MCPサーバーだけでは足りなかった ― Tavilyを"プロジェクト最適化"する3層構成 | TechDistill

> Source: Zenn_Python

// Problem

AIに検索APIの引数決定を委ねると、検索の深さやコストが実行ごとに変動し、品質が不安定になる。また、MCPサーバー単体では、プロジェクト共通の命名規約、実行ログの保存、コスト上限の管理といった「運用ポリシー層」を担保できず、大規模・継続的な調査運用において再現性の欠如が課題となる。

// Approach

Tavily SDKを直接叩くのではなく、中間層として「Pythonラッパー」と「カスタムスキル」を導入する。ラッパー層で詳細度をプリセット化して引数を最小化し、ログと命名規約を強制する。スキル層では、複数のAPIを統合した「判断フロー」を定義することで、AIによる適切なツール選定をガイドする。

// Result

検索結果を構造化されたJSONとしてローカルに蓄積可能となり、後段のサブエージェントや別セッションでの再利用が容易になる。これにより、複雑な調査タスクにおけるエージェントの文脈圧迫を回避し、高品質な調査ノートの構築や、根拠に基づいたコンテンツ生成の自動化が可能となる。

Senior Engineer Insight

> 本構成は、AIエージェントを「単なるチャットツール」から「業務プロセスを回すシステム」へと昇華させるための極めて実践的なアプローチである。特に、検索結果をJSONとして資産化し、サブエージェントに食わせる設計は、コンテキストウィンドウの節約とタスクの並列化において合理的だ。ただし、実装コストとオーバーヘッドを考慮し、単発の検索にはMCP、継続的な調査には本構成という使い分けが重要となる。スケーラビリティと運用統制を重視する現場では、検討に値する設計である。