（最終更新日: 2026年11月03日）
クラウドインフラが複雑になるにつれ、「AWSの構成図を更新するのが面倒」「最新の状態が把握できない」といった悩みを抱えていませんか？
特に、AIを活用して業務を効率化したいと思っても、自社の環境を正しくAIに理解させるのは意外と難しいものです。
本記事では、注目の新規格「Model Context Protocol（MCP）」を使い、ClaudeやCursorでAWS構成図を自動生成・管理する画期的な手法を詳しく解説します。
この記事を読むことで、手作業によるドキュメント作成の負担を激減させ、常に最新のインフラ状況をAIと共有できる環境を手に入れることができます。
環境構築の手順からセキュリティ対策まで、エンジニアが現場で直面する疑問にすべてお答えする完全ガイドです。
AIとAWSを深く連携させ、インフラ運用をよりスマートでクリエイティブなものへと進化させていきましょう。
MCP（Model Context Protocol）の基礎概念とAWS構成図生成の仕組み
当セクションでは、MCP（Model Context Protocol）の基本的な概念と、AIがどのようにして正確なAWS構成図を生成するのか、その内部メカニズムについて詳しく解説します。
最新のAIインフラ運用を理解する上で、MCPが担う「接続の標準化」という役割を知ることは、効率的な自動化環境を構築するための第一歩となるからです。
- MCPとは何か？AIと外部ツールを繋ぐ「USB-Cポート」の役割
- JSON-RPC 2.0に基づく通信プロトコルの詳細
- AIによる「論理推論」と「決定論的描画」の分離
MCPとは何か？AIと外部ツールを繋ぐ「USB-Cポート」の役割
MCPは、AIモデルが外部のデータやツールと対話するためのオープン標準規格としてAnthropicによって策定されました。
これまでは、AIをデータベースやAWSなどの外部ツールと連携させる際、接続先ごとに個別のコネクタを開発・保守する必要がありましたが、MCPはこの煩雑さを解消します。
具体的には、ハードウェアのUSB-Cポートが多様な周辺機器を一つの規格で繋ぐように、ホスト（Claude Desktop等）、クライアント、サーバーの3層構造によってAIとAWS環境をシームレスに接続可能です。
【2025年最新】MCP anthropic徹底解説でも触れられている通り、この統一されたインターフェースがAIによるインフラ操作の壁を完全に取り払います。
この標準化されたプロトコルの登場により、私たちは単一の指示で複数のAWSサービスを横断的に読み取り、作図に反映させることが可能になりました。
JSON-RPC 2.0に基づく通信プロトコルの詳細
MCPの内部では、軽量で信頼性の高いJSON-RPC 2.0をベースとしたメッセージ交換が行われています。
この仕組みは、AIが能動的にアクションを起こす「Tools」、データを参照する「Resources」、定型的な対話を補助する「Prompts」という3つの要素で構成されています。
特に重要なのは安全性への配慮であり、例えばデータの削除を伴う操作には destructiveHint という注釈を付与することで、AIによる意図しないシステム変更を未然に防ぐ設計がなされています（参考: modelcontextprotocol.io）。
このように厳格な通信仕様が定められているため、企業環境においてもセキュアな自動化パイプラインを安心して構築できるのが大きな利点です。
【2025年最新】MCPプロトコル徹底解説を参考にすれば、この通信規約がどれほど柔軟に外部システムと同期できるかが分かります。
技術的な透明性が確保されたメッセージ交換こそが、AIによる高精度なAWS構成管理の土台を支えています。
AIによる「論理推論」と「決定論的描画」の分離
MCPを活用した作図の最大の特徴は、AIによる論理的な推論と、エンジンによる決定論的な描画を明確に切り離している点にあります。
従来の汎用画像生成AIでは、AWSアイコンの形状や文字が潰れるなど実務に耐えない「壊れた構成図」が出力されることが多々ありました。
しかしMCPを介したパイプラインでは、AIが「テキスト要件から論理グラフデータ（JSON/YAML）」を作成し、それを専門の作図エンジンが正確なアイコン配置へと変換します。
このプロセスにより、VPCやサブネットといった複雑な境界線や、350種類以上の公式アイコンを1ピクセルの狂いもなく正しく描写することが可能になりました。
実務で利用可能なレベルの構成図を自動生成するには、単なる画像出力ではなく、このような論理的な変換プロセスが不可欠です。
AIを単なるチャット相手ではなく、正確なアウトプットを出すツールとして使いこなすためのヒントは、生成AI 最速仕事術でも詳しく紹介されています。
環境構築手順：Claude DesktopやCursorでAWS MCPサーバーを導入する方法
当セクションでは、Claude DesktopやCursorといった主要なツールでAWS MCPサーバーを動作させるための具体的な環境構築手順を詳しく解説します。
最新のAI駆動開発において、インフラ構成図の自動生成をスムーズに開始するには、正しいランタイムの導入と設定ファイルの記述が不可欠なステップとなるからです。
この記事を通じて、以下の項目に沿ってセットアップを進めていきましょう。
- 必要なランタイムとツールのインストール（Node.js/Python/Go）
- Claude DesktopへのMCPサーバー登録と設定ファイルの記述
- CursorおよびIDE環境でのMCPサーバー有効化手順
必要なランタイムとツールのインストール（Node.js/Python/Go）
AWS公式のMCPサーバーを安定して動作させるためには、Node.js、Python、Goといった各開発言語のランタイムを正確にインストールしておくことが前提条件となります。
特に、aws-samplesが提供する作図用サーバーの多くはNode.jsで実装されており、最新のLTS（長期サポート）バージョンが推奨されます。
私自身、環境構築時に古いNode.jsを使用していたことでパッケージの依存関係が競合し、サーバーが正常に起動しないトラブルに直面したことがありました。
このような競合を避けるためには、以下のOS別ツールを利用して言語のバージョン管理を徹底することが成功の秘訣です。
- macOSの場合：Homebrewを利用してnvm（Node Version Manager）やpyenvを導入する。
- Windowsの場合：fnm（Fast Node Manager）や公式サイトのインストーラーを利用する。
- Linuxの場合：パッケージマネージャー（apt/dnf）を使用して最新の開発ツールセットを導入する。
適切なランタイムが揃うことで、複雑なインフラ情報を処理するMCPサーバーの基盤が整い、次世代の運用環境が手に入ります。
Claude DesktopへのMCPサーバー登録と設定ファイルの記述
Claude Desktopから外部ツールを呼び出すための司令塔となるのが、claude_desktop_config.jsonという設定ファイルの正確な記述作業です。
このファイルにMCPサーバーの実行パスや必要な環境変数を定義することで、AIモデルは初めてインフラ構成図を生成する能力を獲得します。
設定ファイルの保存場所はOSごとに固定されており、macOSでは「~/Library/Application Support/Claude/」、Windowsでは「%APPDATA%\Claude\」のディレクトリ内に配置されています。
記述ミスの多くは実行ファイルのフルパス指定の誤りであるため、以下のテンプレートを参考に慎重に編集を進めてください。
{
"mcpServers": {
"aws-diagram-server": {
"command": "node",
"args": ["/path/to/server/index.js"]
}
}
}設定を保存した後は、Claude Desktopを再起動し、開発者ログで「Connected」という緑色のステータスが表示されるか確認しましょう。
設定の詳細は、mcp.jsonの徹底解説ガイドも非常に参考になります。
CursorおよびIDE環境でのMCPサーバー有効化手順
開発効率を極限まで高めたいエンジニアにとって、CursorのGUIメニューからMCPサーバーを直接統合する手法は最も直感的で効果的です。
エディタの設定画面から数クリックでサーバーを追加できるため、設定ファイルの直接編集に不慣れな初心者でも迷うことなくセットアップを完了できます。
具体的な手順は、Cursorの「Settings」から「Features」項目内の「MCP」を選択し、サーバー名と起動コマンドを入力するだけで完了します。
これにより、エディタ内のAIチャットに対して「このCloudFormationを構成図にして」と指示するだけで、シームレスな自動作図が実行可能になります。
IDEとMCPが統合されることで、インフラコードの修正からドキュメント更新までのサイクルが爆速化し、現場の生産性は飛躍的に向上するはずです。
さらなる活用法については、Cursor×MCPの特集記事を確認し、業務に最適化させてください。
実務でこれらのAIツールを使いこなすコツは、生成AI 最速仕事術でも実践的に解説されており、非常に有益な一冊です。
AWS公式MCPサーバーの徹底比較：用途に応じたツールの詳細スペック
当セクションでは、AWS公式からリリースされている主要なMCPサーバー3種について、それぞれの技術的特徴と最適な利用シーンを詳しく比較解説します。
自動生成される図面の形式や編集の自由度はツールごとに大きく異なるため、自身のプロジェクトの運用フローに合致したものを選択することが導入成功の鍵となります。
- sample-architecture-diagram-mcp-server：リッチなHTML構成図の生成
- sample-drawio-mcp：既存図面の再編集とローカル保存への特化
- diagram-as-code（awsdac）：IaC管理とGit連携の最適化
sample-architecture-diagram-mcp-server：リッチなHTML構成図の生成
AWSが提供する「sample-architecture-diagram-mcp-server」は、ブラウザで閲覧可能なインタラクティブなHTML形式の構成図を生成するのに最も適したツールです。
内部に搭載されたEclipse Layout Kernel（ELK）エンジンが、複雑なリソース間の配置を自動で最適化し、重なりのない美しい図面を書き出します。
例えば、VPCの中にパブリックサブネットとプライベートサブネットをネストさせ、その中に複数のEC2やRDSを配置するといった階層構造も、公式アイコンを正確に用いて再現可能です。
このサーバーが生成するHTMLファイルは、アイコンデータが埋め込まれた自己完結型のため、オフライン環境でもコンテナの開閉操作や多言語切り替えができる利便性を備えています。
プロジェクトの初期段階で、ステークホルダーへ視覚的に分かりやすい設計案を提示したい場面において、このツールは絶大な威力を発揮するでしょう。
sample-drawio-mcp：既存図面の再編集とローカル保存への特化
セキュリティや再編集性を重視する場合、ローカル環境で直接「.drawio」ファイルを操作できるsample-drawio-mcpの導入が最適解となります。
従来のブラウザベースの手法とは異なり、mxGraphを直接解析するライブラリを用いることで、GUIを介さずに高速なファイル更新が可能です。
生成されたファイルは使い慣れたdraw.ioデスクトップアプリで即座に開くことができ、AIが作成した下書きに対して、人間が手動で微調整を加える運用が容易になります。
企業内の機密性の高いネットワーク構成を扱う際も、プロンプトやテレメトリが外部へ送信されないローカル完結型の設計であるため、安心して利用できるのが強みです。
詳しい安全策については、MCPセキュリティ完全ガイドも併せて参照することをお勧めします。
実務での修正頻度が高い運用フェーズにおいて、このサーバーは既存の作図ワークフローを劇的に効率化してくれるはずです。
diagram-as-code（awsdac）：IaC管理とGit連携の最適化
インフラの構成変更をGitで厳密に管理したいチームには、YAML形式を介して図面を出力するdiagram-as-code（awsdac）の活用が推奨されます。
これは論理構造を定義する「Dac YAML」と描画処理を完全に切り離すことで、CI/CDパイプラインへの組み込みや構成ドリフトの防止を実現する仕組みです。
GitHub Actionsなどと連携すれば、Terraformのコード変更に合わせて構成図を自動更新し、プルリクエスト時に常に最新の図面を提示することも難しくありません。
name: Update Architecture Diagram
on:
push:
paths:
- 'infrastructure/**'
jobs:
generate:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v3
- name: Run awsdac
run: |
awsdac generate --input design.yaml --output diagram.png
- name: Commit changes
run: |
git config user.name "github-actions"
git commit -am "Update diagram"
git pushAmazon BedrockのClaudeモデルに要件を解析させ、このツール向けの中間ファイルを生成させるプロセスは、AI駆動開発の新しい標準となるでしょう。
AIを実務に組み込む具体的な手法については、生成AI 最速仕事術でも詳しく解説されており、非常に参考になります。
インフラをコードとして扱う文化が浸透している現場であれば、この自動化パイプラインは運用の透明性を飛躍的に高める武器になります。
実践ユースケース：自然言語やインフラコードから構成図を自動生成する
当セクションでは、MCPを活用して自然言語やソースコードからAWS構成図を自動生成する具体的な活用シーンについて詳しく解説します。
技術的な仕組みを理解するだけでなく、実際の設計業務や保守運用においてAIがどのように「実務のパートナー」として機能するかを把握することが、導入後の生産性を最大化させる鍵となるからです。
- 「プロンプトから作図」：設計要件から数秒でドラフトを作成する
- 「Terraform/CloudFormationから逆生成」：既存環境の可視化
- 「セキュリティレビュー」：構成図から潜在的なリスクをAIが特定
「プロンプトから作図」：設計要件から数秒でドラフトを作成する
ユーザーの曖昧な指示からでも、AWS公式のアイコンセットを用いた正確な構成図を瞬時に生成することが可能です。
これはMCPサーバーがLLMの推論結果を構造化データとして受け取り、専用のレイアウトエンジンで描画するため、従来の画像生成AIで頻発した文字化けや論理破綻を回避できるからです。
「マルチAZで高可用なWEBアプリ構成」といった要件に対し、VPC、サブネット、ALB、ECS、RDSなどの階層構造を論理的に解釈した.drawio形式のファイルを数秒で出力します。
プロンプトに具体的なセキュリティ要件や通信フローを加えれば、その意図を汲み取った詳細なドラフト図面が即座に手に入ります。
設計の初期段階でかかる膨大な作図時間を大幅に短縮し、アーキテクトは本質的な設計議論に集中できるようになります。
「Terraform/CloudFormationから逆生成」：既存環境の可視化
既存のTerraformやCloudFormationといったIaCファイルを読み込ませるだけで、現在のインフラ構成を忠実に可視化するリバースエンジニアリングが実現します。
MCPに対応したCursorなどのツールを活用すれば、プロジェクト内のコードベースを背景知識としてAIに提供し、リソース間の依存関係を自動で紐解かせることが可能です。
数千行に及ぶ複雑なコード群からセキュリティグループの関連性やNATゲートウェイの通信経路を抽出し、人間による手作業を介さずに正確な図面を再構築します。
コードの変更に合わせて構成図も自動更新されるCI/CDパイプラインを構築すれば、ドキュメントの陳腐化という長年の課題を解決できます。
インフラの現状把握が迅速化されるため、トラブルシューティングや新メンバーへの引き継ぎ工数を劇的に削減する効果が期待できるでしょう。
最新のAI技術を実務に取り入れる手法については、生成AI 最速仕事術でも実践的なプロンプトの型が紹介されています。
「セキュリティレビュー」：構成図から潜在的なリスクをAIが特定
生成された構成図の論理データをAIにスキャンさせることで、インフラ設計に潜む潜在的な脆弱性を自動で特定できます。
MCPセキュリティのガイドラインに基づき、パブリックサブネットへのDB配置や過剰な権限を持つセキュリティグループの設定をAIが瞬時に検出します。
検出されたリスクに対しては、単なる警告だけでなく、具体的な修正案やベストプラクティスに基づいた構成の改善案をその場で提案させることが可能です。
企業独自のコンプライアンス要件をプロンプトとして組み込めば、組織の基準に完全に合致した高度なセキュリティ監査プロセスが完成します。
視覚的な確認と論理的な脆弱性診断をシームレスに行うワークフローは、安全なクラウド運用を支える強力な武器となるはずです。
より高度なAI連携スキルを習得したい方には、以下のオンラインスクールでの学習も非常におすすめです。
エンタープライズ導入の鍵：ガバナンス・セキュリティと運用の設計
当セクションでは、MCPを企業環境へ導入する際に避けて通れないガバナンス、セキュリティ、および運用設計の要点を解説します。
企業の基幹システムに関わるインフラ構成情報は極めて機密性が高く、効率化と安全性の両立を実現するための具体的な設計指針が必要だからです。
- データプライバシーの確保：stdio通信による「完全ローカル」実行
- 最小権限の原則（PoLE）：IAMロールとMCPサーバーの権限分離
- コスト最適化：Amazon Bedrockのモデル選択とプロンプトキャッシュの活用
データプライバシーの確保：stdio通信による「完全ローカル」実行
MCPの設計思想における最大の特徴は、stdio（標準入出力）を用いたローカル完結型の通信により、機密性の高いインフラ情報を保護できる点にあります。
多くのクラウド型AIサービスとは異なり、このプロトコルはホストアプリケーションとMCPサーバー間で直接プロセスを制御するため、データが不用意に外部ネットワークへ流出する懸念がありません。
実際に、AWS公式から提供されている作図用MCPサーバーをローカル環境で実行すれば、社外のSaaSにシステム構成を送信することなく、手元の端末内で構成図のレンダリングが完結します。
このように物理的なデータの隔離を実現する仕組みは、厳しいセキュリティ基準を持つ情報システム部門にとって、AIツールを承認する際の強力な説得材料となるはずです。
（参考: Model Context Protocol Docs）
データプライバシーを技術的に担保できるMCPは、まさにエンタープライズ運用のための最適解といえます。
最小権限の原則（PoLE）：IAMロールとMCPサーバーの権限分離
インフラの可観測性を高めるためのMCPサーバー運用においては、IAMロールによる最小権限の原則（PoLE）を徹底し、安全なアクセス管理を実現することが不可欠です。
作図用サーバーはローカル計算のみで動作しますが、既存リソースから図面を逆生成するインベントリ系サーバーを利用する場合、本番環境へのアクセス権限が必要となるため、不適切な権限付与はリスクを招きます。
具体的には、対象のAWSアカウントに対して「SecurityAudit」や「ViewOnlyAccess」といった読み取り専用ポリシーに限定したIAMロールを作成し、MCPサーバーが稼働する実行環境へ紐付けます。
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": [
"ec2:Describe*",
"rds:Describe*",
"eks:Describe*"
],
"Resource": "*"
}
]
}詳細なセキュリティ設計については、【2025年最新】MCPセキュリティ完全ガイドを併せて参照し、多層的な防護策を講じてください。
適切な権限分離を行うことで、AIによる自律的な情報収集の利便性を享受しつつ、誤操作やデータ改ざんの脅威からインフラを守ることが可能になります。
コスト最適化：Amazon Bedrockのモデル選択とプロンプトキャッシュの活用
エンタープライズ規模でMCPを運用する場合、Amazon Bedrockのモデル特性に合わせた使い分けとプロンプトキャッシュを組み合わせることで、ランニングコストを劇的に抑制できます。
全てのタスクに高性能なモデルを使用せず、軽量モデルを適材適所に配置することで、パフォーマンスを維持しつつコストを大幅に削減できるためです。
例えば、複雑なアーキテクチャ設計にはClaude 3.5 Sonnetを割り当て、単純な構成定義の変換やアイコンの紐付けには低コストなClaude 3.5 Haikuを使い分けることで、精度とコストのバランスを最適化します。
さらに、共通のシステムプロンプトや大規模なドキュメントを再利用する際は、Bedrockのプロンプトキャッシュ機能を有効にすることで、入力トークン料金の最大90%割引を享受することが可能です。
（出所: AWS Japan Blog）
| モデル / 条件 | 入力単価 (1K) | 割引適用時 |
|---|---|---|
| Claude 3.5 Sonnet v2 | $0.003 | $0.0003 |
| Claude 3.5 Haiku | $0.0008 | N/A |
こうした戦略的なコスト管理は、AI導入によるオペレーション変革の費用対効果を最大化させ、組織全体へのスムーズな浸透を後押しします。
実務での活用については、生成DXでも詳しく解説されており、DX推進のヒントを得るのに役立ちます。
まとめ
本記事では、MCP（Model Context Protocol）を活用したAWS構成図の自動生成と、それがもたらす次世代のインフラ運用について解説しました。
重要なポイントは、MCPによってLLMと外部ツールの連携が標準化されたことで、論理的に正確な構成図を即座に生成可能になったこと、そしてこれをCursorやClaude Desktopなどの開発環境に組み込むことでドキュメントの陳腐化を根本から防げる点です。
インフラの可視化を自動化することは、単なる効率化ではなく、エンジニアがより本質的なアーキテクチャ設計や価値創造に集中するための大きな一歩となります。
最新のAI技術を実務に深く統合し、エンジニアとしての市場価値をさらに高めたい方は、実践的な知識が凝縮された「生成AI 最速仕事術」を手に取ってみることや、AIエンジニアへの道を開くオンラインスクール「Aidemy」での学習をぜひ検討してみてください。
MCPを活用したAWS運用の自動化は、エンジニアの創造性を解き放つ第一歩です。
まずはClaude Desktopと公式MCPサーバーを連携させ、あなたのインフラをAIに可視化させてみませんか？
Saiteki AIでは、こうした最新AI技術のビジネス実装を強力にサポートします。
