Claude API・MCP 実装ハンドブック 2026 — Python/Node/Dify/n8n の現場仕様

「Claude API を社内システムに繋ぎたい。Python で書くか、Node で書くか、それとも Dify でノーコードに寄せるか。MCP（Model Context Protocol）は本当に標準化されるのか。Prompt Caching でコストはどこまで落ちるのか」。Tufe Company が SaaS スタートアップ・社内エンジニアあり企業の PoC リードから受ける質問は、ほぼこの 4 点に集約されます。

結論を先に言うと、Claude を業務に組み込む実装パスは 3 つに整理できます。第一に、Anthropic 公式の Direct API（Anthropic 直接契約、api.anthropic.com を叩く）。これがレファレンスで、機能の追従が最も早い。第二に、AWS の Amazon Bedrock（既存 AWS アカウントで IAM ベースの権限管理を継承したい場合）。第三に、Google Cloud の Vertex AI（Gemini 等と同一基盤で運用したい場合）。さらに 2025 年以降は Microsoft の Foundry（旧 Azure OpenAI Service）経由でも Claude が利用可能になっており、エンタープライズの「既存クラウド契約と監査要件に合わせる」選択肢が広がっています。

モデル選定は 「業務自動化のデフォルトは Claude Sonnet 4.6」「複雑推論・エージェント型コーディングは Opus 4.7」「大量処理・コスト最適化は Haiku 4.5」 の 3 階層構成が原則です（※ 出典: Claude Models Overview（取得 2026-05）／Anthropic Pricing（取得 2026-05）、Tufe Company SOT lib/claude-model-data.ts で1次出典確認済）。Sonnet 4.6 は入力 $3／出力 $15 で 1M トークンのコンテキスト、Opus 4.7 は入力 $5／出力 $25 で 1M トークン、Haiku 4.5 は入力 $1／出力 $5 で 200K トークン。後述する Prompt Caching と Batch API を併用すれば、実質コストは定価の 1/5〜1/10 まで落ちます。

本記事は、Tufe Company が .claude/ ワークフロー（17 専門エージェント）と顧問先 PoC の現場で Claude API を運用してきた経験（※ Tufe Company 内部運用 / 2026-05時点、エージェント定義数は .claude/agents/ および .claude/commands/ を集計）と、Anthropic 公式 docs の一次出典を組み合わせ、実装エンジニアが意思決定 1 日・PoC 1 週間で動ける粒度にまとめたハンドブックです。コードサンプル 6 種（Python / Node / cURL / Dify / n8n / MCP server）、比較表 8 軸、実装の落とし穴 5 件、Tufe の伴走支援パッケージまで収録しました。

ピラー記事 1 Claude 導入完全ガイド が「経営者の意思決定資料」、本記事はその開発者・PoC リード版です。並行して Claude LLMO 最適化ガイド と Claude 士業実装ハンドブック を読むと、業務側からの要件と実装側の現場仕様が両輪で揃います。

Claude API は Messages API（POST /v1/messages）が中核です。SDK は Python・TypeScript（Node.js）・Java を公式が提供し、それ以外は cURL で直接叩きます。以下は Anthropic 公式 Get Started に沿った最短セットアップです（※ 出典: Anthropic Get Started（取得 2026-05））。

Claude Console でキーを発行し、シェル環境変数にセットします。

export ANTHROPIC_API_KEY='sk-ant-api03-xxxxxxxxxxxxxxxxxx'

永続化したい場合は ~/.zshrc または ~/.bashrc に追記。CI/CD では GitHub Actions Secrets / Vercel Env / AWS Secrets Manager に格納し、コードへのハードコードは避けます。

pip install anthropic

# quickstart.py
import anthropic

client = anthropic.Anthropic()  # ANTHROPIC_API_KEY env var を自動読込

message = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": "Claude API の Messages エンドポイントの主な引数を5つ挙げて。",
        }
    ],
)
print(message.content[0].text)

python quickstart.py

ストリーミング（逐次トークン生成）は client.messages.stream() を使います。

with client.messages.stream(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    messages=[{"role": "user", "content": "MCP の特徴を3点で。"}],
) as stream:
    for text in stream.text_stream:
        print(text, end="", flush=True)

npm install @anthropic-ai/sdk

// quickstart.ts
import Anthropic from "@anthropic-ai/sdk";

async function main() {
  const client = new Anthropic(); // ANTHROPIC_API_KEY env var

  const msg = await client.messages.create({
    model: "claude-sonnet-4-6",
    max_tokens: 1024,
    messages: [
      {
        role: "user",
        content: "Claude API の Messages エンドポイントの主な引数を5つ挙げて。"
      }
    ]
  });

  console.log(msg.content);
}

main().catch(console.error);

npx tsx quickstart.ts

ストリーミングは Node でも以下の形で書けます。

const stream = client.messages.stream({
  model: "claude-sonnet-4-6",
  max_tokens: 1024,
  messages: [{ role: "user", content: "MCP の特徴を3点で。" }]
});

for await (const event of stream) {
  if (event.type === "content_block_delta" && event.delta.type === "text_delta") {
    process.stdout.write(event.delta.text);
  }
}

curl https://api.anthropic.com/v1/messages \
  -H "Content-Type: application/json" \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -d '{
    "model": "claude-sonnet-4-6",
    "max_tokens": 1024,
    "messages": [
      {"role": "user", "content": "Claude API の Messages エンドポイントの主な引数を5つ挙げて。"}
    ]
  }'

n8n の HTTP Request ノード、Dify のカスタム HTTP、社内独自ラッパーから叩く際は、cURL ベースの形が最も応用しやすい。anthropic-version ヘッダは現時点 2023-06-01 を指定（後方互換の安定版エイリアス、※ 出典: Anthropic API Reference（取得 2026-05））。

本番運用では 429 Rate Limit・529 Overloaded・500 Server Error のリトライ設計が必須です。SDK は内部で指数バックオフを実装していますが、独自実装する場合は以下のパターンを目安にします。

import time
import anthropic
from anthropic import APIError, RateLimitError

def call_with_retry(client, **kwargs):
    max_attempts = 5
    for attempt in range(max_attempts):
        try:
            return client.messages.create(**kwargs)
        except RateLimitError:
            wait = 2 ** attempt  # 1, 2, 4, 8, 16 秒
            time.sleep(wait)
        except APIError as e:
            if e.status_code in (500, 529):
                time.sleep(2 ** attempt)
            else:
                raise
    raise RuntimeError("max attempts reached")

レート制限値はティア（Tier 1〜4）と使用量で動的に変動するため、x-ratelimit-* レスポンスヘッダで残量を確認する設計が安全です（※ 出典: Anthropic Rate Limits（取得 2026-05））。

関連: API とは ／ Claude とは ／ Anthropic とは ／ コンテキストウィンドウとは

MCP（Model Context Protocol） は Anthropic が 2024-11-25 に発表・オープンソース化した、AI と外部ツール・データソースを標準的に接続するプロトコルです（出典: Anthropic Model Context Protocol announcement、取得 2026-05）。2025-03-26 に OpenAI が公式採用を表明し、Google・Microsoft・Cursor・VS Code が続いた結果、2025-11-25 時点で MCP は事実上の業界標準に到達しています（出典: MCP 1st Anniversary post、取得 2026-05、公式 Registry 約 2,000 サーバー、Discord 貢献者 2,900+）。

従来、AI エージェントのツール連携は ベンダーごとに異なる実装（OpenAI Function Calling / Anthropic Tool Use 等）でした。MCP はこれを共通プロトコルに抽象化し、

• ツールは MCP サーバーとして 1 回書けば、Claude・ChatGPT・Gemini で再利用可能
• AI ベンダーとツール開発者が独立して進化（Tool Use のベンダーロックインから解放）
• エンタープライズの社内システム統合の標準化

を実現します。詳細は MCP（Model Context Protocol）とは を参照してください。

公式 Registry 約 2,000 件の中で、業務システム統合で使われる代表的なサーバーは以下です。

※ 出典: Anthropic MCP servers リポジトリ（取得 2026-05）、公式 Registry。

Claude Desktop App では、設定ファイル ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）に MCP サーバーを定義するだけで利用開始できます。

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/you/Documents/work"
      ]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxxxxxxxxxxxx"
      }
    }
  }
}

これだけで Claude Desktop から「指定フォルダの議事録を読んで要約 → GitHub Issue に投稿」のような複合操作が動きます（※ Tufe Company 内部実測 / 2026-05時点、社内オペレーション業務で常用）。

社内 API を MCP サーバー化する最小例です。@modelcontextprotocol/sdk を使います。

// server.ts
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import {
  CallToolRequestSchema,
  ListToolsRequestSchema
} from "@modelcontextprotocol/sdk/types.js";

const server = new Server(
  { name: "tufe-crm-mcp", version: "0.1.0" },
  { capabilities: { tools: {} } }
);

// ツール一覧の宣言
server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: [
    {
      name: "search_customer",
      description: "Tufe 顧客 DB から名前または会社名で検索する",
      inputSchema: {
        type: "object",
        properties: {
          query: { type: "string", description: "検索クエリ" }
        },
        required: ["query"]
      }
    }
  ]
}));

// ツール実行ハンドラ
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "search_customer") {
    const query = request.params.arguments?.query as string;
    // 実際には自社 CRM API を叩く
    const results = await fetch(
      `https://crm.example.com/api/search?q=${encodeURIComponent(query)}`
    ).then((r) => r.json());
    return { content: [{ type: "text", text: JSON.stringify(results) }] };
  }
  throw new Error(`Unknown tool: ${request.params.name}`);
});

const transport = new StdioServerTransport();
await server.connect(transport);

stdio transport は Claude Desktop・Claude Code 等のローカルクライアント用、HTTPS+SSE transport はリモート MCP サーバー用です（※ 出典: MCP Specification（取得 2026-05））。

Claude API でも MCP サーバーを呼び出せます。Anthropic は MCP connector という仕組みでリモート MCP サーバーを Messages API に統合可能にしています（出典: Anthropic MCP connector docs、取得 2026-05）。Dify・n8n・社内バッチから業務システムにアクセスする際の標準パターンになりつつあります。

関連: MCP とは ／ Tool use とは ／ Function Calling とは ／ AI エージェントとは

Prompt Caching は、システムプロンプト・社内ナレッジ・契約書テンプレなど 「同じ前提を繰り返し送る部分」をサーバー側にキャッシュし、キャッシュヒット時の読み込み価格を定価の 10%（90% 削減）にする機能です（※ 出典: Anthropic Pricing（取得 2026-05））。

Tufe Company の SOT lib/claude-model-data.ts で 1 次出典確認済の最新値です。

※ 出典: Anthropic Pricing（取得 2026-05）／ Tufe Company SOT lib/claude-model-data.ts

import anthropic

client = anthropic.Anthropic()

# 100K トークンの社内マニュアル（事前ロード想定）
internal_manual = open("manual.md").read()

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    system=[
        {
            "type": "text",
            "text": "あなたは Tufe Company の社内サポート AI です。",
        },
        {
            "type": "text",
            "text": internal_manual,
            "cache_control": {"type": "ephemeral"},  # 5min cache
        },
    ],
    messages=[
        {"role": "user", "content": "返品ポリシーは？"}
    ],
)
print(response.content[0].text)
print(response.usage)  # cache_creation_input_tokens / cache_read_input_tokens を確認

response.usage に cache_creation_input_tokens と cache_read_input_tokens が返るので、実運用ではヒット率を必ず計測してください。

「100K トークンの社内マニュアル + 1K のユーザー質問」を 100 回処理する想定（※ Tufe Company 内部計算 / 2026-05時点、計算式は SOT に基づく。価格は ※ 出典: Anthropic Pricing（取得 2026-05）の Sonnet 4.6 値を採用）。

• キャッシュなし: 100K × $3 / 1M × 100 回 = $30.0
• 5min キャッシュあり:
  • 初回書き込み: 100K × $3.75 / 1M = $0.375
  • 以降 99 回読み込み: 100K × $0.30 / 1M × 99 = $2.97
  • 合計: $3.345（約 89% 削減）

Batch API は入出力ともに 50% OFF（※ 出典: Anthropic Pricing（取得 2026-05））。夜間バッチで OK な議事録要約・記事リライト・大量分類を Batch API に寄せ、さらに Prompt Caching を併用すると、定価比で 1/10 前後まで落ちます。「24 時間以内に返ればいい」業務はここに寄せるのが鉄則です。

Prompt Caching は プロンプト先頭からの前方一致で判定されます。先頭にユーザー名や現在時刻を入れるとキャッシュが効きません。変動する部分は messages 配列の末尾に置き、固定の社内ナレッジは system プロンプト先頭にまとめるのが基本設計です（※ 出典: Anthropic Prompt Caching docs（取得 2026-05））。

関連: Prompt Caching とは ／ RAG とは ／ プロンプトエンジニアリングとは

Tool Use は Claude が「外部ツールを呼ぶべき」と判断したときに、構造化された tool_use ブロックを返してくる仕組みです（出典: Anthropic Tool Use docs、取得 2026-05）。Tool は実行場所で 2 種類に分かれます。

• Client tools: あなたのコードが実行（API・DB・社内システム呼び出し）
• Server tools: Anthropic 側が実行（Web Search・Web Fetch・Code Execution・Tool Search）

import anthropic

client = anthropic.Anthropic()

tools = [
    {
        "name": "get_order_status",
        "description": "注文 ID から注文ステータスを取得する",
        "input_schema": {
            "type": "object",
            "properties": {
                "order_id": {
                    "type": "string",
                    "description": "注文の一意 ID（例: ORD-12345）",
                }
            },
            "required": ["order_id"],
        },
    }
]

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=tools,
    messages=[{"role": "user", "content": "ORD-12345 の状況を教えて"}],
)

# stop_reason: "tool_use" を確認
print(response.stop_reason)
print(response.content)

stop_reason: "tool_use" を受けたら、ツールを実行して tool_result を返し、Claude に続きを生成させます。

def get_order_status(order_id: str) -> dict:
    # 実際には自社の注文 DB を叩く
    return {"order_id": order_id, "status": "shipped", "tracking": "JP1234"}

# 1 回目のレスポンスから tool_use を抽出
tool_use = next(b for b in response.content if b.type == "tool_use")
tool_result = get_order_status(**tool_use.input)

# 2 回目のリクエストで tool_result を返す
followup = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=tools,
    messages=[
        {"role": "user", "content": "ORD-12345 の状況を教えて"},
        {"role": "assistant", "content": response.content},
        {
            "role": "user",
            "content": [
                {
                    "type": "tool_result",
                    "tool_use_id": tool_use.id,
                    "content": str(tool_result),
                }
            ],
        },
    ],
)
print(followup.content[0].text)

このループを「stop_reason が end_turn になるまで」回すのが エージェントループです。Tufe Company の .claude/agents/ 配下のサブエージェント（17 専門エージェント）は、すべてこのループの上に構築されています（※ Tufe Company 内部運用 / 2026-05時点）。

Anthropic 側が実行するため、tool_result を自前で返す必要がない楽な選択肢です。

※ 出典: Anthropic Pricing — Server-side tools（取得 2026-05）

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=[{"type": "web_search_20260209", "name": "web_search"}],
    messages=[{"role": "user", "content": "Mars rover の最新ニュースを要約して"}],
)

strict: true を tool 定義に追加すると、Claude のツール呼び出しがスキーマに完全準拠することが保証されます（※ 出典: Anthropic Strict tool use（取得 2026-05））。本番運用では原則 strict: true 推奨です。

関連: Tool use とは ／ Function Calling とは ／ AI エージェントとは

社内エンジニアがいてもいなくても、業務側の「ワークフロー化」を進めるには Dify や n8n のオーケストレーション層を挟むのが現実解です。Tufe Company は士業顧問先には Dify、自社の社内自動化には n8n を主に採用しています（※ Tufe Company 内部運用 / 2026-05時点）。

Dify では Settings → Model Provider → Anthropic で API キーを登録するだけで、Sonnet 4.6 / Opus 4.7 / Haiku 4.5 が選択肢に表示されます。Workflow ノードの LLM ブロックでモデルを選択し、System Prompt と User Input をデータパイプラインに接続します。

# Dify Workflow YAML（簡略例、UI から自動生成される）
nodes:
  - type: llm
    model:
      provider: anthropic
      name: claude-sonnet-4-6
      mode: chat
      completion_params:
        max_tokens: 1024
        temperature: 0.3
    prompt_template:
      - role: system
        text: "あなたは Tufe Company のサポート担当です。"
      - role: user
        text: "{{#start.user_input#}}"

Prompt Caching を Dify から使いたい場合は、現状では HTTP リクエストノードで cURL ベタ書きが確実です（バージョン依存）。詳細は Dify ワークフロー構築ガイド を参照。

n8n には Anthropic ノードが標準搭載されています。Credentials に API キーを登録し、ノードのモデル選択で claude-sonnet-4-6 等を指定。System / User / Assistant の各メッセージを n8n のノード間データフローに紐付けます。

// n8n Anthropic ノードの設定 JSON（参考）
{
  "model": "claude-sonnet-4-6",
  "maxTokens": 1024,
  "temperature": 0.3,
  "systemPrompt": "あなたは Tufe Company のサポート担当です。",
  "userMessage": "={{ $json.userInput }}"
}

Anthropic ノードが追従していない最新機能（cache_control の細かい指定・MCP connector・新規 Server tools 等）を使う場合は、HTTP Request ノードで API を直接叩くのが確実です。

// n8n HTTP Request ノード（POST https://api.anthropic.com/v1/messages）
{
  "method": "POST",
  "url": "https://api.anthropic.com/v1/messages",
  "headers": {
    "x-api-key": "={{ $credentials.anthropic.apiKey }}",
    "anthropic-version": "2023-06-01",
    "content-type": "application/json"
  },
  "body": {
    "model": "claude-sonnet-4-6",
    "max_tokens": 1024,
    "system": [
      { "type": "text", "text": "{{ $json.systemPrompt }}",
        "cache_control": { "type": "ephemeral" } }
    ],
    "messages": [
      { "role": "user", "content": "={{ $json.userInput }}" }
    ]
  }
}

n8n の運用ノウハウは n8n 自動化ガイド と Dify vs n8n 使い分けガイド を参照。LangChain との比較は Dify vs LangChain を参照してください。

関連: Dify とは ／ n8n とは ／ n8n・Dify ワークフロー受託

Tufe Company が PoC 現場で繰り返し見る、Claude API・MCP 実装の 5 つの落とし穴を一次出典つきで整理します。

よくある主張: 「Claude API のレート制限は固定の RPM」 実際: レート制限は 使用量と支払い実績に応じた Tier 1〜4 で段階的に拡張されます。新規アカウントは Tier 1 から始まり、累積支払いと経過日数で自動昇格。本番ローンチ前は Tier 確認と必要に応じた事前アップグレード申請が必須です。 実装ガイドライン: x-ratelimit-requests-remaining・x-ratelimit-tokens-remaining レスポンスヘッダで残量監視。429 は 指数バックオフ + ジッターでリトライ。 出典: Anthropic Rate Limits（取得 2026-05）

よくある主張: 「Claude は EU でも US でも同価格」 実際: Opus 4.6 以降で inference_geo を us 指定すると、価格が 1.1 倍になります（出典: Anthropic Pricing — Data residency、取得 2026-05）。GDPR・改正個人情報保護法対応で US 限定を強制する場合のコスト影響を見積もりに含めてください。 SOT 参照: lib/claude-model-data.ts の DATA_RESIDENCY 定数。

よくある主張: 「claude-sonnet-4 でずっと最新版が返る」 実際: 旧世代の claude-sonnet-4-20250514・claude-opus-4-20250514 は 2026-06-15 廃止予定（※ 出典: Anthropic Pricing（取得 2026-05））。最新世代の claude-sonnet-4-6 / claude-opus-4-7 / claude-haiku-4-5 は pinned snapshot 命名で、半年ごとの更新時にはコード側のモデル ID を更新する運用が必要です。 Tufe の運用: SOT lib/claude-model-data.ts を唯一の更新点とし、半期ごと（次回 2026-11）に WebFetch で再照合。

よくある主張: 「ユーザー入力の文字数 × 安全係数で見積もり OK」 実際: Claude API の入力トークンは system プロンプト + tools 定義 + messages 配列のすべてが対象。Tool use を使うと auto モードで +346 tokens（Opus/Sonnet 4 系）の Tool use 用システムプロンプトが自動追加されます（※ 出典: Anthropic Tool Use Pricing（取得 2026-05））。Computer Use ツール定義はさらに 735 tokens（Claude 4.x）。 実装ガイドライン: 事前に count_tokens エンドポイントで実測。Prompt Caching でシステムプロンプト側の繰り返し課金を打ち消す。

よくある主張: 「Vision は無料」「Opus 4 は入力 $15／出力 $75 で高い」 実際:

• Vision は 画像のピクセル数に応じてトークン換算され課金対象。1024×1024 画像で約 1,600 tokens の目安（※ 出典: Anthropic Vision docs（取得 2026-05））。
• 「Opus 4 は $15／$75」は旧世代（廃止予定）の価格。最新の Opus 4.7 は $5／$25 と 1/3 に下がっています（※ 出典: Anthropic Pricing（取得 2026-05））。

詳細な業界俗説訂正は SEO/MEO/LLMO 業界の数字俗説 30 件 を参照してください。

設計フェーズ（5 項目）

• モデル選定（Sonnet 4.6 デフォルト / Opus 4.7 高難度 / Haiku 4.5 大量）が業務要件で決まっている
• 同じ前提を 2 回以上送る業務 → Prompt Caching の対象を 1 件以上特定済み
• 24 時間以内の応答で OK な業務 → Batch API の対象を 1 件以上特定済み
• Data residency 要件（US-only / Global）が決まっている
• API キーの管理場所（Secrets Manager / Vault / env）が決まっている

実装フェーズ（5 項目）

• レート制限の指数バックオフリトライを実装した
• response.usage の cache_creation/cache_read を計測している
• Tool use の strict: true を本番用ツール定義に付けた
• エージェントループの「停止条件」が end_turn + 最大ループ数で定義されている
• エラー時のフォールバック（モデル切替・空応答ハンドリング）が定義されている

運用フェーズ（5 項目）

• モデル ID は pinned snapshot で固定し、半期ごとの更新計画がある
• ハルシネーション対策の人手レビュー or 自動検証フローがある
• 月次でコスト・キャッシュヒット率・エラー率をレビューする運用がある
• PII・社外秘の入出力フィルタが実装されている
• AI 出力の利用ポリシーを利用者に告知している

10 個以上 YES なら、本番ローンチの最低ラインを満たしています。

自社ドメインのコンテンツマーケで取りに行くべき KW です（検索ボリュームは Tufe Company の定性推定）。

• 「Claude API Python サンプル」
• 「Claude API Node.js 実装」
• 「Claude Prompt Caching 実装」
• 「Claude Tool Use Python」
• 「Claude MCP サーバー 作り方」
• 「Claude Batch API 使い方」
• 「Claude Bedrock vs Vertex 比較」
• 「Claude n8n 連携」
• 「Claude Dify 接続」
• 「Claude レート制限 対策」

A. Sonnet 4.6 + Prompt Caching の最小テンプレ（Python）

import anthropic
client = anthropic.Anthropic()

SYSTEM_PROMPT = open("system_prompt.md").read()  # 5K-100K tokens

def ask(user_input: str) -> str:
    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=1024,
        system=[
            {"type": "text", "text": SYSTEM_PROMPT,
             "cache_control": {"type": "ephemeral"}}
        ],
        messages=[{"role": "user", "content": user_input}],
    )
    print(f"cache_read: {response.usage.cache_read_input_tokens}")
    return response.content[0].text

B. Tool use の最小エージェントループ（Python）

def agent_loop(client, tools, tool_funcs, initial_message, max_steps=10):
    messages = [{"role": "user", "content": initial_message}]
    for _ in range(max_steps):
        resp = client.messages.create(
            model="claude-sonnet-4-6", max_tokens=1024,
            tools=tools, messages=messages,
        )
        if resp.stop_reason == "end_turn":
            return resp.content[0].text
        messages.append({"role": "assistant", "content": resp.content})
        tool_results = []
        for block in resp.content:
            if block.type == "tool_use":
                result = tool_funcs[block.name](**block.input)
                tool_results.append({
                    "type": "tool_result", "tool_use_id": block.id,
                    "content": str(result),
                })
        messages.append({"role": "user", "content": tool_results})
    raise RuntimeError("max steps reached")

C. n8n HTTP Request ノード設定（Anthropic 最新機能用）

URL:     https://api.anthropic.com/v1/messages
Method:  POST
Headers:
  x-api-key:         {{ $credentials.anthropic.apiKey }}
  anthropic-version: 2023-06-01
  content-type:      application/json
Body (JSON):
  {
    "model": "claude-sonnet-4-6",
    "max_tokens": 1024,
    "system": [{
      "type": "text", "text": "{{ $json.systemPrompt }}",
      "cache_control": {"type": "ephemeral"}
    }],
    "messages": [{"role": "user", "content": "={{ $json.userInput }}"}]
  }

• 失敗 1: PoC で Opus 4.7 を本番投入 → 想定の 1.67 倍コストになり継続不能 → 業務自動化は Sonnet 4.6 から
• 失敗 2: Prompt Caching を後回し → 100K × 100 回で $30 が $3.35 に落ちる機会損失
• 失敗 3: モデル ID をハードコード → 廃止予定モデル（Sonnet 4 / Opus 4）に依存し、2026-06-15 で停止
• 失敗 4: Tool use の strict: true 未指定 → スキーマ違反でパースエラー多発
• 失敗 5: エージェントループに最大ステップ数なし → ツール無限ループでコスト爆発（ハルシネーションとは）

• Anthropic 公式 — API Reference (Messages) — Messages API の全引数・レスポンス
• Anthropic 公式 — Pricing — モデル別価格・Prompt Caching・Batch API・Server tools
• Anthropic 公式 — Models Overview — モデル一覧・廃止スケジュール
• Anthropic 公式 — Tool Use — Tool use と MCP connector のリファレンス
• Anthropic 公式 — Prompt Caching — cache_control 設計の公式ガイド
• Anthropic 公式 — Rate Limits — Tier 1〜4 のレート制限
• Model Context Protocol — Specification — MCP プロトコル仕様
• MCP Servers リポジトリ — 公式・コミュニティ実装の一覧
• 総務省 — AI 利活用ガイドライン（取得 2026-05） — 国内事業者向け指針
• 経済産業省 — AI 事業者ガイドライン（取得 2026-05） — 事業者向けガバナンス

Tufe Company は AI・SEO・Web 制作・自動化を手がける会社です。自社の .claude/ ワークフローで 17 専門エージェント体制（pSEO writer・コードレビュー・サイト監査・QA-Pro 等）を運用しており、Claude API・MCP・Prompt Caching・Tool use のすべてを「自分たちの業務に流して効果検証している」ドッグフーディング会社として伴走します（※ Tufe Company 内部運用 / 2026-05時点、.claude/agents/ と .claude/commands/ の定義数を集計）。

最初の 45 分は、契約前提なしで。御社の業務 1 つ（議事録 / 契約レビュー / 提案書ドラフト / 社内 FAQ / コーディング支援のいずれか）を題材に、Claude のどのモデルをどの設計で当てれば月いくらで成立するかを、書面で受け取れる形で提示します。

• オンライン 45 分・無料
• 契約前提ではない
• 書面で実装ステップを提示
• 7 日間返金保証つきの有償プロダクトも併設

Tufe Company の Claude 関連プロダクト群:

• T2（受託・¥298,000β）: AI Search Integration Pack ／ LLMO Optimization Pack ／ n8n・Dify ワークフロー受託 — 要件定義 → 設計 → 実装 → 引き渡しまでの一括パッケージ
• T3（月次運用・¥49,800/月β）: 継続的なモデル更新追従・Prompt Caching 最適化・MCP サーバー保守
• カスタム開発: AI Automation ／ JobDoneBot Enterprise — オンプレ LLM・社内 AI 基盤を含めた要件定義

/claude ハブで業務別の Claude 導入パターン 10 件を一覧できます。具体的な相談は /contact から。

1. 本記事の「Claude API 実装セルフチェック」で自社の準備状況を 10 分点検する（10 個以上 YES なら本番ローンチ準備済）
2. pip install anthropic（または npm install @anthropic-ai/sdk）で Sonnet 4.6 の最小コードを 30 分で動かす
3. 同じ前提を送る業務（社内マニュアル QA・FAQ 応答・議事録要約のいずれか）を 1 つ選び、Prompt Caching で 5 分キャッシュを実装してヒット率を計測する
4. MCP の公式 Filesystem / GitHub サーバーを Claude Desktop に接続し、手元のフォルダや社内 GitHub Issue を触らせて感触を掴む
5. 45 分・無料・契約前提なしの相談を /contact で予約する（書面で実装ステップを受け取れる形）

関連ピラー記事

• Claude 導入完全ガイド 2026 — モデル選定・価格・業務適用 5 シーン
• Claude LLMO 最適化ガイド 2026
• Claude 士業実装ハンドブック 2026

関連比較記事

• ChatGPT vs Claude — ビジネス利用での選び方
• OpenAI API vs Anthropic API — 開発者向け比較
• Dify vs n8n — オーケストレーション基盤の選定
• Dify vs LangChain — エージェントフレームワーク比較

関連用語集

• Claude とは
• Anthropic とは
• API とは
• MCP（Model Context Protocol）とは
• Tool use とは
• Function Calling とは
• Prompt Caching とは
• コンテキストウィンドウとは
• RAG（検索拡張生成）とは
• プロンプトエンジニアリングとは
• AI エージェントとは
• Dify とは
• n8n とは
• ハルシネーションとは

関連ブログ

• Dify AI ワークフロー構築ガイド
• n8n 自動化ガイド
• AI エージェントで業務自動化するための実践ガイド
• SEO/MEO/LLMO 業界の数字俗説 30 件

関連プロダクト

• AI Search Integration Pack
• LLMO Optimization Pack
• n8n・Dify ワークフロー受託
• AI Automation（カスタム開発）
• JobDoneBot Enterprise
• /claude ハブ

※ 本記事の Claude モデル価格・API スペック値は、Tufe Company の内部 SOT（lib/claude-model-data.ts）で WebFetch により1次出典確認済の値を引用しています。半期ごとに Anthropic 公式 docs と再照合する運用を取っており、次回再照合は 2026-11 予定。最新値は Anthropic Pricing と Claude Models Overview を直接確認してください。