MCP コード実行

概要

MCP ツールを TypeScript コードとして実行し、トークン消費を劇的に削減します。必要なツールのみをインポートし、コード内でデータを処理してから、最終結果のみを返します。

トークン削減: マルチツールワークフローで最大 98.7%（150,000 トークン → 2,000 トークン）

いつこのスキルを使うか

以下の条件のいずれかに該当する場合、このスキルを使用してください：

使用すべき場合

• ✓ Serena MCP ツールを連続使用する必要がある
• ✓ 100個以上のファイルを処理する
• ✓ 大規模データのフィルタリング（結果を絞り込んでから報告）
• ✓ バッチ操作（複数ファイルへのループ処理）
• ✓ プライバシー保護（機密データを LLM コンテキストに入れない）

使用すべきでない場合

• ✗ 1-2個のツールを1回だけ使う単純なタスク
• ✗ どのツールが必要かまだ分からない探索的作業
• ✗ 中間結果を確認する必要がある対話的デバッグ

セットアップ

プロジェクトルートの設定

このスキルの配置場所により、プロジェクトルートの設定方法が異なります。

Project Skills（.claude/skills/ に配置）の場合

プロジェクトルートは自動検出されます。環境変数の設定は不要です。

# プロジェクト内のスキル
# .claude/skills/mcp-code-execution から自動的に ../../../../ でプロジェクトルートを検出
bun run src/your-script.ts

Personal Skills（~/.claude/skills/ に配置）の場合

環境変数 SERENA_PROJECT_ROOT が必須です。未設定の場合、エラーが発生します。

方法1: 環境変数で指定

export SERENA_PROJECT_ROOT=/path/to/your/project
bun run src/your-script.ts

方法2: .env ファイルで管理（推奨）

SERENA_PROJECT_ROOT=/path/to/your/project

プロジェクトルートに .env ファイルを配置すれば、Bun が自動的に読み込みます。

異なるプロジェクトでの使用例:

# test-parser プロジェクト
SERENA_PROJECT_ROOT=/Users/user/dev/test-parser bun run src/analyze-parser.ts

# testA プロジェクト
SERENA_PROJECT_ROOT=/Users/user/dev/testA bun run src/analyze-testA.ts

ワークフロー（Claude が従うべき手順）

ステップ1: タスクの評価

ユーザーのタスクが上記の「使用すべき場合」に該当するか判断してください。該当する場合のみ、このスキルを使用してください。

ステップ2: ツール仕様の確認（必須・スキップ不可）

このステップを省略すると100%失敗します。以下のファイルを必ずReadツールで読んでください：

チェックリスト:

• TOOLS.mdを読んだ（Readツール使用）
• 使用する各ツールの型定義ファイル servers/serena/[ツール名].ts を読んだ（Readツール使用）
• パラメータ名が型定義と完全に一致している
• 戻り値の型が型定義と完全に一致している
• 型アサーション（as）を使用していない（型定義から自動推論される）

上記すべてにチェックが入るまでステップ3に進まないでください。

ステップ3: TypeScript スクリプトの生成

src/ ディレクトリに適切な名前の TypeScript ファイルを作成してください：

import { /* 必要なツールのみ */ } from '../servers/serena/index.js';
import { closeClient } from './client.js';

async function main() {
  try {
    // ここにロジックを実装
    // - 必要なツールのみインポート
    // - コード内でデータをフィルタリング
    // - 最終結果のみ console.log()

  } catch (error) {
    if (error instanceof Error) {
      console.error('エラー:', error.message);
    }
  } finally {
    await closeClient();  // 必須
  }
}

main();

重要:

• 必要なツールのみをインポート（全20ツールではなく）
• TOOLS.mdで確認した正確な型定義を使用
• データ処理はコード内で実施（filter、map、reduce）
• 最終結果のみを console.log() で出力
• 必ず await closeClient() を呼び出す

ステップ4: スクリプトの実行

bun run src/your-script.ts

ステップ5: 結果の報告

スクリプトの出力から最終結果のみをユーザーに報告してください。中間データや処理の詳細は報告しないでください（プライバシー保護のため）。

エラーが発生した場合:

• 型エラー: TOOLS.mdと型定義を再確認
• 実行時エラー: パラメータの形式とツールの存在を確認

利用可能なツール

全20の Serena MCP ツールが利用可能です。詳細は TOOLS.md を参照してください。

主要なツール:

• listDir, findFile, searchForPattern - ファイル操作
• getSymbolsOverview, findSymbol - コード解析
• replaceSymbolBody, renameSymbol - コード編集

インポート例：

import { listDir, findFile, getSymbolsOverview } from '../servers/serena/index.js';

基本的な使用例

例: エクスポートされたクラスを持つファイルを検索

import { listDir, getSymbolsOverview } from '../servers/serena/index.js';
import { closeClient } from './client.js';

async function main() {
  try {
    const result = await listDir({ relative_path: 'src', recursive: true });
    const tsFiles = result.files.filter(f => f.endsWith('.ts'));

    const filesWithClasses = [];
    for (const file of tsFiles) {
      const symbols = await getSymbolsOverview({ relative_path: file });
      if (symbols.some(s => s.kind === 5)) {  // kind 5 = クラス
        filesWithClasses.push(file);
      }
    }

    console.log(`クラスを含むファイル: ${filesWithClasses.join(', ')}`);
  } catch (error) {
    if (error instanceof Error) {
      console.error('エラー:', error.message);
    }
  } finally {
    await closeClient();
  }
}

main();

効果: 1000ファイルの処理でも、最終結果のみが LLM に到達（トークン削減: 99%以上）

さらに詳しい例は EXAMPLES.md を参照してください。

必須事項

1. closeClient() を必ず呼び出す

finally {
  await closeClient();  // スクリプトの最後に必ず
}

2. .js 拡張子を使用

import { listDir } from '../servers/serena/index.js';  // ✓ 正しい
import { listDir } from '../servers/serena/index';     // ✗ 間違い

3. エラーハンドリング

try {
  // ツール呼び出し
} catch (error) {
  console.error('エラー:', error.message);
} finally {
  await closeClient();
}

主な利点

さらに詳しい情報

• 全ツールリスト: TOOLS.md
• 詳細な使用例: EXAMPLES.md
• 技術詳細: REFERENCE.md

参考

このスキルは Anthropic の推奨アプローチに基づいています: Code execution with MCP: building more efficient AI agents