ID:46676さん

## 背景と概要 サービスの利用範囲や認知を広げるため、自社プロダクトに対応したリモートMCPサーバーを構築しました。 基本的には読み取りツールのみを追加するMCPでしたが、GPT Appsという比較的新しい技術に対応させるにあたり、フロントエンドを構築する必要があり、Reactで構築する必要がありました。 また、当時はプロジェクト自体が立ち上がったばかりで認可サーバーが存在しなかったため、OAuthのための認可サーバー構築も併せて行いました。 ## アーキテクチャ選定 構成には元々利用されていたGoogle Cloud上に構築は確定しており、OSSのフレームワークは使わず自ら構築することを選択しました。その理由は以下の通りです。 - 自社サービスへの組み込みにおいて、AndroidやiOSといったアプリケーションとの連携が必要があり想定できない柔軟な対応が必要だった。 - OSSを利用する場合、不確定な要素への対応に限界があるのではないかという懸念があった。 これらの課題に対し、将来的な調整のしやすさを優先し、自力での構築を完遂しました。 ## 認可サーバーの設計と実装 認可サーバーの構築においては、RFCを読み、その仕様に沿った形で作ることが前提となります。 そこで GPT の Atlas ブラウザを利用し、仕様の確認を容易にするというようなことを工夫しながら、Claude Code のスキルに落とし込み、仕様の把握や実装の抜け漏れを確認しながら進めました。 各種インフラ構成やプロダクト構成も把握する必要があり、現在のプロダクトへの組み込み方も設計工程の一つとして取り組みました。 プロダクトの理解に必要な情報は基本的にAIを活用して収集・確認し、対応すべき箇所に対して必要な実装を進めていくという流れで進めました。 要件定義において困難な部分もありましたが、まずは「確実に動作するものを作る」ことを目標に作成しました。 ## セキュリティ対策 自社開発におけるセキュリティ面の問題についても、情シスなどと連携して解決に導くため、以下の基盤構築および対策を実施しました。 ### セキュリティ検査の実施 - テストコードの作成およびシェルでの実行環境構築 - E2Eテストの作成 - その他、想定される基本的な脅威攻撃シナリオの網羅 このように、システムの基盤部分からセキュリティ対策まで一通りを埋めていく作業を行いました。 ## インフラ構築とトラブルシューティング MCPの開発においては完全にゼロからの作成だったため、インフラから構築する必要がありました。Terraformの構成を確認しながらリソースを追加していく作業が求められましたが、当時は認可サーバーに関する知識が不足しており、環境変数の設定や埋め込むべき情報、システムが求める水準を深く理解して落とし込む過程で、細かな調整を繰り返す難しさがありました。 ## 成果 そうした困難はありましたが、以下の対応を通じて基盤構築を完遂しました。 - MCPサーバーを一つずつ各環境立ち上げ、ローカル環境で確実に実行できる状態を整えました。 - ローカルではngrokを利用し、ローカルでは動作確認が厳しくなってきたらdev環境、stg環境と段階的に展開していきました。 - MCP内のUI表示部分については、サーバ本体を通さずとも単体で動作確認ができるよう、UI用のページを用意するなど構造設計を行いました。 限られた時間の中ではありましたが、自分なりに最適な構成を考え抜き、一通りの基盤構築を実現することができました。

## 背景と概要 自社プロダクトにおけるユーザー体験の向上を目的として、AIチャット機能の追加開発を行いました。 プロトタイプとして作成されていたチャットUIを引き継ぎ、既存アプリケーションへ組み込むところから、バックエンドやAPI、AIが利用するツールの周辺実装まで担当しました。 また、単にチャットを動作させるだけではなく、プロダクション環境で安全かつ安定して提供するため、レートリミット、ガードレール、DLP、エラー処理、プロンプトログなど、運用に必要となる基盤の設計・実装も併せて行いました。 ## アーキテクチャ選定 AIチャットおよびツール呼び出しの実装にはVercel AI SDKを採用しました。 チャット機能やツール呼び出しを共通の仕組みとして扱えるため、フロントエンドとバックエンドの連携を整理しながら実装できることが主な理由です。 一方で、SDKを利用するだけではプロダクション運用に必要なセキュリティや可用性を担保できません。そのため、既存アプリケーションの構成やAPI仕様に合わせて、以下の仕組みを個別に設計・実装しました。 * チャットAPIに対するレートリミット * Geminiを利用したガードレール * 機密情報を保護するためのDLP * AI特有の失敗パターンを考慮したエラー設計 * 調査や品質改善に利用するプロンプトログ * Vercel AI SDKを利用したツールおよび周辺API 既存のプロトタイプを活用しつつ、プロダクションで継続的に運用できる構成へ発展させました。 ## AIチャット基盤の設計と実装 チャット機能の実装では、ユーザーからの入力を受け取り、AIによる応答やツール呼び出しの結果をUIへ返却するまでの一連の処理を構築しました。 特に、AIの応答は通常のAPIと異なり、出力内容や処理時間が一定ではなく、外部モデルやツール呼び出しの失敗も考慮する必要があります。そのため、正常系だけでなく、各処理で発生し得るエラーやユーザーへの表示方法まで含めて設計しました。 また、AIがプロダクト内の情報や機能を適切に利用できるよう、Vercel AI SDKによるツールを実装し、各ツールが利用するAPIやデータ取得処理などの周辺機能も整備しました。 ## セキュリティ対策 AIチャットをプロダクトとして安全に提供するため、以下のセキュリティ対策を実施しました。 * 過剰なリクエストや不正利用を抑制するレートリミットの実装 * Geminiを利用した入力・出力に対するガードレールの実装 * 機密情報や個人情報の不適切な取り扱いを防ぐDLPの実装 * ツールからアクセスできるAPIやデータの範囲を考慮した周辺処理の設計 * エラー発生時に内部情報を不用意に露出させないレスポンス設計 AIモデル単体の制御に依存せず、アプリケーション側でも多層的に制御することで、安全性を確保しました。 ## エラー・ログ設計 AIチャットでは、モデルの応答失敗、タイムアウト、ツール呼び出しの失敗、APIエラーなど、複数の箇所で問題が発生する可能性があります。 そのため、エラーを適切に分類し、ユーザーへ返す情報と開発・運用側で確認する情報を分けられるよう設計しました。チャット体験を大きく損なわず、問題発生時には原因を追跡できる構成を目指しました。 また、AIの品質改善や障害調査を行えるよう、プロンプトおよび応答に関するログの設計も実施しました。DLPやセキュリティ要件との整合性を考慮しながら、運用上必要となる情報を確認できる仕組みを整備しました。 ## チャットUIの実装 チャットUIについては、既存のプロトタイプを引き継ぎ、実際のアプリケーションで利用できる状態まで実装しました。 プロトタイプとの差分を整理し、バックエンドAPI、ツール呼び出し、エラー表示などを既存アプリケーションへ統合しました。画面上の実装だけでなく、プロダクション環境で安定して動作するための周辺処理まで含めて対応しました。 ## 成果 プロトタイプ段階だったAIチャット機能を既存アプリケーションへ統合し、プロダクション環境で提供できる状態まで完成させました。 主な成果は以下の通りです。 * プロトタイプから引き継いだチャットUIの本番実装 * Vercel AI SDKを利用したAIチャットおよびツール呼び出しの実装 * ツールが利用するAPIやデータ取得処理などの周辺実装 * レートリミットによる過剰利用・不正利用への対策 * Geminiを利用したガードレールの構築 * DLPによる機密情報保護 * AI特有の失敗パターンを考慮したエラー設計 * 障害調査や品質改善を目的としたプロンプトログ設計 AIチャットのUIからバックエンド、ツール、セキュリティ、運用設計まで幅広く担当し、機能の実現だけでなく、継続的に提供・改善できる基盤を構築しました。