Jinba FlowでMCP経由のローカル・リモートツール実行

​

ツール

​

MCP_LOCAL_RUN

• ローカルMCPサーバーをサブプロセス（stdioトランスポート）として起動し、そのツールの1つを呼び出します
• 入力は mcp オブジェクト1つ（ステップエディタで設定）。command（既定値 npx）、args（既定値 ["-y"]）、任意の env、取得済みの tools 一覧、選択したツールIDの selectedTool、そのツールへの入力 toolInputs を持ちます
• 実行時には command、selectedTool、toolInputs が必須です。不足していると Missing required fields: command, selectedTool, or toolInputs でステップが失敗します

​

MCP_REMOTE_RUN

• Streamable HTTPでリモートMCPサーバーに接続し、そのツールの1つを呼び出します
• 入力は mcp オブジェクト1つ。server_url、任意の headers（Authorization ヘッダーなど）、取得済みの tools 一覧、selectedTool、toolInputs を持ちます
• 実行時には server_url、selectedTool、toolInputs が必須です。不足していると Missing required fields: server_url, selectedTool, or toolInputs でステップが失敗します

​

認証

​

ローカルMCPサーバーのツールを呼び出す

- id: read_document
  name: read_document
  tool: MCP_LOCAL_RUN
  input:
    - name: mcp
      value:
        command: npx
        args: ["-y", "your-mcp-server-package"]
        env:
          EXAMPLE_API_KEY: "{{secrets.EXAMPLE_API_KEY}}"
        selectedTool: read_document
        toolInputs:
          path: "/data/report.txt"

- id: summarize_document
  name: summarize_document
  tool: OPENAI_INVOKE
  needs: [read_document]
  input:
    - name: prompt
      value: |
        以下の文書を要約してください：
        {{steps.read_document.result}}

​

リモートMCPサーバーのツールを呼び出す

- id: input_data
  name: input_data
  tool: INPUT_FILE
  input:
    - name: description
      value: "分析するデータファイル"

- id: execute_remote_analysis
  name: execute_remote_analysis
  tool: MCP_REMOTE_RUN
  needs: [input_data]
  input:
    - name: mcp
      value:
        server_url: "https://mcp-server.example.com/mcp"
        headers:
          Authorization: "Bearer {{secrets.MCP_AUTH_TOKEN}}"
        selectedTool: data_analyzer
        toolInputs:
          data_source: "{{steps.input_data.result}}"
          analysis_type: "statistical_summary"

- id: save_analysis_results
  name: save_analysis_results
  tool: OUTPUT_FILE
  needs: [execute_remote_analysis]
  input:
    - name: content
      value: "{{steps.execute_remote_analysis.result}}"
    - name: filename
      value: "mcp_analysis_results.json"
    - name: fileType
      value: "json"

​

結果を読む

• ツールが structuredContent を返す場合、result はそのオブジェクトです。
• それ以外の場合、result はツールのコンテンツブロックのテキストです。ブロックが1つなら文字列、複数なら文字列の配列になります。そのテキストがJSONであればパースされるため、result はオブジェクトや配列になることがあります。
• ツールがコンテンツを返さない場合、result は null です。

​

エラーハンドリング

• フィールド不足: command / server_url、selectedTool、toolInputs が未設定の場合は MissingFieldsError になります。ステップを開いてツール一覧を取得し、セットアップを完了してください。
• サーバーまたはツールのエラー: サーバーへの接続やツール呼び出し中に例外が発生すると、ステップのエラーに An error occurred while the tool was executing: ... が記録されて失敗します（MCP_REMOTE_RUN では詳細なしの An error occurred while the tool was executing. になります）。

​

使用例

• データ処理: 高度なデータ変換と分析
• 文書処理: 複雑な文書解析と抽出
• AI/ML統合: 機械学習モデルの実行
• カスタムワークフロー: ドメイン固有のビジネスロジック実行
• 外部API統合: 外部サービスのラッパー
• バッチ処理: 大規模データ処理操作
• 専門ツール: 業界固有の処理ツール
• 研究ツール: 学術・科学計算ツール

​

ベストプラクティス

​

パフォーマンス最適化

• 頻繁な操作にはローカルサーバーを使用
• 計算集約的なタスクにはリモートサーバーを使用
• toolInputs は小さく保ち、サーバーが対応していればファイル内容ではなくファイルURLを渡す

​

セキュリティ考慮事項

• egress ポリシーが設定された組織では、ローカル MCP サーバーも Python コードと同じ種類のロックダウン済みサンドボックスで動きます。sudo と npm install -g は使えず、外部への通信は許可されたホストへの HTTP(S) だけです。npm レジストリが許可ホストに含まれていれば、npx -y <package> はこれまでどおり使えます。詳しくは Python Sandbox を参照してください。
• 認証トークンを安全に保護し、Flowのシークレットから env または headers 経由で渡す
• すべての入力と出力を検証
• リモート接続にはHTTPSを使用
• 適切なエラーハンドリングを実装

​

開発ガイドライン

• カスタムMCPツールを徹底的に文書化
• 適切なログと監視を実装
• 一貫した入力/出力スキーマを使用
• デプロイ前にツールを徹底的にテスト