powered by TechFeed
表示モード
Deep Dive

MCPのデフォルト設定はCLIの42倍のトークンを消費する — AIエージェントのツール選択がコストを左右する理由

11月11日、OpenRouterが「MCP vs CLI vs Skills: What Each Costs in Context」と題した記事を公開した。AIエージェントにツールを与える際の3つの手法(MCP、CLI、Skill)がコンテキストウィンドウのトークン消費量にどう影響するかを実測値で比較し、コスト削減の具体的な手法を紹介している。その数字は、多くの開発者の想像を超えるものだ。なお、ここで言うMCP(Model Context Protocol)とは、AIモデルが外部ツールやデータソースを呼び出すための標準プロトコルであり、現在多くのAIエージェント基盤で採用されている。

11月11日、OpenRouterが「MCP vs CLI vs Skills: What Each Costs in Context」と題した記事を公開した。AIエージェントにツールを与える際の3つの手法(MCP、CLI、Skill)がコンテキストウィンドウのトークン消費量にどう影響するかを実測値で比較し、コスト削減の具体的な手法を紹介している。その数字は、多くの開発者の想像を超えるものだ。

なお、ここで言うMCP(Model Context Protocol)とは、AIモデルが外部ツールやデータソースを呼び出すための標準プロトコルであり、現在多くのAIエージェント基盤で採用されている。


衝撃の数字:CLIの42倍を消費するMCPデフォルト設定

AIエージェントにツールを渡すとき、そのツール定義はリクエストごとに毎回モデルへ送られ、入力トークンとして課金される。これはすでに知られた話だが、OpenRouterが実測した数字は想像以上に大きい。

GitHub MCPサーバー(デフォルト46ツール)、gh CLI、gh Skillの3つで「cli/cliリポジトリの最新リリースと、bugラベルの付いた最近のオープンイシュー3件を取得する」という同一タスクを実行した結果が以下だ(Claude Sonnet 5.5, メディアン値):

アプローチ Sonnet 5.5 トークン タスク単価
CLI 1,421 $0.0075
Skill 3,315 $0.0118
MCP(2ツールのみ) 23,228 $0.0552
MCP(デフォルト46ツール) 59,417 $0.1274
MCP(全91ツール) 101,351 $0.2113
MCP(2ツール+結果を4,000文字にキャップ) 5,357 $0.0191

デフォルトのMCPサーバーはCLIの42倍のトークンを消費し、コストは17倍(1,000タスクあたり$127 vs $7.50)になる。全ての構成で正解は得られているため、これはコストだけの問題だ。


トークンはどこに消えているのか

①ツール定義のコスト

MCPサーバーは、使わないツールの定義も含めて毎リクエスト全量をモデルに送る。GitHubのデフォルト46ツールが追加するトークンはモデルによって異なる:

$ python mcp_cost.py github-mcp-server stdio --toolsets=default
46 tools
anthropic/claude-haiku-5.5     +19,436 prompt tokens on every request
openai/gpt-6-luna              +8,903 prompt tokens on every request
google/gemini-3.8-flash        +8,525 prompt tokens on every request

注目すべきはプロバイダーによっても変わる点だ。Gemini 3.8 Flashの場合、同じ46ツールがGoogle Vertexでは8,525トークン、Google AI Studioでは13,010トークンになる。ローカルのトークナイザーで測定しても正確な値は出ないため、記事ではOpenRouterのAPIに実際にリクエストを投げて計測するスクリプトを公開している。

②ツール実行結果のコスト

ツール定義以上に高くつくケースもある。get_latest_release はGitHubのリリースオブジェクト全体(42,182文字)を返したが、そのうち87%は22個のダウンロードファイルの記述だった。モデルが必要としていたのはタグ名と日付だけで、gh CLIなら:

$ gh release view -R cli/cli --json tagName,publishedAt
{"publishedAt":"2026-09-30T02:40:02Z","tagName":"v2.102.0"}

これだけで済む(上記の日付・タグ名は元記事の出力例をそのまま引用している)。しかしMCPのレスポンスはコンテキストに残り、以降の全リクエストで再送され続ける。Sonnet 5.5では約20,400トークン、ツール定義46個分より多い。


3つの対処法

1. 使うツールだけに絞る
--tools=get_latest_release,list_issues や --toolsets=issues,repos で、タスクに必要な2ツールだけを渡すと、最初のリクエストが19,487→1,406トークンに減る。

2. 返却フィールドを指定する
GitHubサーバーの list_issues は fields 引数を持つ。number, title, 作成日だけを指定すると結果が8,336文字から714文字に縮小する。指定しない場合、GPT-6 Lunaは6回の実行のうち4回で100件のイシューをフルテキストで取得し、281,963文字を受け取った。

3. Tool Search(ベータ)を使う
OpenRouterのTool Searchは、ツール定義を defer_loading: true でマークしておき、モデルが正規表現でツールを検索してから必要なものだけをロードする仕組みだ。46ツール全部をdeferした場合のコンテキスト先払いコストはClaudeモデルで578トークン、GPT-6 Lunaで144トークン、Gemini 3.8 Flashで130トークンまで下がる。

ただしトレードオフもある。モデルが検索を重ねるほどトークンが増える。Haiku 5.5では5回の実行で2,134〜13,225トークンと大きくばらついた。タスク全体でSonnet 5.5のコストは半減したが、Haiku 5.5では逆に増加した。Tool Searchが効くのは「ツール数が多く、タスクごとに使うツールが絞られる」場面であり、少数ツールを毎回使うユースケースや、推論能力の低いモデルとの組み合わせでは恩恵が薄い。ツールセットの規模とモデルの特性を踏まえて選択する必要がある。


MCP・CLI・Skillの本質的な違い

モデルが最初に読む情報 実行時に読む情報
MCP 全ツールの名前・説明・JSONスキーマ(毎リクエスト) ツールの実行結果(サーバーが返す形そのまま)
CLI シェルツールの存在を示す1行 コマンドの出力(--json等のフラグで制御可能)
Skill 各スキルの1行説明 SKILL.mdファイル(初回のみ)+コマンド出力

CLIはモデルがツールをあらかじめ知っていることを前提とする。Skillはモデルにツールの使い方を教え、タスクに必要になったときだけ全説明を読み込む。Skillの方がCLIよりトークンを多く使うのは、SKILL.mdがいったん読まれると以降の会話に残り続けるためだ。自分でCLIを作る場合、Skillはモデルにコマンドを覚えさせる手段として有効になる。

選択の実用的な基準をまとめると、ツール数が少なくモデルが既知のCLIを使うならCLIが最安、カスタムコマンドを教え込みたい場合はSkill、豊富なエコシステムを活用したい場合はMCPが選択肢になるが、その際はツール絞り込みと出力フィールド指定を必ずセットで検討すべきだ。コストの差は「どの手法を選ぶか」ではなく「その手法をどう設定するか」で大きく変わる、というのがこの記事の核心的なメッセージといえる。


詳細はMCP vs CLI vs Skills: What Each Costs in Contextを参照していただきたい。