지난 포스트에서는 회사 정책 문서를 기반으로 질문에 답하는 RAG 파이프라인을 다루었습니다. 다음으로 제가 답변하고 싶었던 질문은, 특정 Python import를 하드코딩하지 않고 다른 AI 시스템들이 이 동일한 기능을 사용하게 하려면 어떻게 해야 하는가였습니다.

이것이 저를 MCP 서버 구축으로 이끌었습니다. 본 글에서는 도구(tools)를 AI 에이전트에게 노출하는 맞춤형 MCP 서버를 어떻게 구축했는지, 그리고 이 아키텍처가 어떻게 더 강력한 엔터프라이즈 AI 애플리케이션을 가능하게 하는지 설명하겠습니다.

MCP란 무엇인가?

Model Context Protocol은 AI 애플리케이션이 외부 도구 및 데이터 소스와 통신하는 방식을 표준화하는 개방형 프로토콜입니다.

MCP는 모든 AI 애플리케이션마다 맞춤형 통합을 만드는 대신, 서버가 도구를 노출하고 AI 클라이언트가 이를 발견하고 호출할 수 있는 공통 인터페이스를 제공합니다.

기술 스택

Python, MCP SDK, Ollama / Local LLM, AI Agent Client, FastAPI (선택적 통합).

서버에 실제로 포함된 내용

저는 FastMCP를 사용하여 이를 구축했으며, 현재 네 가지 도구 카테고리를 노출합니다:

• calculator_add 및 calculator_multiply — 계산기 도구.
• search_company_documents — 지난 프로젝트의 RAG 에이전트이지만, 이제 직접적인 함수 호출 대신 HTTP를 통해 접근합니다. 이 MCP 도구는 RAG 에이전트의 FastAPI /search 엔드포인트로 요청을 보내고 답변을 반환합니다. 이 도구는 api_key 매개변수를 필요로 합니다.
• get_employee_leave — 인메모리 스토어에서 직원의 남은 PTO(Paid Time Off)를 조회합니다. 외부 호출 없이 간단한 조회만 수행합니다.
• get_ticket_information — 동일한 패턴으로, 티켓 상태, 할당된 팀, 우선순위를 반환합니다.

각 도구는 @mcp.tool() 데코레이터로 등록되는데, 이것이 FastMCP를 다루기 정말 편리하게 만듭니다.

제가 겪었던 어려움

계산기, 직원, 티켓 도구는 외부 종속성이 없는 간단한 순수 함수였습니다. 반면 RAG 검색 도구는 완전히 다른 문제였고, 이것이 이 전체 프로젝트에서 가장 어려운 부분이었습니다.

내 RAG 에이전트는 자체 FastAPI 서비스로, 독립적인 프로세스에서 실행되며, 메모리에 자체 벡터 스토어를 로드합니다. MCP 서버는 이 중 어느 것도 공유하지 못하며, 일반적인 requests.get() 호출을 통해 실제 네트워크 경계를 넘나들어야 합니다: http://127.0.0.1:8000/search.

RAG 서비스가 작동하지 않을 때 연결 거부(connection refused)와 같은 실제 실패 모드, 타임아웃, 그리고 다른 쪽에서 올바르게 파싱되어야 하는 응답 형태를 처리해야 합니다.

향후 개선 사항 (Future Enhancements)

• 직원 및 티켓 도구에 인증을 확장하여 보호가 부분적이지 않고 통일되도록 합니다.
• 메모리 내 직원/티켓 딕셔너리를 실제 데이터 소스로 대체합니다.
• 궁극적으로 이 MCP 서버를 멀티 에이전트 워크플로우의 도구 계층으로 연결하여, 리서치 에이전트와 작가 에이전트가 각각 자체 직접 통합을 갖는 대신 동일한 발견 가능한 도구 세트를 공유할 수 있도록 합니다.

핵심 요약 (Key Takeaways)

MCP 서버를 구축하는 과정은 AI 애플리케이션에 대한 저의 관점을 변화시켰습니다. 엔터프라이즈 AI의 미래는 단순히 더 나은 응답을 생성하는 것에 관한 것이 아닙니다. 이는 AI 에이전트가 실제 세계 도구 및 비즈니스 기능과 안전하게 상호 작용할 수 있는 시스템을 만드는 것입니다.

MCP는 이러한 차세대 AI 애플리케이션을 구축하기 위한 중요한 기반을 제공합니다.

Github: https://github.com/srirdeevi/mcp-server