TokenLab for Agents：機械可読なモデル、価格設定、SDK、およびMCP

TokenLab MCPは、読み取り専用のModel Context Protocol (MCP) サーバーです。コーディングエージェントが統合コードを1行も書く前に、TokenLabの公開モデルカタログ、価格設定、API概要へ直接かつ構造化されたアクセスを提供します。これは、「現在どのモデルIDが存在するか」「それらのコストはいくらか」「どのモダリティをサポートしているか」といった発見に関する疑問に答えるものであり、ユーザーに代わって有料の推論APIを呼び出すことはありません。

多くのエージェント統合におけるバグは、最初のAPI呼び出しで発生するのではなく、それよりも前、つまりエージェントが古いサンプル、キャッシュされたメモリ、あるいは6ヶ月前のチュートリアルからモデルIDを選択し、404エラーや予期せぬ価格設定に直面した後に初めて不整合に気づくことで発生します。

コーディングエージェントは高速に記述します。しかし、常に最初に読み込むとは限りません。TokenLabはTokenLab MCPと併せて、コンパクトな llms.txt、より詳細な llms-full.txt、そして公開モデルデータJSONファイルを公開しています。これらは、ユーザー自身が閲覧できるモデルカタログや価格設定ページと同じ情報源であり、エージェントが何かをハードコードする前に現在のモデルIDとコストを確認できるようにするためのものです。

この記事では、それらのインターフェースが何であり、何ではないのか、そしてエージェントがモデル名をハードコードする前にそれらを使用するように設定する方法を解説します。エンドポイントの完全なリファレンスについては、統合ドキュメントを参照してください。

主なポイント

• TokenLabは、api.tokenlab.sh/llms.txt および llms-full.txt にてエージェントが読み取り可能なAPI概要を公開しており、Webドメインからも同じソースへリダイレクトされます。
• 公開モデルデータセンターのファイル（カタログJSON、最新JSON、トレンドJSON、サマリーMarkdown）は、TokenLabが現在提供している内容のクエリ可能なスナップショットをエージェントに提供します。
• TokenLab MCPサーバーは list_models、get_model、 get_model_pricing、get_api_overview を公開しており、読み取り専用です。有料推論のプロキシではありません。
• 公開ドキュメントでは、モデル名をハードコードする前にエージェントが /v1/models を呼び出すか llms.txt を読み取ることを推奨しています。また、画像、動画、埋め込みなどの非チャットタスクには recommended_for フィルタリングを使用することを推奨しています。
• 失敗した非チャットリクエストを再試行する前にモデルおよび価格設定エンドポイントを読み取ることで、間違ったモデルファミリーに対して繰り返し失敗した呼び出しを行うことを回避できます。

なぜエージェントは古いモデルIDを選択してしまうのか

コーディングエージェントは、現在利用可能な情報ではなく、トレーニング中に学習した内容からモデルIDを生成します。そのトレーニングデータにはカットオフがあるため、エージェントの「現在のモデル」に対する内部認識は、重みが最後に更新された時点の真実に固定されています。エージェントにモデルAPIを呼び出すよう依頼すると、たとえそのIDがその後名前変更、非推奨、あるいは置き換えられていたとしても、記憶しているIDを自信を持って選択します。

これはエージェントの推論におけるバグではなく、ライブ検索ではなく記憶された知識に依存するあらゆるシステムが持つ構造的な制限です。解決策はより賢いプロンプトではなく、コードを書く前にエージェントが確認できる場所を提供することです。

それこそがTokenLabのモデルデータファイルとAPIが存在する理由です。リクエストを生成する前に、エージェント（またはその出力をレビューする人間）はライブエンドポイントにクエリを投げて、モデルIDが実際に存在するか、どのモダリティをサポートしているか、コストはいくらかを確認できます。記憶から引き出した名前に頼る必要はありません。

エンドポイント	目的
https://tokenlab.sh/model-data/catalog.json	プログラムによる検索用に構造化された、追跡対象モデルの完全カタログ
https://tokenlab.sh/model-data/latest.json	軽量でエージェントフレンドリーな形式の現在のモデルリスト
https://tokenlab.sh/en/models	人間が読み取り可能なモデルブラウザ
https://tokenlab.sh/en/pricing	モデルおよびモダリティ別の現在の価格設定

ブログ記事（この記事を含む）はスナップショットです。執筆時点での真実を反映しており、エージェントのトレーニングデータと同様に、時間の経過とともに古くなっていきます。ライブエンドポイントにはその問題がありません。それらは「今」の真実を反映しているため、コードを公開する前に確認すべき安全な情報源となります。

TokenLabがエージェントの発見のために公開しているもの

llms.txtレイヤー

https://api.tokenlab.sh/llms.txt は、APIのコンパクトでエージェントが読み取り可能な概要です。どのようなエンドポイントが存在し、リクエストがどのような形式で、どこに詳細情報があるかが記載されています。エージェントが状況を把握するために大量のトークン予算を消費することなく、単一のコンテキストウィンドウで読み取れる短さに設計されています。

https://api.tokenlab.sh/llms-full.txt は、より詳細なバージョンです。エンドポイントの詳細、例、そしてエージェントがラフドラフトではなく動作する統合コードを生成するために必要な情報が網羅されています。

APIホストではなくWebドメインにアクセスした場合でも、tokenlab.sh/llms.txt および tokenlab.sh/llms-full.txt は同じAPIホストのソースへリダイレクトされます。これはエージェントにとって重要です。どのエントリポイントをクロールまたはフェッチしても、2つの異なるコピーではなく、同じ正規のテキストに到達するためです。

モデルデータセンター

テキスト概要に加えて、TokenLabはエージェント（またはビルドスクリプト）が直接取得できる構造化されたJSONファイルを公開しています。

• https://tokenlab.sh/model-data/catalog.json — より詳細なモデルカタログ。
• https://tokenlab.sh/model-data/latest.json — 現在の状況に焦点を当てたスナップショット。
• https://tokenlab.sh/model-data/summary.md — 人間およびエージェントが読み取り可能なMarkdownサマリー。コードベースで現在ハードコードされている内容との差分を素早く確認するのに便利です。

これらは静的でフェッチ可能なファイルです。設定ファイル、.envテンプレート、またはモデル選択ドロップダウンを構築するエージェントは、2週間後には古くなってしまうモデルリストを人間に貼り付けてもらうのではなく、JSONを直接取得できます。

MCPサーバー — 読み取り専用であることの重要性

https://github.com/hedging8563/tokenlab-mcp-server は公開されています。これには発見に関連する4つのツールが公開されています。

• list_models — 利用可能なモデルを列挙（フィルタリング可能）。
• get_model — 特定のモデルIDの詳細を取得。
• get_model_pricing — 特定のモデルの現在の価格を取得。
• get_api_overview — llms.txt を読み取ることに相当するMCPネイティブな機能。

重要な制約として、このサーバーは読み取り専用です。ユーザーに代わって有料の推論APIを呼び出すことはなく、生成リクエストをプロキシすることもありません。モデル、価格設定、APIの形状に関する疑問に答えるものです。エージェントが実際に推論を実行する必要がある場合は、引き続き自身のキーを使用してTokenLabの通常のAPIを介して行います。MCPサーバーは発見レイヤーであり、実行レイヤーではありません。この2つを混同することはよくある間違いであり、作成するエージェントのプロンプトやスキルファイルで明示的に避ける価値があります。

TokenLab MCPの発見例

TokenLabは、コーディングエージェントが推論を実行することなく利用可能なモデルや価格を発見できる、読み取り専用のModel Context Protocol (MCP) サーバーを公開しています。MCPサーバーは4つのツールを提供します。

• list_models — 利用可能なモデルを一覧表示（recommended_for でフィルタリング可能。例：image、video、embedding、rerank、translation）
• get_model — 特定のモデルの詳細を取得
• get_model_pricing — 特定のモデルの価格情報を取得
• get_api_overview — TokenLab APIの概要を取得

例：MCP経由でモデルを一覧表示する

{
  "tool": "list_models",
  "arguments": {}
}

例：推奨用途でモデルをフィルタリングする

{
  "tool": "list_models",
  "arguments": {
    "recommended_for": "image"
  }
}

MCPを経由せず、APIを直接クエリしたい場合、同等のREST呼び出しは以下の通りです。

# 全モデルを一覧表示
curl https://api.tokenlab.sh/v1/models \
  -H "Authorization: Bearer sk-KEY"

# 画像タスクに推奨されるモデルを一覧表示
curl "https://api.tokenlab.sh/v1/models?recommended_for=image" \
  -H "Authorization: Bearer sk-KEY"

MCPサーバーは厳密に読み取り専用であることに注意してください。これは発見（モデルのリストアップ、価格の確認、API機能の確認）を目的としており、それ自体で推論を実行することはありません。

セットアップ手順と統合の詳細については、以下を参照してください。

• TokenLab MCP Server
• Coding Agent Skill

スキルリポジトリ

https://github.com/hedging8563/tokenlab-skills は、この発見パターンをコーディングエージェントフレームワークが直接読み込める形式にパッケージ化しています。これは、「TokenLabの統合コードを書く前にこれを読みなさい」とエージェントに指示するスキル定義であり、エージェントが独自に確認するかどうかを判断することに頼る必要はありません。

推奨されるエージェントワークフロー

公開ドキュメントでは特定の順序が説明されており、実践においても非常に有効です。

1. モデル名をハードコードする前に、/v1/models を呼び出すか llms.txt を読み取り、IDが現在実際に存在することを確認する。
2. 非チャットタスク（画像、動画、音楽、3D、TTS、STT、埋め込み、再ランク、翻訳）の場合、チャット指向のモデルがタスクを処理できると想定したり、記憶からモデル名を推測したりするのではなく、/v1/models?recommended_for=<task> でフィルタリングする。
3. 失敗した非チャットリクエストを再試行する前に、/v1/models/:model および /v1/models/:model/pricing を読み取る。間違ったモダリティのモデルに対するリクエストが失敗した場合、同じ入力で再試行しても再び失敗することが多いため、モデルの実際のモダリティと価格を先に確認することで再試行ループを回避できる。

この順序が重要なのは、最も一般的な2つの失敗モード（間違ったモデルID、タスクに対して間違ったモデルファミリー）を先制的に防ぐためです。

エージェントへの組み込みチェックリスト

ステップ	確認事項	場所
1	このモデルIDはまだ解決可能か？	/v1/models または llms.txt
2	タスクに対して正しいモデルファミリーか（チャット vs 画像 vs 埋め込みなど）？	/v1/models?recommended_for=<task>
3	このモデルの現在の入出力価格はいくらか？	/v1/models/:model/pricing または get_model_pricing (MCP)
4	コンテキストウィンドウとモダリティは何か？	/v1/models/:model または get_model (MCP)
5	これに取って代わる類似名の新しいモデルがあるか？	catalog.json / latest.json
6	エージェントは統合コードを生成する前に llms.txt を読み込んだか？	エージェントのツール呼び出しログで確認

エージェントがステップ1と2をスキップすると、再試行、エラーハンドリング、コスト見積もりなど、その後のすべてが事実ではなく仮定に基づいて構築されてしまいます。

非チャットタスクにおいてこれが特に重要な理由

チャットモデルが注目を集めがちですが、recommended_for フィルタが存在するのは、非チャットタスクがより目立たない形で失敗するためです。テキスト生成用に構築されたモデルが画像リクエストに対して不正なレスポンスを返した場合、常に明確で自己説明的なエラーを投げるわけではありません。エージェントが解析方法を知らない何かを返すだけの場合もあります。

recommended_for=image、recommended_for=video、recommended_for=embedding などでフィルタリングすることで、エージェントがリクエストボディを書く前に候補セットを絞り込めます。モデルカタログに存在する画像生成エントリの多さ（nano-banana-2 (Gemini 3.1 Flash Image)、nano-banana-pro (Gemini 3 Pro Image)、nano-banana-2-lite (Gemini 3.1 Flash Lite Image)、openai/gpt-image-2、reve/reve-2.0、microsoft/mai-image-2.5 など）を考えると、記憶から「画像モデル」を推測することは、まさにこのワークフローが防ごうとしている失敗モードそのものです。動画生成にはそれぞれ異なる価格とモダリティを持つタスク固有のモデル（seedance、veo-3など）があり、同じフィルタリングロジックが適用されます。

ここで挙げた特定のモデルの正確な現在の価格、コンテキスト制限、モダリティについては、モデルカタログおよび価格設定ページを直接確認してください。ブログ記事にハードコードしないことの意義はそこにあります。エージェント駆動の開発作業のためにモデルを評価している場合は、2026年のコーディングに最適なAIモデルを参照してください。

これが行わないこと

ワークフロー自体と同じくらい、ここを正確に理解することが重要です。

• MCPサーバーは有料の推論を実行しません。発見に関する疑問に答えるだけです。実際の生成リクエストを実行するには、引き続き自身の認証情報を使用して標準APIを介する必要があります。
• llms.txt およびモデルデータセンターのファイルは定期的なスナップショットであり、ライブデータベース接続ではありません。更新タイミングは厳密なスケジュールに固定されていないため、これらのページの日付は概算として扱ってください。価格や安全性に敏感な事項については、価格設定エンドポイントおよびダッシュボードAPIがリクエスト時点での信頼できる情報源となります。
• これらは、認証、レート制限、エラーハンドリングのセマンティクスに関する完全なAPIドキュメントを読むことに代わるものではありません。発見インターフェースはエージェントに何が存在するかを伝えますが、正しく呼び出す方法についての統合ドキュメントに代わるものではありません。

FAQ

エージェントはTokenLabモデルを選択する前に何を読み込むべきですか？ モデルIDをハードコードする前に、llms.txt（または詳細な llms-full.txt）を読み込み、/v1/models を呼び出してください。非チャットタスクの場合は、記憶からモデル名を推測するのではなく、recommended_for でフィルタリングしてください。

TokenLab MCPは有料の推論APIを呼び出しますか？ いいえ。公開されているTokenLab MCPサーバーは読み取り専用です。そのツール（list_models、get_model、get_model_pricing、get_api_overview）は、モデルと価格に関する発見的な疑問に答えるものです。実際の推論呼び出しは、自身のキーを使用して標準API経由で行われます。

エージェントはいつ recommended_for を使用すべきですか？ タスクが単純なチャットではない場合（画像、動画、音楽、3D、TTS、STT、埋め込み、再ランク、翻訳など）は常に使用してください。タスクでフィルタリングすることで、チャット指向のモデルが処理できると想定するのではなく、そのモダリティのために構築されたバリアントにモデルリストを絞り込めます。

これは生成コード内の古いモデルIDをどのように削減しますか？ 発見を後回しではなく最初のステップにすることで削減します。llms.txt を読み込み、/v1/models を確認し、コードを書く前に価格を確認するエージェントは、数世代前のモデルである可能性があるトレーニング時の記憶ではなく、現在のスナップショットに基づいて作業を行います。

ソースと鮮度

• TokenLab llms.txt — https://api.tokenlab.sh/llms.txt — 2026-07-09に確認
• TokenLab llms-full.txt — https://api.tokenlab.sh/llms-full.txt — 2026-07-09に確認
• TokenLab MCP Server docs — https://docs.tokenlab.sh/integrations/tokenlab-mcp-server — 2026-07-09に確認
• TokenLab API Integration Skill docs — https://docs.tokenlab.sh/integrations/coding-agent-skill — 2026-07-09に確認
• TokenLab MCP Server repository — https://github.com/hedging8563/tokenlab-mcp-server — 2026-07-09に確認
• TokenLab Skills repository — https://github.com/hedging8563/tokenlab-skills — 2026-07-09に確認
• TokenLab Model Data Center — https://tokenlab.sh/model-data/catalog.json, https://tokenlab.sh/model-data/latest.json, https://tokenlab.sh/model-data/summary.md — 2026-07-09に確認

この記事のモデルID、価格設定、モダリティの詳細には、執筆時点のスナップショットが反映されています。この記事やllms.txtのようなスナップショットページは定期的に更新されますが、固定された、あるいは保証された頻度ではありません。再試行ロジックやコスト見積もりを想定された更新間隔に基づいて構築しないでください。統合コードを公開する前に、価格設定ページおよびモデルカタログで現在の値を検証してください。モデルファミリー全体にわたる価格設定の構造については、開発者向けGemini API価格設定を参照してください。

TokenLab MCPの次のステップ

モデル発見のためにTokenLab MCPの使用を開始するには：

1. TokenLabダッシュボードからAPIキーを取得します。
2. コーディングエージェント統合ガイドに従ってエージェントを接続します。
3. tokenlab.sh/en/models でカタログを直接閲覧し、現在のモデルカバレッジとメタデータを確認します。
4. tokenlab.sh/en/pricing で使用予定のモデルの価格を確認します。

どのモデルがワークフローに適しているかを検討している場合は、2026年のコーディングに最適なAIモデルおよび開発者向けGemini API価格設定の分析を参照してください。

MCPは厳密に発見レイヤーであることを忘れないでください。モデルのメタデータ、機能、価格を提示し、エージェントが情報に基づいた決定を行えるようにするためのものです。実際の推論呼び出しは、引き続き自身のAPIキーを使用して標準のTokenLab APIを介して行われます。MCPがリクエストをルーティングしたりプロキシしたりすることはありません。