MCP란 정확히 무엇인가?

LinkedIn, YouTube 또는 X 같은 기술 관련 공간에 자주 머무른다면, 여러분의 피드는 아마도 MCP 게시물로 가득했을 것입니다. 제 것도 그랬습니다. 그래서 이 소음 속에서 며칠을 보내다가 실제로 깊이 파고들기로 결정했고, 이 글은 제가 지금까지 찾고 이해한 모든 것을 담았습니다.

제 한 줄 요약: MCP는 AI 도구에게 하드웨어에 있어 범용 플러그가 갖는 것과 같습니다. 모델 자체를 더 똑똑하게 만드는 것이 아닙니다. 단지 한 번 작성한 도구를 해당 프로토콜을 사용하는 모든 앱에서 사용 가능하게 만듭니다.

간단히 요약하자면

MCP (Model Context Protocol)은 단순히 또 다른 API가 아닙니다. AI 모델에 구조화된 컨텍스트를 전달하는 표준 방식입니다. AI를 위한 USB-C라고 생각해보세요: 데이터 소스, 도구 및 워크플로우를 위한 하나의 플러그입니다.

이것이 왜 중요할까요? 모델들은 종종 컨텍스트가 부족합니다(context-blind). 그들은 실제 세계의 정보를 잘 활용하는 데 어려움을 겪습니다. MCP는 데이터 사일로(data silos)를 연결하고, 보안을 강화하며, 여러 모델에 걸쳐 통합 기능을 재사용 가능하게 함으로써 도움을 줍니다. 개발자들에게 이것은 접착 코드(glue code)가 줄어들고, 빌드가 빨라지며, 모델을 교체할 때마다 고장 나지 않는 설정을 의미합니다.

뭐가 그렇게 대단한가요?

많은 사람들이 MCP를 또 하나의 API라고 생각합니다. REST 엔드포인트와 JSON 페이로드를 상상하고 있다면, 더 크게 생각해야 합니다. MCP는 모델에게 자신이 가진 도구에 대한 적절한 컨텍스트를 제공하는 프로토콜이며, 그런 다음 모델 자체의 추론 능력이 어떤 도구가 필요하고 언제 필요한지 결정하도록 합니다.

왜 컨텍스트가 그렇게 중요할까요?

오늘날의 모델들은 매우 뛰어나지만, 올바른 컨텍스트가 없을 때 어려움을 겪습니다. LangChain과 같은 프레임워크에서는 모델에게 도구를 제공하고 그것들을 언제 어떻게 사용할지 가르침으로써 이 문제를 처리했습니다. MCP는 한 단계 더 나아가 처음부터 그 컨텍스트를 구조화하기 때문에, 모델이 모호한 시스템 프롬프트(system prompt)와 일부 도구 설명에 의존할 필요가 없습니다.

컨텍스트가 많을수록 ~= 더 좋고, 더 정확한 결과물

여기 비유가 있습니다. 숙제 도움을 친구에게 요청한다고 생각해 보세요. 단순히

• "Hey, I'm working on algebra homework." (도메인)
• "We're learning about quadratic equations." (특정 주제)
• "I need to solve x² + 5x + 6 = 0." (과제)
• "Can you walk me through the steps?" (요청)

전통적인 방식은 모델이 프롬프트를 받고, 시스템 프롬프트에 적힌 내용을 읽은 다음, 어떤 도구를 사용해야 하고 어떻게 사용해야 할지 파악하려고 시도하는 것입니다.

MCP는 구조화된 컨텍스트를 미리 제공하여, 모델이 어떤 도구를 선택할지에 대해 훨씬 더 나은 판단을 내릴 수 있게 합니다.

오늘날 AI가 도구를 사용하는 방식의 문제점은 무엇인가요?

AI tool use without MCP

이미지 출처: Matt Pocock

현재 모델은 외부 도구를 사용하는 방법을 마법처럼 알지 못합니다. 사용자가 가르쳐야 합니다. 보통 이는 사용자 정의 데이터 접근 도구(custom data access tools)를 구축하고, 각 도구를 언제 어떻게 사용할지 설명하는 프롬프트(예: docstrings)를 작성하며, 이 모든 것을 시스템 프롬프트를 통해 LLM에 연결하는 것을 의미합니다. 그런 다음 모델이 사용자의 질문에 대해 올바른 도구를 선택하기를 기대합니다.

이러한 접근 방식에는 몇 가지 실제적인 단점이 있습니다:

접착 코드(Glue code) 과부하. 도구가 작동하도록 만들기 위해 추가 코드를 많이 작성해야 합니다.

프롬프트 엔지니어링의 어려움. 모델은 자신의 도구를 이해하기 위해 신중하게 작성된 시스템 프롬프트에 의존하며, 이 문구를 정확하게 만드는 것이 까다롭습니다.

강한 결합(Tight coupling). 도구 하나를 변경하면 그 문서(docs), 시스템 프롬프트, 그리고 구현(implementation)을 모두 업데이트해야 합니다. 이는 절대 사라지지 않는 유지보수 문제입니다.

MCP는 어떻게 이를 해결하나요?

AI tool use with MCP

이미지 출처: Matt Pocock

MCP는 도구와 데이터에 접근하는 방식을 표준화하여 추측을 배제합니다. 따라서 새로운 소스마다 처음부터 시작할 필요가 없습니다. 한 번 구축한 도구를 에이전트와 앱 전반에 걸쳐 재사용할 수 있습니다.

모델은 구조화된 컨텍스트를 미리 받게 되므로, 모호성(ambiguity)과 시스템 프롬프트(system prompts)에 대한 의존도가 줄어듭니다. 더 이상 모델에게 흐릿한 지침에서 모든 것을 추론하도록 요청할 필요가 없습니다. 핵심 세부 정보들이 그저 거기에 존재합니다.

데이터 사일로 연결. 엔터프라이즈 AI의 큰 문제는 중요한 데이터가 여기저기 흩어져 있다는 것입니다. 일부는 데이터베이스에, 일부는 클라우드 스토리지에, 일부는 Slack 깊숙한 곳에 있습니다. MCP는 모델이 이 모든 것에 접근할 수 있는 단일화된 방법을 제공하여, 전체 그림을 가지고 작업하게 합니다.

모든 모델과 호환. MCP는 특정 모델에 묶여 있지 않습니다. Claude, GPT, 자체 커스텀 LLM 등 어떤 것이든 모두 동일한 방식으로 컨텍스트를 처리합니다. 또한 모듈식(modular)이므로 다양한 데이터 소스와 시스템과 원활하게 연동됩니다.

보안 및 접근 제어. 민감한 데이터를 다루나요? MCP는 데이터와 도구에 대한 통제된 접근을 내장하고 있어, 모델이 필요한 것만 건드리도록 합니다.

사전 구축 통합(Pre-built integrations). MCP는 Google Drive, Slack, GitHub, 데이터베이스 등과 같은 항목에 대해 준비된 커넥터(connectors)를 제공하므로, 모델을 일반적인 데이터 소스에 빠르게 연결할 수 있습니다.

어떻게 시작할까요?

MCP는 아직 새로운 것이지만, 개방형 표준(open standard)이므로 오늘 바로 사용해 볼 수 있습니다.

공식 문서를 읽어보세요. 아키텍처 개요와 사양(specification)이 주요 자료입니다. 참조 서버(reference servers)가 읽기에 가장 좋은 코드입니다.

사전 구축된 MCP 서버를 사용해 보세요. 오픈 소스이기 때문에, 우리가 매일 사용하는 도구에 대한 서버들이 npm 스타일 레지스트리에서 등장하고 있습니다. 제가 지금까지 찾은 가장 유용한 것들은 다음과 같습니다: smithery, mcp-get, glama, mcp.so.

직접 구축해 보세요. quick start guide에서는 사용자 정의 MCP 서버를 만드는 과정을 안내합니다.

이 게시물에서 신뢰를 멈춰야 할 지점

몇 가지 도구만 있는 단일 앱에는 MCP가 필요하지 않습니다. 단순한 함수 호출(function calling)만으로도 더 적은 장치로 동일한 작업을 수행할 수 있습니다. 이 프로토콜이 빛을 발하는 경우는 동일한 도구가 여러 클라이언트에서 작동해야 하거나, 다른 사람이 작성한 서버를 사용하고 싶을 때입니다.

가장 큰 반론은 보안 문제입니다. MCP 서버는 타인의 코드와 지침이며, 사용자의 자격 증명으로 실행되고 텍스트를 모델에 직접 공급합니다. 이 사양(spec) 자체의 보안 섹션에서는 도구 동작 설명은 신뢰할 수 있는 서버에서 온 것이 아니라면 신뢰하지 않아야 하며, 사용자가 데이터 액세스와 도구 사용에 명시적으로 동의해야 한다고 말합니다. 레지스트리에서 서버를 설치하는 것은 패키지를 설치하는 것과 같은 주의가 필요합니다.

도구가 많다고 해서 기능이 많은 것은 아닙니다. 연결된 서버 하나하나는 그 도구 정의를 컨텍스트 창에 추가합니다. 열 개를 연결하면 모델은 토큰을 소모하고, 어텐션(attention) 메커니즘은 메뉴를 읽느라 바쁩니다.

이것은 제가 읽고 정리한 요약입니다. 여기에 있는 어떤 것도 측정값이나 실제 운영 보고서는 아닙니다. 설명 자료로 간주하세요.

핵심 내용

MCP는 초기 단계입니다. AI와 실제 세계 데이터를 연결하는 더 스마트한 방법을 약속하며, 얼마나 커질지 말하기에는 아직 이릅니다. 긍정적인 면에서 볼 때, 컨텍스트를 표준화한다는 것은 더 나은 정확도, 쉬운 통합, 그리고 원활한 자동화를 의미할 수 있습니다. 미리 구축된 커넥터와 모듈식 디자인은 더 간단한 워크플로우를 원하는 경우 매력적입니다.

물론 미해결 질문들도 있습니다. 기업들이 실제로 채택할까요? 다양한 모델과 엔터프라이즈 시스템 전반에 걸쳐 확장될 수 있을까요? 현재로서는 잠재력이 많은 흥미로운 아이디어입니다. AI 분야에 종사하고 있다면 지켜볼 가치가 있으며, 주말 동안 만져보며 알아볼 가치가 있습니다. 과연 에이전트형 AI(agentic AI) 게임을 진정으로 바꿀까요? 우리 손가락만 까딱거리며 두고 봐야 알겠죠.