모델 컨텍스트 프로토콜(MCP)이란 무엇인가요?

다중 에이전트 시스템을 구축하려고 시도했지만 각 전문 에이전트 간에 정보를 효과적으로 전파하는 데 어려움을 겪은 적이 있습니까? AI 에이전트에 제공되는 다양한 사전 구축 도구와 사용자 지정 도구로 인해 도구 실행이나 출력 구문 분석에 오류가 발생합니까? 아니면 이러한 관련 문제로 인해 자체 에이전트를 개발하는 것을 완전히 포기하게 되었습니까?

이러한 장애는 모델 컨텍스트 프로토콜(MCP)을 통해 해결할 수 있습니다. MCP를 사용하면 AI 에이전트가 도구 통합을 위한 표준화된 프로토콜을 준수하면서 컨텍스트를 인식할 수 있습니다.

AI 에이전트는 사용자 또는 다른 시스템을 대신하여 자율적으로 작업을 수행할 수 있는 시스템 또는 프로그램입니다. 워크플로를 설계하고 사용 가능한 도구를 활용하여 작업을 수행합니다. 다중 에이전트 시스템은 사용자 또는 다른 시스템을 대신하여 작업을 수행하기 위해 공동으로 작동하는 여러 AI 에이전트로 구성됩니다.

AI 애플리케이션에서 MCP는 USB-C 포트가 하드웨어에서 수행하는 역할과 동일한 기능을 제공합니다.¹ 이 비유는 USB-C 포트가 하드웨어를 연결하는 데 제공하는 적응성과, MCP를 통해 다양한 도구와 데이터 소스가 AI 모델에 컨텍스트를 제공하는 표준화된 방식과 비교해 강조합니다.

Granite, Gemini 및 Llama와 같은대규모 언어 모델(LLM)은 단독으로 배포할 때 기능이 제한됩니다. AI 도구가 없는 LLM은 다음과 같은 여러 영역에 능숙합니다.

• 후속 텍스트 예측: LLM이 "철수와 영희가 같이..."와 같은 문장을 완성하라는 프롬프트는 "철수와 영희가 같이 언덕에 올랐다"는 정확한 예측 결과가 출력됩니다. 이 프롬프트와 응답은 후속 텍스트 예측의 예시이며, 모델이 학습된 텍스트에서 가장 잘 작동합니다.
• 기본 Q&A: LLM은 자체적으로 외부 데이터베이스나 웹 검색에 액세스할 수 없기 때문에 모델 학습에 사용된 데이터의 정보와 관련된 자연어 질문에 답할 수 있습니다. 주요 세계 대전에 대한 이 정보는 범용 모델의 학습 데이터에 포함될 가능성이 높기 때문에 "베르사유 조약에 대해 알려주세요"라는 문장을 예시로 들 수 있습니다. LLM은 종종 챗봇 형태로 이러한 텍스트 생성을 수행합니다.
• 감정 분석: LLM은 텍스트를 처리하고 텍스트가 긍정적, 부정적 또는 중립적인 감정을 표현하는지를 판단할 수 있습니다.
• 언어 번역: LLM은 다양한 언어와 지역 간 텍스트를 번역할 수 있습니다. 그러나 모든 LLM이 둘 이상의 언어로 된 데이터에 대해 학습된 것은 아닙니다.

기본 기능 외에도 외부 도구에 액세스할 수 없는 LLM은 실시간 정보에 액세스해야 하는 사용자 쿼리를 성공적으로 실행할 수 없습니다. LLM에게 더 의미 있는 결과를 생성할 기회를 제공하기 위해 도구 통합을 도입할 수 있습니다. 웹 검색, 데이터 세트, API와 같은 외부 도구를 제공하면 LLM이 학습 데이터를 넘어 기능을 확장하도록 할 수 있습니다.

한 단계 더 나아가 LLM과 사용 가능한 도구를 사용하여 AI 에이전트를 구축할 수 있습니다. 요약하자면, 에이전틱 시스템은 LLM에 도구 세트를 제공하여 모델이 적절한 도구 사용을 결정하고 변화하는 환경에 적응하며 도구 아웃풋을 기반으로 종합된 결론을 형성할 수 있도록 합니다. 그러나 이러한 AI 시스템은 대규모로 적용될 때 실패하는 경향이 있습니다. 따라서 Anthropic이 2024년에 도입한 MCP는 AI 도구 상호 작용을 위한 개방형 표준을 수립합니다.²

LLM에 외부 서비스를 연결하는 것은 번거로운 일입니다. 모터를 다양한 전원에 연결하는 전기 회로를 상상해 보세요. MCP는 이 회로의 배선 및 배전반과 같습니다. 모터(AI 모델)에 어떤 전류(정보)를 보낼지 결정합니다. 도구 아웃풋 또는 모델 컨텍스트는 입력 전류에 비유할 수 있으며, 이는 전원에서 흐르는 전압이며 메모리, 도구 및 과거 결과를 포함할 수 있습니다.

배전반 역할을 하는 MCP는 연결할 전원(도구 아웃풋 또는 컨텍스트)과 연결할 시기를 결정하고, 전류(정보 스트림)를 조정하며 입력을 필터링하고 우선순위를 지정합니다. 이는 관련 전선에만 전원이 공급되게 하고(관련 컨텍스트가 로드됨) 회로의 타이밍 및 라우팅을 관리해 시스템에 과부하가 걸리지 않도록 합니다.

잘 설계된 회로가 과부하를 방지하고 효율적인 전력 사용을 보장하는 것처럼, MCP는 최적의 AI 모델 성능을 위해 효율적이고 관련이 있으며 구조화된 컨텍스트 사용을 촉진하는 커넥터 역할을 합니다.

MCP는 AI 엔지니어들이 동의할 수 있는 새로운 오픈 소스 표준을 수립합니다. 그러나 표준은 소프트웨어 업계에서 새로운 개념이 아닙니다. 예를 들어 REST API는 REST 설계 원칙에 부합하는 HTTP 요청을 통해 애플리케이션 간에 일관된 데이터 교환을 제공하는 업계 표준입니다.

마찬가지로 MCP는 표준을 설정하여 LLM과 외부 서비스를 통합하여 효율적으로 통신합니다. 이 표준은 각 도구의 통합을 위한 코드를 작성하는 대신 '플러그 앤 플레이' 도구를 사용할 수 있도록 합니다.

MCP는 에이전트 프레임워크가 아니라, 에이전트가 도구에 액세스하기 위한 표준화된 통합 계층으로, 에이전트 오케스트레이션 프레임워크를 보완합니다. MCP는 LangChain, LangGraph, BeeAI, LlamaIndex, crewAI와 같은 에이전트 오케스트레이션 프레임워크를 보완할 수 있지만, 이를 대체하지는 않습니다. MCP는 도구가 호출되는 시기와 목적을 결정하지 않습니다.

MCP는 도구 통합을 간소화하기 위한 표준화된 연결을 제공합니다.³ 궁극적으로 LLM가 사용자 요청의 컨텍스트에 따라 호출할 도구를 결정합니다.

MCP 클라이언트/서버 모델은 세 가지 주요 아키텍처 구성 요소로 나눌 수 있습니다.

AI 애플리케이션은 사용자 요청을 수신하고 MCP를 통해 컨텍스트에 액세스합니다. 이 통합 계층에는 Cursor 또는 Claude Desktop과 같은 IDE가 포함될 수 있습니다. 여기에는 오케스트레이션 로직이 포함되어 있으며 각 클라이언트를 서버에 연결할 수 있습니다. 여기에는 오케스트레이션 로직이 포함되어 있으며 각 클라이언트를 서버에 연결할 수 있습니다.⁴

MCP 에코시스템에서 호스트와 서버 간의 통신은 클라이언트를 통해 이루어져야 합니다. 이 클라이언트는 호스트 내에 존재하며 사용자 요청을 개방형 프로토콜이 처리할 수 있는 구조화된 형식으로 변환합니다. 단일 MCP 호스트에 여러 클라이언트가 존재할 수 있지만, 각 클라이언트는 MCP 서버와 1:1 관계를 갖습니다.

MCP 클라이언트의 예로는 IBM® BeeAI, Microsoft Copilot Studio, Claude.ai, Windsurf Editor, Postman 등이 있습니다. 클라이언트는 중단, 시간 초과, 재연결, 세션 종료를 처리하여 세션 관리자 역할을 합니다. 클라이언트는 또한 응답을 구문 분석하고, 오류 처리를 수행하며, 응답이 컨텍스트와 관련이 있고 적절한지 확인합니다.⁴

사용자 요청을 서버 작업으로 변환하여 LLM에 컨텍스트를 제공하는 외부 서비스입니다. MCP 서버 통합의 예로는 Slack, GitHub, Git, Docker 또는 웹 검색이 있습니다. 이러한 서버는 일반적으로 다양한 프로그래밍 언어(C#, Java™, TypeScript, Python 등)로 사용할 수 있는 GitHub 리포지토리이며 MCP 도구에 대한 액세스를 제공합니다.

이러한 GitHub 리포지토리 내에서 기술 구현을 돕기 위한 튜토리얼을 일반적으로 찾을 수 있습니다. MCP 서버는 IBM 및 OpenAI와 같은 AI 플랫폼 공급업체를 통해 LLM 추론을 MCP SDK에 연결하는 데에도 사용할 수 있습니다. 이를 통해 클라이언트가 '표준화된' 채팅 도구로 액세스할 수 있으며 재사용 가능한 MCP 서비스가 생성됩니다.

MCP 서버는 내부 및 외부 리소스와 도구 모두에 연결할 수 있으므로 다양하게 활용할 수 있습니다. Anthropic에서 제공한 문서에 따르면 모델 컨텍스트 프로토콜 서버는 다음을 통해 데이터를 노출합니다.

• 리소스: 내부 또는 외부 데이터베이스에서 정보를 검색합니다. 리소스는 데이터를 반환하지만 실행 가능한 계산을 실행하지는 않습니다.⁵
• 도구: API 요청을 통해 계산 또는 데이터 가져오기와 같은 부수적 효과를 수행할 수 있는 도구와의 정보 교환입니다.⁶
• 프롬프트: LLM-서버 통신을 위한 재사용 가능한 템플릿 및 워크플로입니다.⁷

클라이언트와 서버 간의 전송 계층은 양방향 메시지 변환을 담당합니다. 클라이언트-서버 스트림에서 MCP 프로토콜 메시지는 JSON-RPC 형식으로 변환되어 여러 데이터 구조와 해당 처리 규칙을 전송할 수 있습니다.⁸

역방향 서버-클라이언트 스트림에서 JSON-RPC 형식으로 수신된 메시지는 다시 MCP 프로토콜 메시지로 변환됩니다.⁹ 세 가지 JSON-RPC 메시지 유형에는 요청, 응답, 알림이 포함됩니다. 요청에는 서버의 응답이 필요하지만 알림은 그렇지 않습니다.

클라이언트와 서버 간의 전송 계층에는 MCP 프로토콜에 대한 두 가지 주요 전송 방법이 있으며, 둘 다 JSON-RPC 2.0 형식으로 메시지를 전송합니다. 첫 번째는 간단한 입출력 정보 전송으로 인해 로컬 리소스를 통합하는 데 가장 적합한 표준 입출력(stdio)입니다. 이 형식은 가벼운 동기식 메시징에 사용됩니다.⁴ 이러한 리소스에는 로컬 파일 시스템, 데이터베이스 및 로컬 API가 포함됩니다.

두 번째는 원격 리소스를 통합하는 데 가장 적합한 SSE(서버 전송 이벤트)입니다. HTTP POST 요청은 클라이언트-서버 메시지를 전송하는 메커니즘 역할을 하며 SSE는 그 반대로 사용됩니다. 이 형식은 여러 비동기 이벤트 기반 서버 호출을 한 번에 처리하는 데 사용할 수 있습니다.⁴

받은 편지함을 스캔하여 고객 회의 일정을 잡고, 주식 업데이트를 보내며, 지난 한 시간의 Slack 활동에 대한 요약을 문자로 보내는 실제 AI를 상상해 보세요. 모든 서비스 공급자는 서로 다른 정보를 전달하도록 요구하고 서로 다른 아웃풋 스키마를 반환하여 API를 다르게 구성합니다. 따라서 이러한 도구가 조금만 변경되어도 전체 AI 워크플로 인프라가 붕괴될 수 있습니다.

또한 엔지니어들은 이러한 도구 연결을 수동으로 구성하고, API 키 및 도구 권한과 같은 인증을 디버깅 및 유지 관리해야 하므로 상당한 개발 부담이 발생합니다. 도구는 종종 다른 도구의 아웃풋에 의존하며, 이러한 연결이 실패하는 극단적인 사례가 많이 있습니다.

따라서 MCP 통합을 LLM과 개발 도구 사이의 중간 계층으로 제공하는 것이 중요합니다. 이 계층에서 MCP는 모델이 이해할 수 있는 방식으로 도구 아웃풋을 변환할 수 있습니다. CLI 간에 번갈아 사용할 필요 없이 도구 통합이 모두 한 곳에서 이루어집니다.

MCP의 실제 사용 사례는 많이 있습니다. 예를 들어, MCP는 공통 도구를 갖춘 공유 작업 공간을 통해 다중 에이전트 오케스트레이션 및 통신을 향상시켜, 직접적인 통합의 필요성이 사라집니다.³

MCP는 검색 증강 생성(RAG)을 보완하는 데에도 사용할 수 있습니다. MCP는 벡터 스토어나 지식 기반을 검색하는 검색기를 제공하는 대신 서버 작업을 통해 벡터 데이터베이스에 연결할 수 있습니다. 모든 LLM 호출에서 검색기를 전달하는 대신 데이터베이스를 도구로 검색하면 도구를 보다 전략적으로 사용할 수 있습니다. 이 접근 방식은 데이터 검색 시 추가 도구 호출도 허용합니다.³

MCP는 시간이 지남에 따라 계속 발전하고 재편되는 LLM 도구 통합에 대한 진화하는 접근 방식을 나타냅니다. 기술적 문제가 발생하고 MCP 서버가 발전함에 따라 표준은 이에 맞춰 조정되며 MCP는 계속 개선됩니다.

그럼에도 불구하고, AI 에이전트가 자율적으로 작동하고 실제 환경에 동적으로 적응하려면 표준화된 통합이 필수적입니다.¹⁰ MCP를 사용하면 복잡한 워크플로의 자동화를 간소화하여 사람의 감독을 줄일 수 있습니다. 결과적으로 MCP를 통해 가능해진 이러한 변화는 인간의 지성과 직관이 필요한 더 세밀한 작업에 시간을 할애할 수 있게 해줍니다.