대규모 언어 모델 (LLMs)은 자연어 이해 및 생성에는 뛰어나지만, 특히 안전이 중요하거나 규정 준수가 민감한 도메인에서 다단계 논리 추론 (multi-step logical reasoning)을 수행할 때는 여전히 신뢰할 수 없는 모습을 보입니다. 최근의 신경-기호적 (neuro-symbolic) 접근 방식은 신경 모델을 외부 기호 엔진과 결합하여 이러한 격차를 해소하려 노력하고 있으나, 대부분의 통합 방식은 맞춤형 (bespoke)이며 도구 증강 에이전트 (tool-augmented agents)를 위한 표준화된 인터페이스가 부족합니다. 본 논문은 SWI-Prolog를 통해 결정론적 논리 추론을 제공하는 오픈 소스 MCP 서버인 Euclid-MCP를 제시합니다. Euclid-MCP는 Horn 절 논리 (Horn-clause logic)를 위한 엔진 불가지론적 (engine-agnostic) 중간 표현 (intermediate representation)인 Euclid-IR을 도입합니다. 이는 사람이 읽기 쉽고, LLM이 생성하기 용이하며, Prolog 또는 대안적인 백엔드로 컴파일하기 매우 직관적입니다. 이 서버는 '번역-실행-검사-수정 (translate-run-inspect-repair)' 루프를 지원하는 컴팩트한 도구 인터페이스를 노출하여, LLM 클라이언트가 추론 과정을 위임하면서도 증명 추적 (proof traces) 및 유도 로그 (derivation logs)에 대한 완전한 접근 권한을 유지할 수 있도록 합니다. 우리는 실제 IT 보안 및 규정 준수 사용 사례를 통해 Euclid-MCP를 평가합니다. 결과에 따르면, 작은 지식 베이스에서는 LLM 단독으로도 충분하지만, 더 큰 문제에서는 체계적인 환각 (hallucinate) 현상이 발생하는 반면, Euclid-MCP는 더 낮은 지연 시간 (latency)과 더 컴팩트한 출력으로 정확한 답변을 제공합니다. 우리는 시맨틱 RAG (semantic RAG)가 규칙 집행 (rule enforcement)에는 근본적으로 부적합하며, Euclid-MCP가 RAG 기반 어시스턴트와 에이전트 시스템 (agentic systems) 모두를 위한 안정적이고 공유 가능한 추론 기질 (reasoning substrate) 역할을 할 수 있다고 주장합니다.