LangGraph와 MCP로 구동되는 우리 팀의 지원 봇이 사용자 상호작용 사이의 문맥(context)을 유지하지 못했을 때 느꼈던 좌절감이 여전히 기억납니다. 마치 봇이 대화성 건망증을 앓고 있는 것처럼, 사용자들이 같은 말을 계속해서 반복해야만 했습니다. 나중에 우리는 이 문제가 중앙 집중식 도구 서버(tooling server)의 부재에서 비롯되었다는 것을 발견했습니다. 이로 인해 봇이 외부 도구에 확장 가능한 방식으로 접근하고 활용하는 것이 불가능했습니다. 이 경험을 통해 우리는 AI 애플리케이션에 도구를 노출하기 위해 강력한 MCP 서버를 구축하는 것이 얼마나 중요한지 배웠습니다.

이 포스트에서는 MCP 호환 AI 앱에 단일 도구를 노출하는 데 중점을 두고, MCP 서버를 설정하는 과정을 살펴보겠습니다. 텍스트 입력에 대해 감성 분석(sentiment analysis)을 수행하는 간단한 도구를 예로 들어보겠습니다. 우리는 이 도구가 지원 봇에서 접근 가능하여, 사용자의 감성을 파악하고 그에 따라 적절히 응답할 수 있기를 원합니다.

MCP 서버를 구축하는 첫 번째 단계는 도구와 그 인터페이스를 정의하는 것입니다. MCP는 Tool 클래스와 MCPTool 인터페이스를 포함하여 도구 정의를 위한 일련의 API와 프로토콜을 제공합니다. 우리는 이를 사용하여 감성 분석 도구를 만들 것입니다. 다음은 Python에서 이 도구를 정의하는 방법을 간략하게 보여주는 예시입니다:

from MCP import Tool, MCPTool

class SentimentAnalysisTool(Tool, MCPTool):
...

다음으로, 도구를 호스팅할 MCP 서버를 설정해야 합니다. MCP 서버는 REST 및 gRPC를 포함한 다양한 인터페이스를 통해 도구를 노출하도록 구성할 수 있습니다. 단순함을 위해 기본적인 REST 서버를 사용해 보겠습니다. 우리는 가벼운 Python 웹 프레임워크인 Flask를 사용하여 서버를 만들 것입니다. 설정 방법은 다음과 같습니다:

from flask import Flask, request, jsonify
from MCP import ToolServer

...

MCP 서버가 가동되면, 우리의 지원 봇(또는 다른 모든 MCP 호환 AI 앱)은 분석할 텍스트를 요청 본문(request body)에 담아 /tools/SentimentAnalysis/execute 엔드포인트로 POST 요청을 보냄으로써 감성 분석 도구에 접근할 수 있습니다.

MCP 서버를 구축할 때 주의해야 할 실질적인 문제(gotcha)는 도구 등록(tool registration)과 서버 설정(server configuration)이 적절히 동기화되도록 보장하는 것입니다. 만약 서버가 시작된 후에 도구가 등록된다면, 서버를 재시작하기 전까지는 해당 도구에 접근할 수 없을 수도 있습니다. 이를 방지하기 위해, 서버의 도구 목록을 실시간으로 업데이트하는 동적 도구 등록(dynamic tool registration) 메커니즘을 구현하는 것을 고려해 보세요.

에이전트형 AI (agentic AI) 여정을 계속 진행하며, 내일은 LangGraph와 MCP를 통합하는 더 고급 주제를 탐구하여 AI 애플리케이션의 역량을 더욱 강화해 보겠습니다.