01. Claude Code の実行モデル

Claude Code は単なる「チャット型のAIコーディング支援」ではなく、LLM・MCP（Model Context Protocol）・ツール実行環境・コンテキスト圧縮ロジックが一体化した “コーディングエージェント” です。

ここでは Claude Code が実行時に内部で何をしているのかを、 ステップ構造・内部プロセス・トークン最適化の観点から徹底的に整理します。

このバージョンでは：

• thinking block の具体例
• MCP が返す JSON の具体例
• 従来型 LLM との比較表
• 実行フローを同期／非同期視点で補足 などを追加し、実用ノートとしてより深い理解を得られる構成にしました。

---

🎯 この記事のゴール

1. Claude Code が「どう実行されているか」が正確に理解できる
2. LLM がどこで reasoning（推論）し、どこで MCP が介入するかが分かる
3. トークン効率化のための “内部最適化ポイント” が明確になる

---

🧩 全体像：Claude Code の実行フロー（7段階）

graph TD
    %% 1. ユーザー入力
    A["ユーザー入力（Message）"]:::io --> B["タスク理解 / プランニング"]:::llm

    %% ==== LLMゾーン ====
    subgraph LLM
        B
        E["ツール結果の解釈 / 推論"]:::llm
        F["内部思考ブロックの削除 /
        コンテキスト圧縮"]:::llm
    end

    %% ==== MCPゾーン ====
    subgraph MCP
        C1["入力解析"]:::mcp
        C2["ツール呼び出し計画の構築"]:::mcp
        D["ツール実行
        fs / exec / fetch /
        自作 MCPツール / etc..."]:::mcp
    end

    %% フロー接続
    B --> C1
    C1 --> C2
    C2 --> D
    D --> E
    E --> F
    F --> G["ユーザーへの最終出力"]:::io

classDef llm fill:#E0F2FE,stroke:#1D4ED8,color:#0F172A;
classDef mcp fill:#ECFDF5,stroke:#15803D,color:#064E3B;
classDef io  fill:#F3F4F6,stroke:#4B5563,color:#111827;

---

🧠 1. LLM のタスク理解（Planning / Intent Parsing）

ユーザーのメッセージを受け取り、Claude はまず：

• タスク分類（BugFix / CodeGen / Review / Planning など）
• 実行すべきアクションの推定
• 過去の履歴との整合性チェック
• 必要な外部情報の列挙

などを行い、内部で thinking block を生成します。

thinking block の具体例（擬似）

<internal>
- ユーザーの目的：バグ修正？コード生成？
- 関連ファイルは何か？ → src/utils/date.ts 周辺？
- 依存関係は？
- テストを実行すべきか？
- 必要なツール：fs, exec, git.diff
</internal>

重要ポイント

• thinking block は内部推論で大量トークン発生（数千〜1万トークンもあり得る）
• しかし次ターンには完全削除される（コンテキスト溢れ防止）
• 履歴には「思考の結果」だけが要約されて残る

---

📦 2. 必要な外部情報の特定（Action Planning by LLM）

LLM はタスク実行に必要な外部情報を列挙し、MCP へ指示を構築します。

例：

• 特定のファイルの内容
• テスト結果
• AST 解析結果
• Git diff

LLM → MCP の呼び出し例

{
  "tool": "fs.read",
  "arguments": { "path": "src/utils/date.ts" }
}

LLM は どのツールを使い、何を取りに行くか だけ判断します。 処理自体は MCP に任せます。

---

🛠 3. MCP による安全かつ高効率な実行

MCP は Claude Code の中心機能で、以下を担当：

• ファイル読み書き
• コード実行（exec sandbox）
• Git 操作
• DB クエリ
• 外部 API 呼び出し
• 自作 MCP ツール

MCP が返す実際のレスポンス例（成功）

{
  "type": "success",
  "data": {
    "stdout": "Test Result: 1 failed",
    "stderr": "",
    "exitCode": 1
  }
}

MCP の価値

• LLM に全文を渡さず、「必要な部分だけ返す」 → トークン激減
• OS と直接対話しないため安全
• 結果が JSON のため LLM の理解コストが下がる

---

🔎 4. ツール結果の解釈 / 推論（Tool Results Integration by LLM）

LLM は MCP からの結果を受け取り：

• JSON / stdout を解析
• 必要に応じて追加ツール呼び出し
• タスク完遂に向けて reasoning を継続

ここでも thinking block が発生し、次ターンでは圧縮されます。

---

🧮 5. トークン節約：KV キャッシュ + MQA（Multi-Query Attention）

Claude は長文処理を高速化するため、KV cache と MQA を採用。

KV Cache

• 過去のトークンの Attention 計算を保存
• 次ターンでは新規トークン分だけ計算

MQA（Multi-Query Attention）

• 全ヘッドで Key/Value を共有
• K/V のメモリ使用量が従来の 1/N
• 計算量減 → 長文での破綻を抑える

---

🧹 6. コンテキスト圧縮（Context Compression）

Anthropic 公式記述：

Claude は会話履歴を summarize & compress する

つまり：

• 不要な履歴 → 要約して圧縮
• 重要情報 → メタデータ化して保持
• thinking block → 完全削除
• ツール結果 → 必要部分のみ残す

効果

• 100ターン超でもコンテキスト数 KB 程度
• 長期タスクでも “過去の意図” を保持

---

🧾 7. ユーザーへの最終出力

最終的に LLM は：

• reasoning の結果
• 圧縮済みコンテキスト
• MCP ツールの成果

を統合して回答を生成します。

---

🔥 従来型 LLM との比較

項目	従来スタイル	Claude Code
コード解析	ファイル全文を読み込む	MCPで必要部分のみ抽出
実行環境	無し（LLM推論だけ）	exec sandbox で実際に実行
情報取得方法	文章で曖昧に依頼	構造化 JSON で確実な呼び出し
推論の精度	コンテキスト溢れで劣化	thinking block 削除＋最適化
長期タスク	破綻しやすい	サマリー化で維持

---

🔄 補足：同期的 vs 非同期的フロー

実際の内部処理は以下のように非同期チェーンで動きます：

User → LLM Planning → MCP Request → MCP Exec → MCP Result → LLM Reasoning → Output

Claude Code はこの “非同期ループ” を自然に扱えるよう最適化されています。

---

📌 まとめ：Claude Code の実行モデルのポイント

• LLM は判断だけ担当、実処理は MCP が行う
• thinking block は破棄されるため長文でも破綻しない
• MQA + KV Cache により長文処理が高速化
• MCP が必要データだけ抽出するためトークン効率が抜群
• 全体として “LLM の能力” ではなく “設計の強さ” が効いている

---

📚 次に読むべき記事

• コンテキスト管理 - 実践ガイド
• mcp-deep-dive.mdx（MCP プロトコルを理解する）
• agent-best-practices.mdx（エージェント開発の実践論）

---