만약 당신이 실제로 항공 분야를 이해하는 AI 에이전트(AI agent)를 구축하려고 한다면, 스크래퍼(scrapers)를 찾는 것을 멈추고 툴셋(toolsets)을 찾아보기 시작해야 합니다.

저는 개발자들이 NOTAMs (Notices to Air Missions, 항공 고시)나 Jeppesen 비행장 피드에서 의미 있는 데이터를 추출하기 위해 모델을 미세 조정(fine-tuning)하거나 복잡한 정규 표현식(regex) 파서를 작성하는 데 몇 주를 허비하는 것을 보았습니다. 그것은 시간 낭비입니다. 문제는 LLM의 읽기 능력이 아니라, 컨텍스트 윈도우(context window) 내에 구조화된 실시간 상태(real-time state)가 부족하다는 점입니다. 프랑크푸르트의 활주로 폐쇄 상태를 환각(hallucinate)해내면서 당신의 유지보수 에이전트(maintenance agent)가 유용하기를 기대할 수는 없습니다.

Boeing Developer Tools (BDT) MCP 서버는 자연어 추론(natural language reasoning)과 고충실도(high-fidelity) 항공 데이터셋 사이의 직접적인 연결을 제공함으로써 이 상황을 변화시킵니다. 이것은 단순히 사실을 '아는' 것에 관한 것이 아닙니다. 에이전트에게 전 세계 공역의 실제 상태, 항공기 사양, 그리고 공급망 가용성을 쿼리(query)할 수 있는 능력을 부여하는 것에 관한 것입니다.

비구조화된 항공 데이터의 문제점

항공 데이터는 악명 높을 정도로 파편화되어 있습니다. Jeppesen 파일에는 물리적 메타데이터가 있고, 레이더 피드에는 실시간 비행 추적이 있으며, 중요한 안전 경고(NOTAMs)는 다양한 정부 포털에 흩어져 있습니다. MCP 인터페이스 없이 표준 LLM을 사용하면, 모델은 학습 데이터(training data)에 의존하게 되는데, 이는 당신의 프롬프트에 도달할 때쯤이면 사실상 역사 소설과 다름없습니다.

에이전트는 특정하고 결정론적인(deterministic) 쿼리를 실행할 수 있어야 합니다. 만약 제가 "지금 KJFK에 중요한 공역 제한 사항이 있는지 확인해줘"라고 요청한다면, 6개월 전의 학습 데이터에 기반한 표준 LLM의 응답은 쓸모가 없습니다. 이 MCP 구현을 통해, 에이전트는 KJFK 범위를 대상으로 search_notams를 호출하고 TWY A BTN TWY A1 AND TWY A2 CLSD와 같은 활성 상태의 실시간 통지 사항을 검색합니다. 이제 에이전트는 _현재_의 운영 인지 능력(operational awareness)을 갖게 되었습니다.

툴셋 해체

BDT 서버는 세 가지 주요 기능 계층으로 구성됩니다: 비행 인텔리전스(Flight Intelligence), 인프라/비행장(Infrastructure/Aerodromes), 그리고 공급망 엔지니어링(Supply Chain Engineering).

1. 비행 인텔리전스 및 실시간 모니터링 (Flight Intelligence & Real-time Monitoring)

이 계층은 '현재'에 관한 것입니다. get_flight_events 및 get_runway_monitor와 같은 도구들을 통해 에이전트(Agent)는 상위 수준의 계획 단계에서 능동적인 모니터링 단계로 전환할 수 있습니다. 엔지니어는 에이전트에게 특정 비행의 상태를 추적하도록 요청하거나, 더 인상적이게도 get_runway_monitor를 사용하여 주요 허브의 활주로 혼잡도를 모니터링하도록 명령할 수 있습니다.

지상 운영(Ground operations)을 위한 자동화를 구축하고 있다면, EDDF(프랑크푸르트)와 같은 ICAO 코드에 대해 get_taxi_time을 쿼리할 수 있는 능력은 지연 시간을 계산하는 데 필요한 결정론적 데이터(Deterministic data)를 제공합니다. 에이전트는 추측하는 것이 아니라, 실시간 지상 이동(Taxiing) 지표를 읽고 있는 것입니다.

2. 비행장 및 인프라 메타데이터 (Aerodrome & Infrastructure Metadata)

이 부분은 Jeppesen 데이터와의 통합이 결정적인 역할을 하는 지점입니다. get_aerodrome_details 및 search_runways를 사용하여 에이전트는 전 세계 거의 모든 공항에 대한 물리적 메타데이터, 좌표 및 지상 운영 제약 조건을 가져올 수 있습니다.

이는 물류 에이전트(Logistics agents)에게 매우 중요합니다. 비행 경로 또는 화물 이동을 계획하고 있다면, 에이전트는 search_runways 도구를 통해 활주로 규격과 파라미터를 자율적으로 확인하여 특정 항공기 기종과의 호환성을 보장할 수 있습니다.

3. 항공기 사양 및 공급망 엔지니어링 (Aircraft Specs & Supply Chain Engineering)

이는 아마도 유지보수 및 엔지니어링 워크플로우(Workflows)를 위한 가장 강력한 유스케이스(Use case)일 것입니다. 서버는 Boeing 모델 제품군(예: 787 Dreamliner)에 대한 심층 분석을 위해 get_aircraft_specs를 제공하며, 결정적으로 search_boeing_parts 및 check_part_availability를 통해 글로벌 공급망(Global supply chain)에 연결됩니다.

에이전트 주도형 유지보수 워크플로우를 상상해 보십시오:

1. 에이전트가 get_aircraft_specs를 사용하여 특정 Boeing 모델에 대한 구조적 요구 사항을 식별합니다.
2. 그런 다음 search_boeing_parts를 사용하여 해당 부품의 재고가 있는지 글로벌 인벤토리(Global inventory)를 확인합니다.
3. 마지막으로 check_part_availability를 통해 가격과 가용성을 확인합니다.

당신은 엔지니어가 수동으로 검색하는 데 30분이 걸렸던 다단계 조달 조사 작업을 방금 자동화한 것입니다.

엔지니어링의 현실: 조합(Composition)이 핵심입니다

진정한 가치는 단일 도구에 있는 것이 아니라, 이러한 도구들의 _조합 (Composition)_에 있습니다. 이것이 단순한 API 래퍼 (API wrapper)와 진정한 운영 에이전트 (operational agent)를 구분 짓는 차이점입니다.

개발자는 다음과 같은 추론 체인 (reasoning chain)을 구축할 수 있습니다:
"LHR의 현재 활주로 혼잡도를 분석하고, 대형 항공기에 영향을 미치는 활성 NOTAM (Notice to Air Missions)이 있는지 확인한 뒤, 제한 사항이 없다면 우리의 A350급 Boeing 모델에 필요한 교체 부품이 지역 창고에 있는지 확인하십시오."

이를 실행하기 위해 에이전트는 get_runway_monitor $\rightarrow$ search_notams $\rightarrow$ get_aircraft_specs $\rightarrow$ check_part_availability 과정을 거쳐야 합니다.

MCP 프로토콜은 도구 발견 (tool discovery) 및 실행의 복잡한 작업을 처리하므로, 사용자는 체인의 로직에만 집중할 수 있습니다.

보안 및 프로덕션 등급의 실행

AI 에이전트에게 민감한 항공 데이터나 공급망 인벤토리에 대한 접근 권한을 부여할 때, 보안을 부차적인 문제로 취급해서는 안 됩니다. 로컬 환경에서 임의의 코드를 실행하고 결과가 좋기를 바라는 식의 접근은 불가능합니다.

이것이 바로 우리가 MCPFusion 프레임워크를 사용하여 Vinkius 상에 이러한 서버들을 구축한 이유입니다. 모든 실행은 격리된 V8 샌드박스 (sandbox) 내에서 이루어집니다. 우리는 DLP (Data Loss Prevention, 데이터 유출 방지), 에이전트가 내부 네트워크를 탐색하는 것을 방지하기 위한 SSRF (Server-Side Request Forgery) 방지, 그리고 모든 개별 도구 호출이 특정 세션으로 추적될 수 있도록 하는 HMAC 감사 체인 (audit chains)을 포함하여 8가지의 별도 거버넌스 정책을 구현했습니다.

Boeing의 글로벌 공급망이나 중요한 비행 인텔리전스를 다룰 때, '적당한' 수준의 보안은 재앙을 초래하는 초대장과 같습니다.

워크플로우에 이를 구현하는 방법

이를 설정하기 위해 제공업체가 API를 업데이트할 때마다 깨져버리는 커스텀 미들웨어 (middleware)나 복잡한 OAuth 흐름을 구축할 필요는 없습니다. 우리는 마찰 요소를 모두 제거했습니다.

2. 연결 토큰 (connection token)을 가져옵니다.
3. 이를 MCP 호환 클라이언트 (Claude, Cursor 등)에 붙여넣습니다.

끝입니다. 이제 여러분은 LLM (Large Language Model)을 통해 프로덕션급 (production-grade) 항공 인텔리전스를 실행하고 있습니다.

마치며

'래퍼 (wrapper)로서의 챗봇' 시대는 끝나가고 있습니다. 우리는 '운영자 (Operator)로서의 에이전트 (Agent)' 시대로 나아가고 있습니다. 항공기 정비, 비행 물류, 또는 글로벌 공급망 등 물리적 세계와 실제로 상호작용하는 무언가를 구축하고 싶다면, 실시간의 구조화된 상태 (structured state)를 제공하는 도구가 필요합니다. 이 BDT 서버는 그러한 빌딩 블록 (building blocks) 중 하나입니다.

MCP는 AI 에이전트의 음악입니다. 우리는 카탈로그를 만들었습니다. Vinkius MCP Catalog를 확인해 보세요.