(名前・説明文・入力のJSON Schema)に変換し、毎リクエストその一覧をモデルに送ります。MCPの仕様は「全部送れ」とは言っていません。全部送るのはフレームワークの既定の動作です。
デスクトップのクライアントより自作エージェントの方が影響が大きいのには、3つの理由があります。
- 画面上のスイッチがありません。 Claude Code・Cursor・VS Codeには、ツールをオフにする画面や設定があります(MCPツールはいくつまでが適切かを参照)。自作エージェントでは、自分で書くコードが唯一のスイッチです。
- 多くのフレームワークでは、ツール検索が既定でオンになっていません。 ClaudeのAgent SDKはMCPツールを既定で遅延読み込みにします(公式ドキュメントに「Tool search is on by default」とあります)。Pydantic AIには任意で使える
defer_loading()があります。それ以外の今回試したアダプターは、何か設定しない限り全ツールを送ります。 - エージェントはリクエスト回数が多いです。 ツール定義はタスクごとに1回ではなく、ツール実行のループの中でモデルを呼ぶたびにかかります。なおAnthropicは、ツールを渡すとツール利用のためのシステムプロンプトを追加します(料金ページによると、Sonnet 5.5で
autoのとき286トークン)。ただしこれは固定分で、調整できるのはツール定義の方です。
2. 5つのフレームワークの絞り込みAPIを比較
5つとも、MCPサーバーのツールの一部だけをモデルに見せられます。違いは、絞り込みをどこで行うか、エージェントやリクエストに応じて変えられるかです。
| フレームワーク(検証したバージョン) | 絞り込みのAPI | 固定の許可リスト | 関数での判定 | 除外リスト | 独自スキーマ | ツール一覧のキャッシュ |
|---|---|---|---|---|---|---|
| OpenAI Agents SDK(0.24.0) | MCPServerStdio / MCPServerStreamableHttp の tool_filter= |
create_static_tool_filter(allowed_tool_names=[...]) |
(ToolFilterContext, tool) -> bool(同期・非同期どちらも可) |
blocked_tool_names=[...] |
なし | cache_tools_list=True |
| Google ADK(2.14.1) | McpToolset の tool_filter= |
["name", ...] |
(tool, readonly_context=None) -> bool |
判定関数で対応 | なし | tool_list_cache_ttl_seconds= |
| Pydantic AI(2.68.0) | MCPToolset の .filtered() |
関数で対応 | (RunContext, ToolDefinition) -> bool |
関数で対応 | なし | cache_tools=True(既定) |
Vercel AI SDK(@ai-sdk/mcp 2.0.99) |
mcpClient.tools({ schemas }) または toolsFromDefinitions() |
schemas のキー |
listTools() の結果を絞る |
listTools() の結果を絞る |
あり(ZodまたはJSON Schema) | なし |
| langchain-mcp-adapters(0.3.2) | get_tools() の結果を絞る |
リスト内包表記 | リスト内包表記 | リスト内包表記 | なし | なし |
表に収まらない公式ドキュメントの記述を補足します。
- OpenAI Agents SDK:許可リストと除外リストを両方指定すると、先に許可リストを適用し、残ったものから除外リストのツールを外します。また「エージェントを実行するたびに各MCPサーバーの
list_tools()を呼ぶ」とあり、これを避けるのがcache_tools_listです(速度の改善で、トークンは減りません)。 - Vercel AI SDK:
schemasを指定すると、クライアントは指定したツールだけを取り込みます。指定しないと、サーバーの全ツールが読み込まれます。 - Google ADKのドキュメントは、
McpToolsetには必ずtool_filter=[...]を指定し、必要な操作だけをLLMに見せるよう勧めています。
3. フレームワーク別のコード(動作確認済み)
以下のコードは、2026年11月13日に @modelcontextprotocol/server-filesystem 2.3.0(stdio接続)に対して実行し、出力されたツール一覧をコメントに書いています。残すツールはどれも同じで、read_text_file・list_directory・search_files の3つです。
OpenAI Agents SDK(Python)
from agents import Agent
from agents.mcp import MCPServerStdio, create_static_tool_filter
READ = ["read_text_file", "list_directory", "search_files"]
async with MCPServerStdio(
name="fs",
params={"command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "./data"]},
tool_filter=create_static_tool_filter(allowed_tool_names=READ),
cache_tools_list=True,
) as fs:
agent = Agent(name="reader", mcp_servers=[fs])
# list_tools -> ['read_text_file', 'list_directory', 'search_files']
関数で判定する場合は、実行コンテキストとツールを受け取ります。次の関数は読み取り系のツールだけを残し、16ツール中9ツールが残りました。
def read_only(ctx, tool) -> bool:
return tool.name.startswith(("read_", "list_", "search_", "get_"))
サーバーがMCPのアノテーションを付けているなら、名前の接頭辞より tool.annotations.readOnlyHint で判定する方が確実です。
Google ADK(Python)
from google.adk.tools.mcp_tool import McpToolset, StdioConnectionParams
from mcp import StdioServerParameters
fs = McpToolset(
connection_params=StdioConnectionParams(
server_params=StdioServerParameters(
command="npx", args=["-y", "@modelcontextprotocol/server-filesystem", "./data"]
)
),
tool_filter=["read_text_file", "list_directory", "search_files"],
)
# get_tools() -> ['list_directory', 'read_text_file', 'search_files']
tool_filter には (tool, readonly_context=None) -> bool の判定関数も渡せます。lambda tool, ctx=None: tool.name.startswith("read_") では、read_ で始まる4ツールが残りました。
Pydantic AI(Python、v2)
Pydantic AI v2では MCPServerStdio がなくなり、FastMCPクライアントを使う MCPToolset に置き換わりました。絞り込みには、ツールセット共通のメソッド .filtered() を使います。
from fastmcp.client import Client
from fastmcp.client.transports import StdioTransport
from pydantic_ai import Agent
from pydantic_ai.mcp import MCPToolset
READ = {"read_text_file", "list_directory", "search_files"}
fs = MCPToolset(Client(StdioTransport(
command="npx", args=["-y", "@modelcontextprotocol/server-filesystem", "./data"]
)))
agent = Agent("anthropic:claude-sonnet-5-5", toolsets=[fs.filtered(lambda ctx, td: td.name in READ)])
# モデルに送られるツール -> ['read_text_file', 'list_directory', 'search_files']
モデルに実際に届く一覧は、Pydantic AIの TestModel(last_model_request_parameters.function_tools)で確認しました。ツールセットが返す一覧ではなく、リクエストに載った一覧です。Pydantic AIには、ツール検索で見つかるまでツールを隠す defer_loading() もあります。
Vercel AI SDK(TypeScript)
import { createMCPClient } from "@ai-sdk/mcp";
import { Experimental_StdioMCPTransport as Stdio } from "@ai-sdk/mcp/mcp-stdio";
import { z } from "zod";
const mcp = await createMCPClient({
transport: new Stdio({ command: "npx", args: ["-y", "@modelcontextprotocol/server-filesystem", "./data"] }),
});
// 方法1:スキーマを自分で定義する。指定したツールだけを、指定したスキーマで読み込む
const tools = await mcp.tools({
schemas: {
read_text_file: { inputSchema: z.object({ path: z.string() }) },
list_directory: { inputSchema: z.object({ path: z.string() }) },
},
});
// -> ['read_text_file', 'list_directory'](説明文はサーバーのものがそのまま入る)
// 方法2:サーバーのスキーマのまま、名前で絞る
const defs = await mcp.listTools();
const READ = ["read_text_file", "list_directory", "search_files"];
const tools2 = mcp.toolsFromDefinitions({ ...defs, tools: defs.tools.filter((t) => READ.includes(t.name)) });
// -> ['read_text_file', 'list_directory', 'search_files']
5つの中で入力スキーマまで差し替えられるのは方法1だけで、4章で最も少ないトークン数になったのはこのためです。ただし注意点があります。read_text_file の最小スキーマでは、サーバーにある head と tail の引数がなくなるので、モデルはファイルの一部だけを読むことができなくなります。定義を小さくすると、結果が大きくなることがあります。
langchain-mcp-adapters(Python)
from langchain_mcp_adapters.client import MultiServerMCPClient
client = MultiServerMCPClient({
"fs": {"command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "./data"], "transport": "stdio"},
})
READ = {"read_text_file", "list_directory", "search_files"}
tools = [t for t in await client.get_tools(server_name="fs") if t.name in READ]
# 16ツールを読み込み -> 3ツールを残す
このアダプターには絞り込み用の引数がないため、返ってきたリストを絞ってからエージェントに渡します。複数のサーバーを登録している場合は、server_name で1つのサーバーだけを読み込めます。なお、LangChainの現在のMCPドキュメントは MCPAdapter というクラスを中心に説明しています。今回検証したのは、上の langchain-mcp-adapters パッケージです。
4. 実測:絞り込み方ごとのトークン数と料金
filesystemサーバーでは、3ツールの許可リストでツール定義のトークンが77%減り、独自スキーマでは92%減りました。
計測方法。 MCPのTypeScript SDKでツール一覧を取得し、ツールごとに {name, description, input_schema} をo200k_base(gpt-tokenizer 4.1.2)でトークン化しました(6章のスクリプト)。Claudeのトークナイザーでは絶対値が変わるため、相対的な大きさとして見てください。Dは、サーバーの説明文に最小のJSON Schema({"type":"object","properties":{"path":{"type":"string"}},"required":["path"]})を組み合わせたもので、3章の方法1で送られる内容の近似です。
料金の前提。 Anthropicの料金ページにあるClaude Sonnet 5.5の価格を使います。入力100万トークンあたり2ドル、5分キャッシュの書き込み2.50ドル、キャッシュヒット0.10ドルです。エージェントの1回の実行を10リクエストとし、これを1,000回行います。「キャッシュあり」は、1回の実行の中でツール定義を1回書き込み、残り9回はキャッシュから読む場合です。メッセージ、ツール結果、固定のシステムプロンプトはどの行も同じなので除いています。
| 絞り込み方 | ツール数 | 1リクエストあたりのトークン | 削減率 | 1,000回・キャッシュなし | 1,000回・キャッシュあり |
|---|---|---|---|---|---|
| A. 絞り込みなし(フレームワークの既定) | 16 | 2,909 | – | 58.18ドル | 9.89ドル |
| B. 読み取り系のみ(関数で判定) | 9 | 1,486 | 49% | 29.72ドル | 5.05ドル |
| C. 3ツールを名前で指定(許可リスト) | 3 | 680 | 77% | 13.60ドル | 2.31ドル |
D. 2ツールを独自の最小スキーマで(AI SDKの schemas) |
2 | 227 | 92% | 4.54ドル | 0.77ドル |
Cを手計算で確かめます。680 × 10 × 1,000 = 680万トークン、680万 × 2ドル ÷ 100万 = 13.60ドルです。キャッシュありの場合、1回の実行あたり書き込みが 680 × 2.50ドル ÷ 100万 = 0.0017ドル、ヒットが 9 × 680 × 0.10ドル ÷ 100万 = 0.000612ドルで、合計0.002312ドル。1,000回で2.31ドルになります。
この表から言えることは次のとおりです。
- filesystemサーバーは小さい部類です。 2,909トークンは控えめで、これの数倍あるサーバーは珍しくありません。エージェントが3〜4個のサーバーにつなぐことも多いです。削減率はそのまま当てはまり、金額はツールの量に比例して増えます。
- キャッシュはどの行も約83%下げ、絞り込みと掛け合わせて効きます。 ただし、毎リクエストで一覧がまったく同じであることが条件です(MCPのプロンプトキャッシュとツール一覧を参照)。
- 最も重いツールは
edit_fileの337トークンです。 サーバー全体の約12%を占め、しかも書き込み系です。読み取りだけのエージェントなら、何も失わずに外せます。
5. マルチエージェントでのエージェント別の絞り込み
サーバーへの接続は1つにして、コンテキストを見て判定する関数で、エージェントごとに見せるツールを変えます。 OpenAI Agents SDKは、判定関数に実行コンテキスト・ツールを要求しているエージェント・サーバー名を渡します。そのため、1つの関数で複数のエージェントをまとめて扱えます。
TOOLS_BY_AGENT = {
"researcher": {"read_text_file", "list_directory", "search_files"},
"editor": {"read_text_file", "edit_file", "write_file"},
}
def per_agent(ctx, tool) -> bool:
return tool.name in TOOLS_BY_AGENT.get(ctx.agent.name, set())
fs = MCPServerStdio(name="fs", params=..., tool_filter=per_agent)
researcher = Agent(name="researcher", mcp_servers=[fs])
editor = Agent(name="editor", mcp_servers=[fs])
検証では、researcher には3つの読み取り系ツール、editor には read_text_file・write_file・edit_file が見えました。Pydantic AIでは判定関数が RunContext を受け取るので、自分の deps(たとえば現在のユーザーの役割)を使って同じことができます。ADKでは判定関数に readonly_context が渡されます。LangChainとAI SDKでは、エージェントごとに別の絞り込み済みリストを作ります。
フレームワーク側の絞り込みは、モデルからツールを隠すだけで、アクセス制御ではありません。絶対に呼ばせてはいけないツールがあるなら、サーバーやゲートウェイの側でも制限してください。
6. 自分のサーバーを計測するスクリプト
絞り込み方を決める前に、自分のサーバーのツール定義を数えてください。 次のNodeスクリプトはstdioで接続し、ツール一覧を取得して、ツールごとのトークン数(o200k_base)を表示します。事前に @modelcontextprotocol/sdk と gpt-tokenizer をインストールしておきます。
// node count-tools.mjs <command> [args...]
// 例: node count-tools.mjs npx -y @modelcontextprotocol/server-filesystem ./data
import { Client } from "@modelcontextprotocol/sdk/client/index.js";
import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";
import { encode } from "gpt-tokenizer/encoding/o200k_base";
const [command, ...args] = process.argv.slice(2);
const client = new Client({ name: "count-tools", version: "1.0.0" });
await client.connect(new StdioClientTransport({ command, args, stderr: "ignore" }));
const { tools } = await client.listTools();
let total = 0;
for (const t of tools) {
// フレームワークがモデルに送る内容:名前・説明文・入力スキーマ
const n = encode(JSON.stringify({ name: t.name, description: t.description, input_schema: t.inputSchema })).length;
total += n;
console.log(String(n).padStart(6), t.name);
}
console.log(String(total).padStart(6), `TOTAL (${tools.length} tools)`);
await client.close();
server-filesystem 2.3.0では 2909 TOTAL (16 tools) と表示されます。Claudeでの正確な数が必要なら、同じ定義をAnthropicのトークン計測APIに送り、ツールなしの場合との差を取ってください。
7. チェックリスト
- [ ] エージェントが使うすべてのMCPサーバーに、明示的な絞り込みがある(フレームワークの既定に任せていない)
- [ ] 許可リストのツール名は、サーバーの実際の
tools/listからコピーしている。起動時に、存在しない名前があれば失敗するチェックを入れている - [ ] 読み取りだけのエージェントには、読み取り系のツールだけを見せている(サーバーが
readOnlyHintを付けているなら、名前の接頭辞よりそれを使う) - [ ] マルチエージェントでは、各エージェントの絞り込みを1か所(辞書や関数)で定義している
- [ ] 1回の実行の中で、絞り込んだ一覧が毎リクエスト同じになっている(キャッシュが効く)
- [ ] スキーマを差し替える場合(AI SDKの
schemas)、結果を小さくする引数(head・tail・limit・fieldsなど)を残している - [ ] フレームワークにツール一覧のキャッシュがあれば有効にしている(
cache_tools_list・cache_tools・tool_list_cache_ttl_seconds) - [ ] 絞り込みの前後で、スクリプトを使ってツール定義を計測した
8. よくあるハマりどころ
| 症状 | 原因 | 対処 |
|---|---|---|
| 許可したはずのツールをエージェントが使わない | 許可リストのツール名のタイプミス。検証では、OpenAI Agents SDKもADKもエラーを出さずに無視した | 起動時に、許可リストの名前がすべて list_tools() にあるか確認する |
| LangChainで絞り込みを入れたのにトークンが減らない | 元の get_tools() のリストをそのままエージェントに渡している |
絞り込んだ方のリストを渡す |
| 動的な絞り込みを入れたらキャッシュヒット率が下がった | ターンごとに違うツール一覧を返している | ツールの組み合わせは実行ごとに1回だけ決める。エージェント単位で結果が変わらない関数にする |
| スキーマを小さくしたら、モデルがファイルを丸ごと読むようになった | 独自スキーマで head / tail がなくなった |
結果の大きさを抑える引数はスキーマに残す |
| サーバーに追加したツールが出てこない | cache_tools_list=True で古い一覧が残っている |
サーバーを更新したら invalidate_tools_cache() を呼ぶ |
Pydantic AIで MCPServerStdio のimportエラーが出る |
Pydantic AI v2で削除された | FastMCPクライアントと MCPToolset を使う |
2つのサーバーに search という同名のツールがある |
サーバー間で名前が衝突している | 接頭辞を付ける(langchain-mcp-adaptersとADKの tool_name_prefix、Pydantic AIの .prefixed())。短い接頭辞ならトークンはほとんど増えない |
9. NodeFlareならこう解決できる
NodeFlareはMCPに特化したホスティングです。GitHubリポジトリのMCPサーバーを、認証付きのHTTPSエンドポイントとしてデプロイします。プロキシには、サーバーのコードを変えずに使えるトークン削減の設定が4つあります。プロキシ側で動くので、エージェントがどのフレームワークを使っていても同じように効きます。ここまでの課題に対応させると次のとおりです。
課題1:フレームワークごと・エージェントごとに絞り込みのコードを書き直している(3章・5章)。 tool_list_filter_by_scope をオンにします。tools/list は、呼び出し元のNodeFlareの認証情報で呼べるツールだけを返すようになります(スキーマはそのまま)。リサーチ用と編集用のエージェントに別々のAPIキーを渡せば、どのフレームワークでも絞り込みのコードなしで正しい一覧が見えます。一覧が各エージェントのコードではなく認証情報で決まるので、NodeFlareで管理している権限ともそろいます。
課題2:複数ステップの作業で、途中の結果がコンテキストにたまる。 tool_code_mode でCode Executionをオンにします。サーバーは run_code と search_tools を公開するようになり、モデルは tools.* を呼ぶJavaScriptを書きます(たとえば、ファイルを検索し、ヒットした3件を読み、それぞれから1行だけ取り出す)。NodeFlareがこれをサンドボックスで実行し、会話に戻るのは最終結果だけです。実行は分離されたDenoのサブプロセスで行われ、ファイルシステム・環境変数・プロセスの起動は使えず、ネットワークはプロキシのコールバック先だけに制限されます。既定値は、タイムアウト600秒(変更可)、1回の実行あたりのツール呼び出し最大50回、V8ヒープ128MBです。
課題3:ツールが多いのに、フレームワークにツール検索がない(1章)。 tool_search_mode をオンにします。NodeFlareが tools/list を search_tools(query) と call_tool(name, args) の2つにまとめるので、サーバーのツールがいくつあっても、最初に送る一覧はほぼ一定です。検索は既定では字句検索で、GEMINI_API_KEY を設定すると意味検索になります(失敗時は字句検索に戻ります)。
課題4:自分では直せない他社サーバーの長い説明文。 tool_schema_slim は500文字を超える説明文を切り詰めます(UTF-8で安全に切ります)。名前と入力スキーマは変えません。filesystemサーバーで対象になるのは edit_file(693文字)だけなので、上の3つと組み合わせて使うものと考えてください。AI SDKの schemas と違い、引数を消すことはありません。
NodeFlareは、これらの設定による削減率を公表していません。6章のスクリプトで、自分の構成を計測してください。
最小の始め方:
- NodeFlareのダッシュボードで、MCPサーバーのGitHub URLを貼り付けます。ランタイム・通信方式・起動コマンドは自動で判定・入力されます。
- デプロイし、
tool_code_modeをオンにします(必要に応じてtool_list_filter_by_scopeやtool_search_modeも)。 - フレームワークのStreamable HTTP接続先を
https://<your-server>.nodeflare.tech/mcpにし、Authorization: Bearer <NodeFlareのAPIキー>を付けます。
1サーバーまで無料で試せます(Freeプラン:1サーバー、月30GB時間のコンピュート)。→ nodeflare.techで始める
10. よくある質問
エージェントに見せるMCPツールを制限するには?
フレームワークのMCPアダプターで絞り込みます。OpenAI Agents SDKとGoogle ADKは tool_filter、Pydantic AIは .filtered()、Vercel AI SDKは tools({ schemas }) か toolsFromDefinitions() を使い、langchain-mcp-adaptersでは get_tools() のリストを絞ります。
エージェントフレームワークは既定でMCPツールを全部モデルに送る?
今回試した5つのアダプターでは、送りました。絞り込みなしでは、filesystemサーバーの16ツールすべてがモデルに見えていました。主な例外はClaudeのAgent SDKで、ツール検索が既定でオンのため、MCPツールは遅延読み込みになります。
MCPツールを絞り込むと、どれくらい節約できる?
サーバーによります。server-filesystem 2.3.0では、読み取り系だけにすると49%、3ツールの許可リストで77%、2ツールを最小の独自スキーマで渡すと92%、ツール定義のトークンが減りました(o200k_baseでの計測)。
OpenAI Agents SDKの tool_filter の使い方は?
MCPサーバーのクラスに tool_filter=create_static_tool_filter(allowed_tool_names=[...]) を渡すか、(ToolFilterContext, tool) -> bool の関数を渡します。許可と除外の両方を指定すると、先に許可リストを適用し、残りから除外リストの名前を外します。
Google ADKでMCPツールを絞り込むには?
McpToolset に tool_filter=["tool_a", "tool_b"] か、(tool, readonly_context=None) -> bool の判定関数を渡します。Googleのドキュメントは、常に絞り込みを指定するよう勧めています。
Vercel AI SDKで一部のMCPツールだけを使うには?
使いたいツールだけを指定して mcpClient.tools({ schemas: { ... } }) を呼びます。クライアントはそのツールだけを、指定したスキーマで読み込みます。サーバーのスキーマをそのまま使いたい場合は、listTools() の結果を絞って toolsFromDefinitions() に渡します。
LangChainはMCPツールの絞り込みに対応している?
langchain-mcp-adaptersには絞り込み用の引数はありません。ただし get_tools() は普通のリストを返すので、エージェントを作る前にリストを絞れば済みます。server_name を指定すると、1つのサーバーだけを読み込めます。
cache_tools_list でトークンは減る?
減りません。実行のたびに list_tools() を呼ばずに済むので、速度が上がるだけです。トークンを減らすのは、絞り込み・ツール検索・プロンプトキャッシュです。
動的な絞り込みでプロンプトキャッシュが壊れることはある?
リクエストごとに違う一覧を返すと壊れます。ツール定義はキャッシュされる先頭部分にあるため、そこが変わると以降のキャッシュが無効になります。1回の実行の中では、ツールの組み合わせを固定してください。
MCPツールの絞り込みはセキュリティ対策になる?
それだけでは不十分です。絞り込みが変えるのはモデルに見える範囲です。アクセス制御は、サーバーやゲートウェイの側(認証情報ごとのツール権限など)でも行ってください。
ここで言う「MCP Token」は、MCPのアクセストークンのこと?
違います。この記事は、コンテキストと料金にかかわるLLMのトークンについての記事です。アクセストークンやAPIキーは認証情報で、セキュリティの話題です。
まとめ
モデルに渡るツール定義の量を決めるのは、MCPサーバーではなくエージェントフレームワークで、その既定は「全部」です。どのフレームワークにも絞り込みの方法があります。OpenAI Agents SDKとADKは tool_filter、Pydantic AIは .filtered()、Vercel AI SDKは schemas か toolsFromDefinitions()、LangChainはリストの絞り込みです。filesystemサーバーでは、絞り込みによってツール定義のトークンが49〜92%減りました。許可リストの名前は起動時に確認し、キャッシュが効くよう1回の実行の中では一覧を固定し、結果を小さく保つ引数は消さないようにしてください。複数のサーバーにまたがってMCPのトークン消費を減らすツールの比較は、MCPのトークン消費を減らすツールのランキングを参照してください。
