MCPを判定役とする振る舞い型MCPサーバーでAIコーディングアシスタントの検証層としてコードの安全と質を担保

MCP As A Judge

スコア : 2.5ポイント

ダウンロード数 : 0

更新時間 : 2025-12-29

MCP as a Judgeとは？

MCP as a Judgeは、振る舞い型のModel Context Protocol (MCP)サーバーで、AIコーディングアシスタントと大規模言語モデル(LLM)の間の検証層として機能します。明確なLLM評価を強制することでコード品質を向上させ、AIアシスタントがコードを書く前に十分な調査を行い、合理的な計画を立案し、コードの変更とテストの実施後に厳格なレビューを行うことを保証します。

MCP as a Judgeをどのように使用するか？

MCPをサポートするAIコーディングアシスタント（GitHub Copilot、Cursor、Claude Codeなど）にMCP as a Judgeを設定することができます。設定後、AIアシスタントがコーディングタスクを実行するとき、自動的にまたはあなたの指示に従ってJudgeのツールを使用して計画、コード変更、およびテストの実装を評価し、各段階が品質基準に合致することを確認します。

適用シナリオ

MCP as a Judgeは、高品質で安全なコードが必要なソフトウェア開発プロジェクトに最適です。特に以下のシナリオに適しています： - チームがAIが生成したコードがエンジニアリング標準に合致することを確認したい場合 - 個人開発者がAIアシスタントの一般的なエラー（古い情報の使用、無駄な開発）を回避したい場合 - 安全上のベストプラクティスを強制する必要があるプロジェクト - AI支援ワークフローに人的意思決定ポイントを組み込みたいシナリオ

主要機能

スマートコード評価

MCPサンプリング機能を通じてコードをスマートに評価し、ソフトウェアエンジニアリング標準を強制し、セキュリティ、パフォーマンス、および保守性のリスクを特定します。

包括的な計画/設計レビュー

アーキテクチャ設計、調査の深さ、要件の適合度、および実装方法を検証し、計画が合理的で実行可能であることを確認します。

ユーザー主導の意思決定

MCPガイド機能を通じて要件を明確化し、障害を解決し、意思決定を透明化し、重要な意思決定に人的関与を確保します。

セキュリティ検証

システム設計とコード変更において、セキュリティのベストプラクティスを検証し、潜在的な攻撃ベクトルと権限の問題を特定します。

タスクワークフロー管理

タスクの設定から最終的な完了まで、完全なタスク管理ツールを提供し、各段階に明確な検証ポイントがあります。

利点

コード品質の向上：エンジニアリング標準とベストプラクティスを強制する

エラーの削減：AIが古い情報を使用したり、無駄な開発をしたりすることを回避する

セキュリティの強化：セキュリティリスクを特定し、防御的なプログラミングを強制する

透明な意思決定：重要な意思決定に人的関与を維持し、AIによる一方的な決定を回避する

多プラットフォーム対応：複数のAIコーディングアシスタントと開発環境をサポートする

プライバシー保護：データはローカルで処理され、ユーザーのコードや会話は収集されない

制限

MCPサポートに依存：AIアシスタントがMCPプロトコルをサポートする必要がある

設定の複雑さ：異なるアシスタントには異なる設定方法が必要である

パフォーマンスのオーバーヘッド：追加の検証手順により開発時間が増える可能性がある

学習曲線：新しいワークフローとツールに適応するのに時間がかかる

モデル依存性：評価の質は使用するLLMモデルの能力に依存する

使い方

インストール方法を選択する

開発環境に合わせてインストール方法を選択します。Dockerを使用する方法が推奨されます。これは最も簡単で、更新も容易です。

MCPクライアントを設定する

AIコーディングアシスタントにMCPサーバーの設定を追加します。異なるアシスタントでは設定方法が少し異なります。

LLM APIキーを設定する（オプション）

AIアシスタントが完全なMCPサンプリング機能をサポートしていない場合、バックアップとしてLLM APIキーを設定する必要があります。

サンプリングモデルを選択する

VS Codeでは、コマンドパネルを使用してJudgeサーバーが使用するモデルを設定します。

使用を開始する

コーディングタスクでは、プロンプトまたは自動トリガーによってJudgeツールを使用して評価を行います。

使用例

新機能開発

新しいAPIエンドポイントを開発する際に、Judgeを使用して計画から実装までの各段階が標準に合致することを確認します。

コードリファクタリング

既存のコードをリファクタリングする際に、Judgeを使用して変更が回帰問題を引き起こさず、コード品質を維持することを確認します。

テストカバレッジの向上

既存のコードにテストを追加する際に、Judgeを使用してテストの品質と有効性を検証します。

技術的な意思決定の支援

技術スタックやアーキテクチャを選択する際に、Judgeを使用して客観的な評価と提案を得ます。

よくある質問

MCP as a JudgeはIDE内蔵のルール/エージェント（GitHub Copilotのカスタム命令、Cursorのルールなど）とどのように異なりますか？

Judgeが自動的に使用されない場合、どのように強制的に使用することができますか？

Judgeのワークフローとタスクリストはどのような関係にありますか？なぜ両方が必要なのですか？

どのAIコーディングアシスタントがMCP as a Judgeを完全にサポートしていますか？

Judgeのサンプリングモデルをどのように選択することができますか？

Judgeを使用すると、プライバシーに影響を与えますか？

🚀 MCP as a Judge ⚖️

MCP as a Judge は、AIコーディングアシスタントとLLMの間の検証レイヤーとして機能し、より安全で高品質なコードを保証するのに役立ちます。

🚀 クイックスタート

必要条件と推奨事項

MCPクライアントの前提条件

MCP as a Judgeは、そのコア機能のために MCP Sampling と MCP Elicitation 機能に大きく依存しています。

MCP Sampling - AIによるコード評価と判断に必要です。
MCP Elicitation - ユーザーの対話型決定プロンプトに必要です。

システムの前提条件

Docker Desktop / Python 3.13+ - MCPサーバーを実行するために必要です。

サポートされるAIアシスタント

AIアシスタント	プラットフォーム	MCPサポート	ステータス	注意事項
GitHub Copilot	Visual Studio Code	✅ 完全対応	推奨	サンプリングと引出しによる完全なMCP統合
Claude Code	-	⚠️ 部分対応	LLM APIキーが必要	Sampling Support feature request Elicitation Support feature request
Cursor	-	⚠️ 部分対応	LLM APIキーが必要	MCPサポートあり、ただしサンプリング/引出しは制限されています
Augment	-	⚠️ 部分対応	LLM APIキーが必要	MCPサポートあり、ただしサンプリング/引出しは制限されています
Qodo	-	⚠️ 部分対応	LLM APIキーが必要	MCPサポートあり、ただしサンプリング/引出しは制限されています

✅ 推奨セットアップ: GitHub Copilot + VS Code — 完全なMCPサンプリング; APIキー不要。

⚠️ 重要: 完全なMCPサンプリングを持たないアシスタント（Cursor、Claude Code、Augment、Qodo）の場合、LLM_API_KEY を設定する必要があります。設定しない場合、サーバーは計画やコードを評価できません。LLM API構成を参照してください。

💡 ヒント: より良い分析と判断のために、大規模コンテキストモデル（≥ 1Mトークン）を選択することをおすすめします。

MCPサーバーが自動的に使用されない場合

トラブルシューティングについては、FAQセクションを参照してください。

✨ 主な機能

MCP as a Judge は、以下の点について明示的なLLM評価を要求することで、AIコーディングアシスタントを強化する 行動的MCP です。

研究、システム設計、および計画
コード変更、テスト、およびタスク完了の検証

これは、エビデンスベースの研究、再利用を促進し、人間の関与による決定を強制します。

解決する主な問題

LLMの出力を真実として受け取り、研究をスキップして古い情報を使用する
既存のライブラリやコードを再利用せずに、同じことを繰り返し実装する
コード品質やテストを軽視し、エンジニアリング標準を下回るコードを書く
要件が曖昧または計画が変更された場合に一方的な決定を下す
セキュリティの盲点: 入力検証の欠如、インジェクションリスク/攻撃ベクトル、最小権限原則の違反、および防御的プログラミングの不足

強制する内容

エビデンスベースの研究と再利用（ベストプラクティス、ライブラリ、既存のコード）
ユーザー要件に沿った計画先行型のデリバリー
曖昧さや障害に対する人間の関与による決定
コードとテストの品質ゲート（セキュリティ、パフォーマンス、保守性）

主要な機能

MCP sampling によるインテリジェントなコード評価; ソフトウェアエンジニアリング標準を強制し、セキュリティ/パフォーマンス/保守性のリスクを検出します。
包括的な計画/設計レビュー: アーキテクチャ、研究の深さ、要件の適合性、および実装アプローチを検証します。
MCP elicitation によるユーザー主導の決定: 要件を明確化し、障害を解決し、選択肢を透明化します。
システム設計とコード変更におけるセキュリティ検証

ツールとその役割

ツール	解決する問題
`set_coding_task`	タスクメタデータを作成/更新します; タスクサイズを分類し、次のステップのワークフローガイダンスを返します。
`get_current_coding_task`	最新のタスクIDとメタデータを回復し、安全に作業を再開します。
`judge_coding_plan`	計画/設計を検証します; ライブラリ選択と内部再利用マップを要求し、リスクを検出します。
`judge_code_change`	統一されたGit差分を正しさ、再利用、セキュリティ、およびコード品質についてレビューします。
`judge_testing_implementation`	実際のランナー出力とオプションのカバレッジを使用してテストを検証します。
`judge_coding_task_completion`	完了前に計画、コード、およびテストの承認を確保する最終ゲートです。
`raise_missing_requirements`	不足している詳細と決定を引出し、進捗を妨げる障害を解消します。
`raise_obstacle`	トレードオフ、制約、および強制的な変更についてユーザーに関与させます。

📦 インストール

方法1: Dockerを使用する（推奨）

VS Code（MCP）用のワンクリックインストール

注意事項:

VS Codeがサンプリングモデルを制御します; “MCP: List Servers → mcp-as-a-judge → Configure Model Access” を介して選択してください。

MCP設定を構成する: 次の内容をMCPクライアントの設定ファイルに追加します。
```
{
  "command": "docker",
  "args": ["run", "--rm", "-i", "--pull=always", "ghcr.io/othervibes/mcp-as-a-judge:latest"],
  "env": {
    "LLM_API_KEY": "your-openai-api-key-here",
    "LLM_MODEL_NAME": "gpt-4o-mini"
  }
}
```
📝 構成オプション（すべてオプション）:
- LLM_API_KEY: GitHub Copilot + VS Codeの場合、オプション（組み込みのMCPサンプリングがあります）
- LLM_MODEL_NAME: オプションのカスタムモデル（サポートされるLLMプロバイダーを参照してください）
- --pull=always フラグは、常に最新バージョンを自動的に取得します。
必要に応じて手動で更新します。
```
# 最新バージョンを取得する
docker pull ghcr.io/othervibes/mcp-as-a-judge:latest
```

方法2: uvを使用する

パッケージをインストールする:
```
uv tool install mcp-as-a-judge
```
MCP設定を構成する: MCPサーバーは、MCP対応クライアントによって自動的に検出される場合があります。 📝 注意事項:
- GitHub Copilot + VS Codeの場合は追加の構成は不要（組み込みのMCPサンプリングがあります）
- LLM_API_KEYはオプションで、必要に応じて環境変数で設定できます。

最新バージョンに更新する:

# MCP as a Judgeを最新バージョンに更新する
uv tool upgrade mcp-as-a-judge

VS Codeでサンプリングモデルを選択する

コマンドパレットを開きます（Cmd/Ctrl+Shift+P） → “MCP: List Servers”
構成されたサーバー “mcp-as-a-judge” を選択します
“Configure Model Access” を選択します
サンプリングを有効にするために、好みのモデルをチェックします

🔧 技術詳細

LLM API構成（オプション）

完全なMCPサンプリングサポートを持たないAIアシスタントの場合、フォールバックとしてLLM APIキーを構成できます。これにより、クライアントがMCPサンプリングをサポートしていない場合でも、MCP as a Judgeが機能します。

LLM_API_KEY を設定します（統一キー）。ベンダーは自動的に検出され、必要に応じて LLM_MODEL_NAME を設定してデフォルトを上書きできます。

サポートされるLLMプロバイダー

ランク	プロバイダー	APIキー形式	デフォルトモデル	注意事項
1	OpenAI	`sk-...`	`gpt-4.1`	高速で信頼性の高いモデル
2	Anthropic	`sk-ant-...`	`claude-sonnet-4-20250514`	高い推論能力を持つモデル
3	Google	`AIza...`	`gemini-2.5-pro`	高度なモデル
4	Azure OpenAI	`[a-f0-9]{32}`	`gpt-4.1`	OpenAIと同じモデル、Azure経由
5	AWS Bedrock	AWS認証情報	`anthropic.claude-sonnet-4-20250514-v1:0`	Anthropicと整合性があります
6	Vertex AI	サービスアカウントJSON	`gemini-2.5-pro`	Google Cloudを介したエンタープライズGemini
7	Groq	`gsk_...`	`deepseek-r1`	高速で推論能力の高いモデル
8	OpenRouter	`sk-or-...`	`deepseek/deepseek-r1`	高い推論能力を持つモデル
9	xAI	`xai-...`	`grok-code-fast-1`	最新のコーディング指向のモデル（2025年8月）
10	Mistral	`[a-f0-9]{64}`	`pixtral-large`	高度なモデル（124Bパラメータ）

クライアント固有の設定

Cursor

Cursorの設定を開く:
- File → Preferences → Cursor Settings を選択します
- MCP タブに移動します
- + Add をクリックして新しいMCPサーバーを追加します
MCPサーバーの構成を追加する:
```
{
  "command": "uv",
  "args": ["tool", "run", "mcp-as-a-judge"],
  "env": {
    "LLM_API_KEY": "your-openai-api-key-here",
    "LLM_MODEL_NAME": "gpt-4.1"
  }
}
```
📝 構成オプション:
- LLM_API_KEY: Cursorの場合、必須（MCPサンプリングが制限されています）
- LLM_MODEL_NAME: オプションのカスタムモデル（サポートされるLLMプロバイダーを参照してください）

Claude Code

CLIを介してMCPサーバーを追加する:

# 環境変数を設定する（オプションのモデル上書き）
export LLM_API_KEY="your_api_key_here"
export LLM_MODEL_NAME="claude-3-5-haiku"  # オプション: 高速/安価なモデル

# MCPサーバーを追加する
claude mcp add mcp-as-a-judge -- uv tool run mcp-as-a-judge

代替方法: 手動構成
- ~/.config/claude-code/mcp_servers.json を作成または編集します
```
{
  "command": "uv",
  "args": ["tool", "run", "mcp-as-a-judge"],
  "env": {
    "LLM_API_KEY": "your-anthropic-api-key-here",
    "LLM_MODEL_NAME": "claude-3-5-haiku"
  }
}
```
📝 構成オプション:
- LLM_API_KEY: Claude Codeの場合、必須（MCPサンプリングが制限されています）
- LLM_MODEL_NAME: オプションのカスタムモデル（サポートされるLLMプロバイダーを参照してください）

その他のMCPクライアント

他のMCP対応クライアントの場合、標準のMCPサーバー構成を使用します。

{
  "command": "uv",
  "args": ["tool", "run", "mcp-as-a-judge"],
  "env": {
    "LLM_API_KEY": "your-openai-api-key-here",
    "LLM_MODEL_NAME": "gpt-5"
  }
}

📝 構成オプション:

LLM_API_KEY: ほとんどのMCPクライアントで必須（GitHub Copilot + VS Codeを除く）
LLM_MODEL_NAME: オプションのカスタムモデル（サポートされるLLMプロバイダーを参照してください）

プライバシーと柔軟なAI統合

🔑 MCP Sampling（推奨）+ LLM APIキーフォールバック

主要モード: MCP Sampling

すべての判断は MCP Sampling 機能を使用して行われます
外部のLLM APIサービスを構成または支払う必要はありません
MCP対応クライアントの既存のAIモデルと直接連携します
現在サポートされているクライアント: GitHub Copilot + VS Code

フォールバックモード: LLM APIキー

MCPサンプリングが利用できない場合、サーバーはLLM APIキーを使用できます
LiteLLMを介して複数のプロバイダーをサポートします: OpenAI、Anthropic、Google、Azure、Groq、Mistral、xAI
APIキーパターンから自動的にベンダーを検出します
モデルが指定されていない場合、ベンダーごとにデフォルトのモデルが選択されます

🛡️ プライバシーの重要性

サーバーはあなたのマシン上で ローカルに 実行されます
データ収集は行われません - あなたのコードと会話はプライベートに保たれます
MCP Samplingを使用する場合は外部API呼び出しは行われません。フォールバック用に LLM_API_KEY を設定した場合、サーバーはあなたが提供する評価内容で判断（計画/コード/テスト）を行うためにのみ、選択したLLMプロバイダーに呼び出します。
開発ワークフローと機密情報を完全にコントロールできます

🤝 コントリビュート

コントリビューションを歓迎します！ガイドラインについては CONTRIBUTING.md を参照してください。

開発環境のセットアップ

# リポジトリをクローンする
git clone https://github.com/OtherVibes/mcp-as-a-judge.git
cd mcp-as-a-judge

# uvを使用して依存関係をインストールする
uv sync --all-extras --dev

# プリコミットフックをインストールする
uv run pre-commit install

# テストを実行する
uv run pytest

# すべてのチェックを実行する
uv run pytest && uv run ruff check && uv run ruff format --check && uv run mypy src

📄 ライセンス

このプロジェクトはMITライセンスの下でライセンスされています（LICENSE を参照）。

❓ FAQ

“MCP as a Judge” はIDEアシスタント（GitHub Copilot、Cursor、Claude Code）のルール/サブエージェントとどのように異なりますか？

機能	IDEルール	サブエージェント	MCP as a Judge
静的な動作ガイダンス	✓	✓	✗
カスタムシステムプロンプト	✓	✓	✓
プロジェクトコンテキストの統合	✓	✓	✓
特殊なタスクの処理	✗	✓	✓
アクティブな品質ゲート	✗	✗	✓
エビデンスベースの検証	✗	✗	✓
フィードバック付きの承認/拒否	✗	✗	✓
ワークフローの強制	✗	✗	✓
複数のアシスタントとの互換性	✗	✗	✓

参照: GitHub Copilot Custom Instructions, Cursor Rules, Claude Code Subagents

Judgeワークフローはタスクリストとどのように関係していますか？両方が必要な理由は何ですか？

タスクリスト = 計画/組織化: タスク、優先順位、およびステータスを追跡します。エンジニアリング品質や準備状況を保証するものではありません。
Judgeワークフロー = 品質ゲート: 計画/設計、コード差分、テスト、および最終完了に対する承認を強制します。実際のエビデンス（例: 統一されたGit差分と生のテスト出力）を要求し、構造化された承認と必要な改善点を返します。
一緒に使用する: タスクリストを使用して作業を組織化し、Judgeを使用して各段階が実際に進行可能かどうかを判断します。サーバーはまた、ゲートを通過して進捗を続けるための次のツールのガイダンスを出力します。

Judgeが自動的に使用されない場合、どのように強制的に使用できますか？

プロンプトに "use mcp-as-a-judge" または "Evaluate plan/code/test using the MCP server mcp-as-a-judge" と入力します。
VS Codeでは、コマンドパレットを開き（Cmd/Ctrl+Shift+P） → "MCP: List Servers" → 構成されたサーバー “mcp-as-a-judge” がリストされ、有効になっていることを確認します。
MCPサーバーが実行されていること、およびクライアントでJudgeツールが有効/承認されていることを確認します。

VS Codeでサンプリングモデルを選択する方法は？

コマンドパレットを開きます（Cmd/Ctrl+Shift+P） → “MCP: List Servers”
“mcp-as-a-judge” を選択します → “Configure Model Access”
サンプリングを有効にするために、好みのモデルをチェックします

© 概念と方法論

先行技術と帰属

“LLM‑as‑a‑judge” は広く知られたアイデアですが、このリポジトリはOtherVibesとZvi Friedによる独自の “MCP as a Judge” 行動的MCPパターンを定義しています。これは、タスク中心のワークフローの強制（計画 → コード → テスト → 完了）、明示的なLLMベースの検証、および人間の関与による引出しを組み合わせ、ここで提供されるプロンプトテンプレートとツールの分類を含んでいます。引用する場合は、“OtherVibes – MCP as a Judge (Zvi Fried)” として帰属してください。