MCPオーケストレーター基盤構築（分散ノードを単一エージェントから統合制御する）
🔍 抽出済み ｜ 技術 ｜ 優先度：🟠 高
シリーズ: AI・IT実践シリーズ
目的（ゴール）
Node2（EVO-X1 / Ubuntu）にMCPサーバーをデプロイし、CBFラボ全ノード（Node1〜4）の計算資源・ログ・モデルファイルを単一エージェントから参照・制御できるオーケストレーション基盤を構築する。物理層の差異（CUDA/ROCm/NPU/Apple Silicon）を抽象化し、Node1のエージェント（Cursor / Claude Code等）からすべてのノードを透過的に操作できる状態を実現する。
アクター
- 著者（Manabazu）
- Node2（EVO-X1 Ubuntu）——MCPサーバーホスト・オーケストレーター
- Node1（Surface Pro 11 M1 / Cline / Claude Code）——MCPクライアント・制御端末
- Node3（RTX5070Ti / 4060Ti / 3060 + RX7900XTX）——推論ノード
- Node4（RADEON統合96GB VRAM）——大型モデル推論ノード
- QNAP NAS——ストレージ・ログ・モデルファイル管理
検証シナリオ
S1：MCP-01プロトタイプ（ログ集約）
Node3の /data/logs をMCP Filesystem Serverで公開。Node1からログを横断検索・AI分析できることを確認。
S2：モデルカタログ統合
Node3の /data/ai_models をMCP経由でインデックス化。Node1から「現在ロード可能なモデル一覧」をリアルタイム取得できる状態を実現。
S3：クロスノード命令実行
Node1から自然言語で「Node3でLlama3-8Bを起動してベンチマークを取れ」と指示 → MCP ServerがNode3へ命令発火 → 結果をNode1に返却するフローを確立。
S4：消費電力モニタリング
Node2がオーケストレーターとして各ノードの消費電力と推論効率をMCP経由で収集。エージェントが自律的に「最もコスト効率の高いノードに処理を振る」判断を行う。
対応リスク
期待成果
- CBFラボ全体が「単一のAIエージェントが制御するコンピューティング環境」として機能
- UC260506-003（GPU推論自動比較）・UC260506-004（NAS-RAG）の前提インフラとして機能
- 将来的な自律エージェントによるラボ自動運用の基盤