日本語のMCPツール説明でトークン消費は何倍に?6言語の実測と、ツール結果を約1.9倍にするJSONエスケープの罠(MCP Token・2026年)
MCPサーバーの言語でトークン消費はどう変わるか。同じツール定義を日英中韓西独の6言語で、注文10件のツール結果を9通りの書き方でトークン化して比較。Pythonのjson.dumpsによる\uエスケープで結果が1.88倍になる罠、英語で残すもの・現地語にするものの線引き、Claude Sonnet 5.5での費用試算、count_tokensでの測り方まで。
最終更新:2026年11月11日 / 対象:MCP仕様 2026-07-28(tools)、MCP Python SDK 2.3.0(MCPServer)、MCP TypeScript SDK 1.32.2、o200k_base と cl100k_base(gpt-tokenizer 4.1.2)、Claude Sonnet 5.5 の料金
日本語で使うMCPサーバーは、英語のサーバーより多くのトークンを消費します。差が出るのは3か所です。毎回のリクエストで送られるツールの説明文、モデルが読むツール結果、そしてPythonの標準設定で日本語がすべて \uXXXX に変わってしまうJSONの書き出しです。この記事では、同じツールと同じデータを使ってこの3つを実測し、英語のまま残すもの、日本語にするもの、そして費用への影響を整理します。
※この記事の「トークン」はLLMのトークン(コンテキストと課金の単位)のことで、APIキーやOAuthのアクセストークンではありません。
結論(30秒で読める要約)
- 言語によるトークン消費の差は、ツール結果では思ったより小さく、ツール説明では思ったより大きい。同じ説明文が英語45トークン、日本語68トークン(o200k_base、1.51倍)。古い cl100k_base では91トークン(2.02倍)。キーやenum値が英語のまま残るツール定義全体では1.33倍だった。
- 日本語は文字数が少ないのにトークンは多い。英語の説明文は1トークンあたり平均4.6文字、日本語は1.4文字。「〇文字以内」というルールは言語をまたいで使えない。
- 一番大きな罠は言語ではなく書き出し方。注文10件の日本語の結果は、UTF-8のコンパクトなJSONで536トークン、Pythonの
json.dumpsを既定のまま使うと1,008トークン(1.88倍)。「佐藤 美咲」という1つの名前が7トークンから20トークンになる。 - インデントのコストは言語の差と同じくらい大きい。MCP Python SDKは
dictを返すとindent=2で書き出し、同じ日本語データが790トークン(1.47倍)になる。タブ区切りの行にすると369トークンまで減る。 - モデルが識別に使う部分は英語、ユーザーが目にするデータは日本語。ツール名・キー・enum値は英語、説明文は短い英語+必要なら日本語のキーワード1行(+22トークン)、ユーザーのデータは元の言語のままコンパクトなUTF-8で返す。
目次
- MCPのトークン消費における「言語による差」とは
- 実測:1つのツール定義を6言語で
- 実測:1つのツール結果を9通りの書き出し方で
- Python製MCPサーバーの \u エスケープの罠
- 英語で残すもの・日本語にするもの
- Claude Sonnet 5.5での費用試算
- count_tokensでClaudeの実際の数を測る(Python)
- 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. MCPのトークン消費における「言語による差」とは
言語による差とは、ツールの説明・スキーマ・結果を、トークナイザーが英語より効率よく扱えない言語で書いたときに増えるトークンのことです。トークナイザーは主に英語の文章で学習されているため、英語は1単語が1トークンになりやすく、日本語・韓国語・中国語は同じ意味でもより細かく分かれがちです。
MCPでこれが効いてくるのは、同じ文章に何度も課金されるからです。
| 文章が出てくる場所 | 課金されるタイミング | 言語を決める人 |
|---|---|---|
ツールの description と inputSchema の説明 |
ツール一覧を送る毎回のリクエスト | サーバーの作者 |
サーバーの instructions |
クライアントが含める場合、毎回のリクエスト | サーバーの作者 |
ツール結果(content のテキスト) |
呼び出しの次のリクエストと、会話に残っている間のすべてのリクエスト | データの中身と、サーバーの書き出し方 |
| エラーメッセージ | ツール結果と同じ | サーバーの作者 |
ツールの name |
毎回のリクエスト | ASCIIにすべき。仕様では、名前に使う文字は英字・数字・_・-・. だけにすべき(SHOULD)とされている |
MCP仕様(2026-07-28のtools)は、description や title の言語について何も決めていません。言語はプロトコルの要件ではなく、コストを見て自分で決めるものです。
2. 実測:1つのツール定義を6言語で
実際にありそうなツール search_orders(注文検索)を1つ用意しました。説明文は3文、パラメータは説明つきで4つです。説明部分は筆者が5言語に翻訳し、ツール名・JSONのキー・enum値(pending、shipped、delivered)はどの版も英語のままにしています。
測り方(2026年11月11日):gpt-tokenizer 4.1.2 で、o200k_base(最近のOpenAIモデルが使うもの)と cl100k_base(一世代前。ローカルモデルの多くと同じ時期のもの)を使って数えました。どちらもClaudeのトークナイザーではありません。Claudeでの正確な数は7章の方法で測れます。ツール定義はコンパクトなJSONにして測っています。
説明文だけの比較
| 言語 | 文字数 | UTF-8バイト数 | o200k_base | 英語比 | cl100k_base | 英語比 |
|---|---|---|---|---|---|---|
| 英語 | 206 | 206 | 45 | 1.00倍 | 45 | 1.00倍 |
| 日本語 | 97 | 265 | 68 | 1.51倍 | 91 | 2.02倍 |
| 中国語(簡体字) | 78 | 208 | 47 | 1.04倍 | 61 | 1.36倍 |
| 韓国語 | 115 | 255 | 55 | 1.22倍 | 90 | 2.00倍 |
| スペイン語 | 250 | 254 | 54 | 1.20倍 | 65 | 1.44倍 |
| ドイツ語 | 224 | 226 | 49 | 1.09倍 | 63 | 1.40倍 |
ツール定義全体(名前+説明+inputSchema)の比較
| 言語 | o200k_base | 英語比 | cl100k_base | 英語比 |
|---|---|---|---|---|
| 英語 | 156 | 1.00倍 | 156 | 1.00倍 |
| 日本語 | 208 | 1.33倍 | 238 | 1.53倍 |
| 中国語(簡体字) | 164 | 1.05倍 | 182 | 1.17倍 |
| 韓国語 | 180 | 1.15倍 | 229 | 1.47倍 |
| スペイン語 | 169 | 1.08倍 | 185 | 1.19倍 |
| ドイツ語 | 166 | 1.06倍 | 183 | 1.17倍 |
ここから分かること:
- 差の大きさは、言語と同じくらいトークナイザーの世代で変わる。韓国語は cl100k_base で2.00倍、o200k_base で1.22倍。ローカルLLMでMCPを使うなら、そのモデルのトークナイザーで確かめる必要があります。API経由の最新モデルで見た差の2倍近くになることもあります。
- 中国語は o200k_base ではほぼ差がない(1.04倍)。中国語は情報の密度が高く、78文字で英語206文字と同じ内容を伝えているためです。
- JSONの構造が差を薄める。
"type":"string"のようなキーや英語のenum値はどの言語でも同じなので、ツール定義全体(日本語で1.33倍)は説明文だけ(1.51倍)より差が小さくなります。 - 文字数の上限は言語をまたいで通用しない。英語の説明文は1トークンあたり4.6文字、日本語は1.4文字でした。「説明は300文字以内」というルールだと、英語なら約65トークン、日本語なら約210トークンまで許すことになります。
これは1つのツール、1つの翻訳、2つのトークナイザーでの結果です。倍率は目安として扱い、自分の文章で測ってください。
3. 実測:1つのツール結果を9通りの書き出し方で
結果のデータは注文10件で、それぞれに注文ID・顧客名・商品名・金額・通貨・ステータス・日付があります。「レコードを一覧で返す」よくある形です。英語版は英語の名前と商品名、日本語版は日本語の名前と商品名で、キーはどちらも英語です。
| 書き出し方 | o200k_base | cl100k_base | 日本語コンパクト比(o200k) |
|---|---|---|---|
| 英語・コンパクトなJSON | 505 | 520 | — |
英語・Python json.dumps 既定 |
644 | 660 | — |
英語・indent=2(MCP Python SDKで dict を返した場合) |
759 | 775 | — |
| 日本語・コンパクトなUTF-8 JSON | 536 | 625 | 1.00倍 |
| 日本語・コンパクトなJSON、ステータスは英語コード | 523 | 592 | 0.98倍 |
日本語・json.dumps(..., ensure_ascii=False) |
675 | 765 | 1.26倍 |
日本語・indent=2(MCP Python SDKで dict を返した場合) |
790 | 880 | 1.47倍 |
日本語・Python json.dumps 既定(\u エスケープ) |
1,008 | 1,018 | 1.88倍 |
| 日本語・ヘッダー行つきのタブ区切り | 369 | 450 | 0.69倍 |
ここから分かること:
- この結果では、言語そのものによる増加は6%だけ(o200k_baseで536対505)。ID・数値・日付・キーが大半を占めるためです。問い合わせ本文やドキュメントのように長い文章を返すツールでは、2章の説明文の倍率に近づきます。
- 書き出し方の影響のほうがずっと大きい。Pythonの既定の区切り文字(
", "と": ")で26%、indent=2で47%、ASCIIエスケープで88%増えました。 - 表形式のデータは行で返すのが一番安い。レコードごとに同じキーを繰り返すのが最大の構造コストで、ヘッダー1行+タブ区切りの行にするとコンパクトなJSONより31%減りました。
言語に関係なく使えるツール結果の削減方法は、MCPツール結果を小さくする8つの方法にまとめています。
4. Python製MCPサーバーの \u エスケープの罠
Pythonの json.dumps は既定で ensure_ascii=True になっていて、ASCII以外の文字をすべて \uXXXX に置き換えます。ツールがこの既定のままJSON文字列を作って返すと、モデルはエスケープされた文字列をそのまま読むことになります。
MCP Python SDK 2.3.0で、同じデータを返す2つのツールをプロセス内で呼び出して確かめました。
import json
from mcp.server.mcpserver import MCPServer
server = MCPServer("orders")
DATA = {"items": [{"product": "抹茶ラテ", "city": "東京"}]}
@server.tool()
def as_dict() -> dict:
return DATA # SDKが書き出す
@server.tool()
def as_dumps() -> str:
return json.dumps(DATA) # 既定は ensure_ascii=True
| ツール | クライアントが受け取るテキスト |
|---|---|
as_dict |
{ "items": [ { "product": "抹茶ラテ", "city": "東京" } ] }(実際は2スペースのインデントと改行つき) |
as_dumps |
{"items": [{"product": "抹茶ラテ", "city": "東京"}]} |
このテストで分かったことは2つです。
- SDK自身の書き出しはエスケープしない。SDK 2.3.0では、文字列以外の戻り値は
pydantic_core.to_json(result, fallback=str, indent=2)で変換されます。UTF-8のままですが、インデントがつきます(3章のとおり1.47倍)。 - エスケープの原因は自分のコード。既定のままの
json.dumpsや、ASCII出力が既定のライブラリが原因です。なお同じテストで、文字列を返すツールはエスケープされたテキストのstructuredContentのコピー({"result": "..."})も返していました。structuredContentがモデルに渡るかどうかはホストによって違います。詳しくはMCP Appsのトークン消費の記事で扱っています。
文字列1つあたりでは、エスケープでコストがおよそ3倍になります。"佐藤 美咲" は7トークン、エスケープ後は20トークン。"抹茶ラテ 12本セット" は11トークン、エスケープ後は33トークンです(o200k_base)。
直し方は1行です。
def to_text(data) -> str:
# UTF-8のまま、区切りの空白なし、インデントなし
return json.dumps(data, ensure_ascii=False, separators=(",", ":"))
@server.tool()
def search_orders(status: str | None = None) -> str:
rows = query_orders(status)
return to_text({"orders": rows})
JavaScriptの JSON.stringify はASCII以外の文字をエスケープしないので、TypeScript製のサーバーはこの罠には当たりません。ただし JSON.stringify(data, null, 2) と書けば、インデントの分は同じように増えます。
手早く確認するには、各ツールを一度ずつ呼んで結果にエスケープが含まれていないか探します。
# \uXXXX を含むツール結果を表示する(先に結果を results/*.txt に保存しておく)
grep -lE '\\u[0-9a-fA-F]{4}' results/*.txt
5. 英語で残すもの・日本語にするもの
モデルが識別子として使う部分は英語のまま、ユーザーが目にする部分はユーザーの言語にします。こう分けると、回答の質を落とさずに、トークン消費を英語のサーバーに近い水準に保てます。
| 部分 | おすすめ | 理由 |
|---|---|---|
ツールの name |
ASCII・英語 | 仕様のSHOULD。クライアントやAPIはこの名前で照合する |
ツールの title |
クライアントが表示するなら日本語にしてよい | 表示用。Claude APIのツール定義には title フィールドがないため、MCPのツールをClaude向けに変換するクライアントは通常、名前・説明・スキーマだけを使う |
description |
短い英語。ユーザーが日本語で頼むなら日本語キーワードを1行足す | 2章では英語のほうが1.33〜1.51倍安い。キーワード1行は+22トークン(o200k_base) |
| パラメータの説明 | 英語 | パラメータの数だけ繰り返される。説明だけ日本語・パラメータは英語の版は180トークン、すべて日本語は208トークン |
| enum値 | 英語のコード | どの言語でも同じトークン数。表示するときに訳す |
| JSONのキー | 英語・短く | レコードごとに繰り返される |
| ユーザーのデータ(名前・商品・メッセージ) | 元の言語のまま、コンパクトなUTF-8 | 訳すとデータが変わってしまう。エスケープすると3倍になる |
| エラーメッセージ | 短い英語+直し方 | モデルが読むもの。失敗したツール呼び出しがトークンを消費する理由も参照 |
キーワード行について:英語だけの定義は156トークン、Keywords (ja): 注文検索, 注文履歴, 配送状況, 顧客名 を足すと179トークンでした。これでツールの選び間違いが減るかどうかは、自分の評価で確かめる必要があります。2026年6月10日のMCP Dev Summit Bangaloreでの講演「Multilingual MCP: Making tool calling work for the next billion users」では、インドの言語での質問に対し、多言語のツール定義と検索の改善でツール選択の正解率が38%から87%に上がったと報告されています。キーワード1行とは条件が違いますが、「英語の説明だけで十分」と決めつけずに試す理由にはなります。
英語の説明文そのものを短くする方法は、ツール定義の監査と削減の方法で解説しています。
6. Claude Sonnet 5.5での費用試算
以下の試算は、2章と3章の o200k_base の数を目安として使い、Anthropicの料金ページにあるClaude Sonnet 5.5の価格(入力100万トークンあたり2ドル、キャッシュヒットは0.10ドル)で計算したものです。Claudeでの実際の数は変わりますが、計算のしかたはそのまま使えます。
ツール定義:search_orders 相当のツールが30個あるサーバーで、月10,000リクエスト
| 版 | 1リクエストのトークン | 英語との差 | 月の追加費用(キャッシュなし) | 月の追加費用(キャッシュヒット) |
|---|---|---|---|---|
| 英語 | 156 × 30 = 4,680 | — | — | — |
| 日本語(o200k_base) | 208 × 30 = 6,240 | +1,560 | 1,560 × 10,000 × 2ドル ÷ 100万 = 31.20ドル | 1,560 × 10,000 × 0.10ドル ÷ 100万 = 1.56ドル |
| 日本語(cl100k_baseの数) | 238 × 30 = 7,140 | +2,460 | 49.20ドル | 2.46ドル |
ツール結果:1タスクで5回ツールを呼び、各結果を4回のリクエストで読む(呼び出し直後+その後の3ターン)。月10,000タスク
| 書き出し方(日本語) | 1結果のトークン | コンパクト比で1タスクあたり増える分 | 月の追加費用(2ドル/100万トークン) |
|---|---|---|---|
| コンパクトなUTF-8 JSON | 536 | — | — |
indent=2 |
790 | 254 × 5 × 4 = 5,080 | 101.60ドル |
json.dumps 既定(\u) |
1,008 | 472 × 5 × 4 = 9,440 | 188.80ドル |
| タブ区切りの行 | 369 | −167 × 5 × 4 = −3,340 | −66.80ドル(削減) |
この試算で言いたいのは、この使い方では、書き出しの既定値を1つ直すほうが、説明文をすべて英語に訳すより6倍効くということです。キャッシュは定義のコストを大きく下げますが、結果は毎回変わるのでキャッシュがあまり効きません。
7. count_tokensでClaudeの実際の数を測る(Python)
Anthropicのトークン数カウントのエンドポイント(POST /v1/messages/count_tokens)は、レート制限はあるものの無料で使え、ツール定義も受け付けて input_tokens を返します。Anthropicのドキュメントによると、Claude Opus 4.7以降のモデルは新しいトークナイザーを使っていて、同じ文章で「約30%多い」トークンになり、増え方は内容によって変わります。言語ごとの数字は出ていないので、使っているモデルで測ってください。
import json, anthropic
client = anthropic.Anthropic()
MODEL = "your-model-id" # 実際に使っているClaudeのモデルID
def count(tools: list[dict], text: str = "hi") -> int:
r = client.messages.count_tokens(
model=MODEL,
tools=tools,
messages=[{"role": "user", "content": text}],
)
return r.input_tokens
def to_claude(tool: dict) -> dict:
# MCPの tools/list の1件を Claude API のツール形式に変換
return {"name": tool["name"],
"description": tool.get("description", ""),
"input_schema": tool["inputSchema"]}
en = json.load(open("tools_en.json")) # 英語版サーバーの tools/list
ja = json.load(open("tools_ja.json")) # 同じサーバーの日本語版
base = count([])
print("英語の定義:", count([to_claude(t) for t in en]) - base)
print("日本語の定義:", count([to_claude(t) for t in ja]) - base)
# ツール結果:実際の結果をユーザーのテキストとして数える
sample = open("result_ja.txt", encoding="utf-8").read()
print("日本語の結果:", count([], sample) - base)
ツールなしのリクエストの数を引くと固定の部分が消え、定義や結果だけの数が分かります。返る値は推定値で、実際の数とわずかに違うことがあるとAnthropicは書いています。
8. チェックリスト
- [ ] ツール名がASCII(英字・数字・
_・-・.)になっている - [ ] 説明文とパラメータの説明は短い英語。日本語キーワードを入れるなら1行にまとめている
- [ ] enum値とJSONのキーは英語のコード
- [ ] どのツール結果にも
\uXXXXのエスケープがない(全ツールの結果をgrepした) - [ ] Pythonで自分でJSONを作る箇所は
ensure_ascii=Falseとコンパクトな区切りにしている - [ ] モデル向けの出力に
indentを使っていない - [ ] 入れ子が不要なレコード一覧は、キーを繰り返すJSONではなくヘッダー+行で返している
- [ ] 定義と結果のサンプルを、実際に使うモデルの
count_tokensで測った - [ ] 説明文を変えたら、ユーザーの言語での質問でツール選択をテストし直した
9. よくあるハマりどころ
| 症状 | 原因 | 対処 |
|---|---|---|
| 同じデータなのに日本語の結果が英語版の約2倍のトークンになる | json.dumps の既定 ensure_ascii=True |
json.dumps(data, ensure_ascii=False, separators=(",", ":")) にする |
文字列を返す実装から dict を返す実装に変えたら結果が大きくなった |
SDKが indent=2 で書き出す |
自分でコンパクトに書き出した文字列を返す |
| 日本語のサーバーが、APIよりローカルLLMでずっと重い | 古い世代(cl100k世代)のトークナイザーは日本語をより細かく分ける | 説明文は英語にし、ローカルモデルのトークナイザーで測る |
| 文字数の上限を守っているのにトークンが多い | 日本語は1トークンあたり約1.4文字、英語は約4.6文字(このテスト) | 文字数ではなくトークン数で予算を決める |
| 日本語で頼むと違うツールが呼ばれる | 英語の説明に、ユーザーが使う言葉が含まれていない | 日本語のキーワードを1行足し、評価を回す |
| ツールに渡すべきコードではなく、訳したラベルをモデルが使ってしまう | enum値を日本語にした | コードは英語のまま、訳はUIで行う |
| Claudeのモデルを変えたらトークン数が変わった | Claude 4.7以降のトークナイザーは約30%多くなる(Anthropicの記述) | 新しいモデルで count_tokens を測り直す |
10. NodeFlareならこう解決できる
NodeFlareは、GitHubリポジトリのMCPサーバーを認証つきのHTTPSエンドポイントとしてホストするサービスで、そのプロキシにはトークン消費を減らすためのサーバー単位のスイッチが4つあります。どれもプロキシ側で透過的に適用され、サーバーのコードを変える必要はありません。この記事で挙げた課題ごとに対応を整理します。
課題1:日本語を含む大きなツール結果が何度も読み直される(3章・6章)。Code Execution(tool_code_mode)をオンにします。サーバーは run_code と search_tools を公開し、モデルは tools.NAME(args) を呼ぶJavaScriptを書き、NodeFlareがサンドボックスで実行します。複数のツール呼び出しが1回にまとまり、途中の結果は実行の中にとどまって、モデルが読むのはスクリプトが返した値だけになります。6章の試算では、790トークンの結果5件をそれぞれ4回読むと1タスクあたり15,800トークンです。スクリプトが300トークンの要約だけを返せば、モデルが読むのは1,200トークンになります(筆者の計算で、NodeFlareの計測値ではありません)。実行は隔離されたDenoのサブプロセスで行われ、ファイルシステム・環境変数・プロセス生成は使えません。既定ではタイムアウト600秒、1回の実行で最大50回のツール呼び出しで、ツール呼び出しごとに権限(スコープ)が確認されます。なお、サーバー内部の \u エスケープはCode Executionでは直らないので、4章のとおりコードで直してください。
課題2:日本語の説明文がツールの数だけ積み重なる(2章)。tool_search_mode をオンにします。NodeFlareは tools/list を search_tools(query) と call_tool(name, args) の2つのメタツールにまとめるので、ツールが増えても最初のコストはほぼ一定で、クライアントを選びません。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、失敗したときは字句検索に戻ります。ユーザーが日本語で頼む場合は、実際の質問で試してください。
課題3:エージェントが使えないツールの分まで払っている。tool_list_filter_by_scope をオンにします。tools/list が、呼び出し元の資格情報で呼べるツールだけを返すようになり(スキーマはそのまま)、言語による上乗せがかかる定義そのものが減ります。
課題4:長い説明文、特に情報密度の高い言語の説明文。tool_schema_slim をオンにすると、500文字を超えるツール説明がUTF-8で安全に切り詰められます。名前と入力スキーマはそのままです。日本語のようなマルチバイト文字では、バイト単位で切ると文字が壊れることがあるので、UTF-8で安全に切れることには意味があります。また日本語は1文字あたりのトークンが多い(2章で英語の4.6文字に対し約1.4文字)ため、500文字の日本語の説明は o200k_base で約350トークン、英語なら約110トークンです(この倍率からの筆者の推定)。
NodeFlareは削減率を公表していないので、各スイッチの効果は7章のスクリプトで測ってください。
始め方:
- NodeFlareのダッシュボードで、MCPサーバーのGitHubのURLを貼る。ランタイム・通信方式・起動コマンドは自動で検出され、設定に入力される。
- デプロイしたら
tool_code_modeをオンにする(必要に応じてtool_search_mode・tool_list_filter_by_scope・tool_schema_slimも)。 - サーバーのURLとNodeFlareのAPIキー(Bearerヘッダー)を、Claude・Cursor・自作のエージェントに設定する。
1サーバーまで無料で試せます。→ nodeflare.techで始める
11. よくある質問
日本語のMCPツール説明は英語よりトークンを使う?
使います。このテストでは同じ説明文が、o200k_base で日本語68トークン・英語45トークン(1.51倍)、cl100k_base で91対45(2.02倍)でした。英語のキーやenum値を含むツール定義全体では、o200k_base で1.33倍でした。
英語以外の言語だとMCPのトークン消費はどれくらい増える?
言語とトークナイザーによって変わります。o200k_base では、ツール定義全体が英語の1.05倍(中国語)、1.06倍(ドイツ語)、1.08倍(スペイン語)、1.15倍(韓国語)、1.33倍(日本語)でした。古いトークナイザーでは1.17〜1.53倍に広がりました。
MCPのツール説明は英語で書くべき?
トークンのコストだけを見れば、短い英語が一番安いです。ユーザーが日本語で頼むなら、すべてを訳すのではなく日本語のキーワードを1行(このテストで22トークン)足し、実際の質問でツールが正しく選ばれるか確かめるのがおすすめです。
MCPのツール名に日本語は使える?
MCP仕様では、ツール名は1〜128文字で、ASCIIの英字・数字・アンダースコア・ハイフン・ドットだけを使うべき(SHOULD)とされています。日本語の表示名は、任意の title フィールドに入れます。
Python製MCPサーバーの結果が \u だらけになるのはなぜ?
json.dumps が既定で ensure_ascii=True だからです。そうして作った文字列を返すと、モデルには日本語ではなく 抹茶... が届きます。json.dumps(data, ensure_ascii=False, separators=(",", ":")) に変えてください。
MCP Python SDKは日本語をエスケープする?
SDK自身の処理ではしません。SDK 2.3.0では dict を返すと pydantic_core.to_json(..., indent=2) で書き出され、UTF-8のままですがインデントがつきます。エスケープは自分のコードで作ったJSONから生まれます。
ツール結果のインデントもトークンを使う?
使います。同じ日本語の注文10件が、o200k_base でコンパクトなら536トークン、indent=2 なら790トークンで、47%多くなりました。モデルはインデントがなくてもJSONを読めます。
中国語や韓国語は日本語よりトークンが少ない?
このテストの o200k_base では少なく、ツール定義は中国語が英語の1.05倍、韓国語が1.15倍、日本語は1.33倍でした。cl100k_base では韓国語(1.47倍)と日本語(1.53倍)はほぼ同じでした。実際の数字は文章とモデルで変わります。
日本語のMCPツールのトークン数をClaudeで正確に測るには?
ツール定義を入れて POST /v1/messages/count_tokens を呼び、ツールなしのリクエストの数を引きます。無料ですがレート制限があり、返る値は推定値です。7章のスクリプトで英語版と日本語版を比べられます。
Claudeの新しいトークナイザーで、日本語のコストは変わる?
Anthropicによると、Claude Opus 4.7以降は同じ文章で約30%多いトークンになり、増え方は内容によって変わります。言語別の数字は公表されていないので、モデルを変えたら日本語の定義を測り直してください。
ここでいう「MCP Token」はAPIトークンのこと?
違います。この記事はLLMのトークン、つまりコンテキストと課金の単位の話です。MCPサーバーのAPIキーやOAuthのアクセストークンはセキュリティの話題として別に扱っています。
まとめ
言語はMCPのトークン消費に2つの形で効きます。日本語の説明文は最新のトークナイザーで英語の約1.3〜1.5倍、古いものでは最大2倍になり、しかも毎回のリクエストで払います。ツール結果は言語そのものの差は小さいものの、インデントやPythonの既定のASCIIエスケープで簡単に1.5〜1.9倍になります。名前・キー・enum値・説明文は英語、ユーザーのデータは元の言語のままコンパクトなUTF-8にし、結果に \u がないかgrepし、使っているモデルの count_tokens で測る。この3つから始めてください。MCPのトークン消費を減らすツールの比較は、MCPトークン削減ツールのランキングにまとめています。
参考資料
- MCP仕様 2026-07-28:Tools(ツール名の規則、
title、description) - Anthropic:Token counting(エンドポイント、料金、推定値の注意、新しいトークナイザー)
- Anthropic:Pricing(Claude Sonnet 5.5の料金)
- Python公式ドキュメント:jsonモジュール(
ensure_asciiの既定値) - MCP Python SDK(2.3.0、
MCPServer) - gpt-tokenizer(npm)(o200k_base と cl100k_base)
- Samyuktha M S「Multilingual MCP: Making tool calling work for the next billion users」MCP Dev Summit Bangalore 2026(PDF)
- NodeFlareドキュメント
