AI 워크플로우 구축 방식을 바꾼 5가지 MCP 서버

지난 1년 동안, 한 가지 개념이 제가 AI 애플리케이션을 생각하는 방식을 근본적으로 바꾸어 놓았습니다.

더 큰 언어 모델 (Language Models)도 아닙니다.

더 나은 프롬프트 (Prompts)도 아닙니다.

심지어 AI 에이전트 (AI agents)도 아닙니다.

바로 Model Context Protocol (MCP) 입니다.

오랫동안 대부분의 AI 애플리케이션은 폐쇄된 환경 내에서 존재했습니다. 텍스트를 생성하거나, 질문에 답하거나, 코드를 작성할 수는 있었지만, 외부 시스템과 쉽게 상호작용할 수는 없었습니다.

MCP는 그것을 변화시킵니다.

MCP는 AI 모델이 도구 (tools), 데이터베이스 (databases), API, 그리고 애플리케이션과 통신할 수 있는 표준화된 방법을 제공합니다.

모든 프로젝트마다 맞춤형 통합 (custom integrations)을 구축하는 대신, 개발자는 MCP 서버를 통해 기능을 노출할 수 있습니다.

다양한 워크플로우 (workflows)를 실험해 본 결과, 제가 AI 애플리케이션을 구축하는 방식에 가장 큰 영향을 미친 5가지 MCP 서버는 다음과 같습니다.

1. GitHub MCP Server

AI로 소프트웨어를 구축하고 있다면, GitHub 통합은 추가할 수 있는 가장 가치 있는 기능 중 하나입니다.

AI 어시스턴트에게 다음과 같은 요청을 한다고 상상해 보세요:

• 저장소 (repository) 읽기
• 풀 리퀘스트 (pull requests) 리뷰
• 이슈 (issues) 검색
• 커밋 (commits) 생성
• 새로운 이슈 오픈
• 프로젝트 구조 조사

파일을 ChatGPT에 수동으로 복사하는 대신, AI가 저장소와 직접 상호작용할 수 있습니다.

개발자들에게 이는 생산성을 극적으로 향상시킵니다.

전형적인 워크플로우:

개발자 요청 (Developer Request)
↓
GitHub MCP Server
↓
저장소 (Repository)
↓
LLM
↓
작업 또는 응답 (Action or Response)

이는 코드 스니펫을 프롬프트에 복사하는 것보다 훨씬 더 확장 가능합니다.

2. Filesystem MCP Server

거의 모든 AI 워크플로우는 결국 로컬 파일에 대한 접근이 필요합니다.

예시:

• 문서 읽기
• Markdown 편집
• 보고서 생성
• 코드 리팩토링 (Refactoring)
• 설정 파일 (configuration files) 업데이트

MCP 서버가 없다면, 이러한 작업들은 종종 여러 번의 수동 단계를 필요로 합니다.

Filesystem MCP 서버를 사용하면, AI 애플리케이션이 프로젝트 디렉토리와 안전하게 상호작용할 수 있습니다.

예를 들어:

읽기:
/docs/api.md

업데이트:
/src/routes.py

생성:
/reports/summary.md

이것은 AI 어시스턴트가 훨씬 더 개발 파트너처럼 느껴지게 만듭니다.

3. PostgreSQL MCP 서버

기존 챗봇의 한계 중 하나는 사용자의 데이터를 알지 못한다는 점입니다.

MCP 서버를 PostgreSQL에 연결하면 이 점이 바뀝니다.

이제 AI는 다음과 같은 작업을 수행할 수 있습니다:

• SQL 쿼리 (SQL queries) 실행
• 스키마 (schemas) 조사
• 테이블 (tables) 요약
• 보고서 생성
• 쿼리 디버깅 지원

예시 요청:

지난 분기 매출 기준 상위 10명의 고객을 찾아줘.

SQL 쿼리를 생성하고 결과를 설명해줘.

데이터를 수동으로 내보내는 대신, AI는 제어된 인터페이스를 통해 데이터베이스와 직접 상호작용합니다.

4. Slack MCP 서버

많은 엔지니어링 팀은 Slack 내부에서 업무를 수행합니다.

프로젝트 업데이트.

버그 리포트 (Bug reports).

배포 알림 (Deployment notifications).

디자인 논의.

다음과 같이 질문하는 것을 상상해 보세요:

오늘 #backend 채널에서 논의된 모든 내용을 요약해줘.

또는:

이번 주에 언급된 해결되지 않은 모든 배포 이슈를 나열해줘.

수백 개의 메시지를 검색하는 대신, AI는 지능적인 워크스페이스 어시스턴트가 됩니다.

분산된 팀에게 이는 믿을 수 없을 정도로 가치 있는 일입니다.

5. Browser MCP 서버

때때로 AI는 웹에 접근해야 합니다.

단순한 검색 결과뿐만 아니라,

실제적인 상호작용이 필요합니다.

Browser MCP 서버를 통해 AI 시스템은 다음과 같은 작업을 할 수 있습니다:

• 웹사이트 열기
• 구조화된 정보 추출
• 양식 (forms) 채우기
• 대시보드 (dashboards) 탐색
• 페이지 모니터링

예를 들어:

• 우리의 스테이징 (staging) 대시보드를 열어줘.
• 모든 서비스가 정상인지 확인해줘.
• 상태 보고서를 생성해줘.

이는 AI를 대화형 어시스턴트에서 운영형 어시스턴트로 변화시킵니다.

MCP가 중요한 이유

사람들이 AI에 대해 이야기할 때, 종종 언어 모델 (language model)에만 집중하곤 합니다.

하지만 저는 진정한 가치가 모델이 '무엇을 할 수 있는가'에서 점점 더 많이 나온다고 생각합니다.

외부 도구가 없다면, LLM은 텍스트를 생성하는 것에 국한됩니다.

MCP가 있다면, AI는 다음과 같은 일을 할 수 있습니다:

• 리포지토리 (repositories) 읽기
• 데이터베이스 쿼리
• 파일 관리
• API 접근
• 엔터프라이즈 시스템과 통신

모델은 고립된 챗봇이 아니라 더 큰 워크플로우 (workflow)의 일부가 됩니다.

MCP가 좋은 아키텍처를 대체하지는 않습니다

제가 배운 교훈 중 하나는 더 많은 도구를 추가한다고 해서 자동으로 더 나은 AI 시스템이 만들어지는 것은 아니라는 점입니다.

열 개의 MCP 서버에 연결된 잘못 설계된 워크플로우 (workflow)는 여전히 잘못 설계된 워크플로우일 뿐입니다.

목표는 통합 (integrations)을 극대화하는 것이 아닙니다.

목표는 가능한 가장 단순한 아키텍처 (architecture)로 문제를 해결하는 것입니다.

이것이 제가 이전에 많은 AI 에이전트 (AI agents)들이 과잉 설계 (overengineered)되었다고 주장했던 이유 중 하나입니다.

때로는 몇 개의 MCP 서버에 연결된 잘 설계된 워크플로우가 복잡한 멀티 에이전트 아키텍처 (multi-agent architecture)보다 훨씬 더 효과적입니다.

기초를 먼저 구축하세요

이제 막 AI 개발을 시작했다면, 모든 프레임워크 (framework)를 한꺼번에 배우려고 하지 마세요.

다음 사항들을 이해하는 것부터 시작하십시오:

• LLM (대규모 언어 모델)이 작동하는 방식
• 프롬프트 (prompts)가 컨텍스트 (context)를 제공하는 방식
• 벡터 데이터베이스 (vector databases)가 검색 (retrieval)을 가능하게 하는 방식
• API가 시스템을 연결하는 방식
• MCP가 도구 접근을 표준화하는 방식

그 외의 모든 것은 이러한 기초 위에 구축됩니다.

탐구할 가치가 있는 더 많은 AI 프레임워크와 오픈 소스 (open-source) 도구를 찾고 있다면, 최근에 AI 빌더들을 위한 제가 가장 좋아하는 GitHub 저장소들을 공유했습니다:

7 GitHub Repositories I Recommend to Every AI Builder

해당 프로젝트 중 여러 개는 MCP 기반 워크플로우와 자연스럽게 결합됩니다.

마치며

저는 Model Context Protocol (MCP)이 AI 생태계에서 가장 중요한 발전 중 하나라고 믿습니다.

언어 모델을 더 똑똑하게 만들기 때문이 아닙니다.

모델을 더 유용하게 만들기 때문입니다.

AI가 채팅 인터페이스를 넘어 실제 세계의 애플리케이션 (applications)으로 확장됨에 따라, 외부 도구와의 표준화된 통신은 점점 더 중요해질 것입니다.

AI의 미래는 단순히 더 나은 모델에 있지 않습니다.

그것은 모델과 우리가 매일 사용하는 시스템 사이의 더 나은 연결에 있습니다.

그리고 저에게 있어, MCP는 그 미래를 향한 가장 실질적인 단계 중 하나가 되었습니다.