NBA MCPサーバー

「NBA」MCPサーバーは何をするのか？

NBA MCPサーバーは、AnthropicのClaudeなどのAIアシスタントを強化するために設計されたModel Context Protocol（MCP）サーバーです。オープンソースのnba_apiと連携し、LLMが最新のNBA試合スコア、選手統計、高度なアナリティクスを取得できるようにします。従来はモデルの知識制約により取得できなかったデータをリアルタイムで取得可能にし、AI開発ワークフローにおける動的なデータベースクエリやNBA試合・選手パフォーマンスなどのライブデータ取得を可能にします。これにより、AIアシスタントが実世界のスポーツデータとよりインタラクティブに分析できるようになります。

プロンプト一覧

リポジトリにプロンプトテンプレートは指定されていません。

リソース一覧

リポジトリに明示的なリソースはありません。

ツール一覧

• 最終スコアの取得
  昨日または直近に行われた全NBA試合の最終スコアを取得します。

• 基本選手スタッツの取得
  昨日または以前の試合に出場した全選手の得点、リバウンド、アシスト（P/R/A）を取得します。

• 詳細選手スタッツの取得
  昨日または過去に行われた試合の選手について、PTS、REB、AST、STL、BLK、TO、PLUS_MINUS、MINを含む詳細なスタッツを取得します。

• フォーファクターの取得
  昨日または直近に行われた全NBA試合の「フォーファクター」高度アナリティクスを取得します。

このMCPサーバーのユースケース

• リアルタイムNBA試合サマリー
  開発者はAIアシスタントに最新のNBA試合に関する質問へ、最新スコアや結果で回答させることができます。

• 詳細な選手パフォーマンス分析
  選手ごとの統計を取得できるため、試合後レポート、ファンタジーバスケットボール分析、過去分析などに役立ちます。

• スポーツジャーナリズム向け高度アナリティクス
  フォーファクター等の指標を活用し、記事やコメント用に高度な統計を迅速に取得できます。

• 自動スポーツダッシュボード
  ダッシュボードツールと連携することで、NBA試合や選手パフォーマンスのライブアップデートをファンやアナリストに提供します。

• AI活用スポーツアプリケーション
  チャットボットやバーチャルアシスタントにNBA関連の最新データで回答させることが可能です。

セットアップ方法

Windsurf

1. Pythonがインストールされていることを確認し、リポジトリディレクトリで仮想環境をセットアップします。
2. 以下を実行:

   uv venv
   .venv\Scripts\activate
   uv pip install -e .
   

3. Windsurfの設定にNBA MCPサーバーを（サポートされていれば）追加します。
4. mcpServersオブジェクトにNBA MCPサーバーを適切なコマンド・引数で挿入します。
5. 設定を保存し、Windsurfサービスを再起動します。
6. テストクエリを実行してセットアップを確認します。

JSON例:

{
  "mcpServers": {
    "nba-mcp": {
      "command": "python",
      "args": ["nba.py"]
    }
  }
}

Claude

1. リポジトリをクローンし、上記と同様に環境をセットアップします。
2. 依存関係をインストール:

   uv venv
   .venv\Scripts\activate
   uv pip install -e .
   

3. Claudeの設定ファイルを編集し、NBA MCPサーバーを追加します。
4. mcpServersセクションへサーバーを追加します。
5. Claudeを再起動し、接続を確認します。

JSON例:

{
  "mcpServers": {
    "nba-mcp": {
      "command": "python",
      "args": ["nba.py"]
    }
  }
}

Cursor

1. リポジトリをクローンし、仮想環境をセットアップします。
2. 前述の方法で要件をインストールします。
3. Cursorの設定を編集し、NBA MCPサーバーを含めます。
4. サーバーエントリを追加し、保存します。
5. Cursorを再起動し、機能をテストします。

JSON例:

{
  "mcpServers": {
    "nba-mcp": {
      "command": "python",
      "args": ["nba.py"]
    }
  }
}

Cline

1. Pythonと仮想環境をセットアップします。
2. 上記と同様にNBA MCPサーバーをインストールします。
3. Clineの設定ファイルを編集します。
4. mcpServers配下にNBA MCPサーバーの詳細を追加します。
5. Clineを再起動し、テストを実行します。

JSON例:

{
  "mcpServers": {
    "nba-mcp": {
      "command": "python",
      "args": ["nba.py"]
    }
  }
}

APIキーの保護について

NBA MCPサーバーはオープンソースのnba_apiを利用するためAPIキーは不要です。将来APIキーが必要となった場合は、環境変数で安全に管理できます。

JSON例:

{
  "mcpServers": {
    "nba-mcp": {
      "command": "python",
      "args": ["nba.py"],
      "env": {
        "NBA_API_KEY": "${NBA_API_KEY}"
      },
      "inputs": {
        "NBA_API_KEY": "your_api_key_here"
      }
    }
  }
}

FlowHuntフロー内でのMCP利用方法

FlowHuntでMCPサーバーをワークフローに統合するには、まずMCPコンポーネントをフローに追加し、AIエージェントに接続します。

MCPコンポーネントをクリックして設定パネルを開き、システムMCP設定セクションに下記JSON形式でMCPサーバー情報を挿入します。

{
  "nba-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

設定が完了すると、AIエージェントはこのMCPの全機能・ツールへアクセス可能となります。なお、“nba-mcp"は実際のサーバー名に、URLはご自身のMCPサーバーURLに置き換えてください。

概要

現時点で公開されている情報に基づくと、NBA MCPサーバーはLLM向けリアルタイムスポーツデータ統合に有用ですが、プロンプトテンプレート、明示的なリソース定義、高度なMCP機能（ルート・サンプリング）に関するドキュメントが不足しています。機能面では十分ですが、シンプルな実装です。

MCPスコア

評価:
このMCPサーバーは10点中4点と評価します。コア機能（NBA統計ツール）や基本的なセットアップは満たしていますが、ドキュメント、リソース定義、プロンプトテンプレート、高度なMCP機能（ルート・サンプリング）が不足しています。オープンソース利用の観点からもライセンス未記載は大きな制約となります。