MCP 프로토콜 심층 분석: 동적 도구 발견(Dynamic Tool Discovery)의 구조

Model Context Protocol의 기초를 넘어보세요. 이 기술적 심층 분석은 JSON-RPC 기반의 도구 발견(tool discovery) 프로세스를 해체하여, 클라이언트가 어떻게 기능을 협상하고 최적의 AI 성능을 위해 원활하고 점진적인 도구 주입(tool injection)을 달성하는지 밝혀냅니다.

핸드셰이크(The Handshake): JSON-RPC를 통한 안전한 컨텍스트 구축

Model Context Protocol (MCP)에서의 도구 발견은 도구 목록으로 시작되지 않습니다. 그것은 정밀하고 상태를 유지하는 핸드셰이크(handshake)로부터 시작됩니다. 클라이언트는 JSON-RPC 2.0을 통해 initialize 메서드 호출을 시작하며, 자신의 기능(capabilities)과 프로토콜 버전을 제시합니다. 이것은 단순한 핑(ping)이 아닙니다. 상호작용의 경계를 정의하는 중요한 협상입니다. 서버는 추가적인 신뢰가 구축될 때까지 사용 가능한 도구를 제한하는 고보안 모드로 응답하거나, 즉시 전체 도구 세트의 가용성을 선언할 수 있습니다.

// 예시: 클라이언트 초기화 요청 페이로드
{
  "jsonrpc": "2.0",
...

이 초기 JSON-RPC 교환은 토대입니다. 이는 상호 이해, 프로토콜 버전 호환성, 그리고 이후의 모든 상호작용을 지배할 기능 세트를 확립합니다. 이것이 없다면 클라이언트는 서버의 능력을 맹목적으로 추측해야 할 것입니다.

도구 열거(Tool Enumeration): tools/list 호출과 그 미묘한 차이

컨텍스트가 확립되면, 클라이언트는 핵심 발견 요청인 tools/list를 발행합니다. 표면적으로 이것은 도구 스키마(tool schemas)의 배열을 반환하는 단순한 호출처럼 보입니다. 하지만 그 구현에는 미묘한 차이가 풍부하게 담겨 있습니다. 서버는 수백 개의 도구를 호스팅하는 플랫폼을 위해 cursor 파라미터를 사용하여 효율적인 탐색을 지원하는 페이지네이션(paginated) 응답을 구현할 수 있습니다. 클라이언트는 완전한 레지스트리(registry)를 구축하기 위해 이러한 페이지네이션을 처리할 준비가 되어 있어야 합니다.

응답의 각 도구(tool)는 상세한 JSON Schema 객체이지만, MCP 명세(specification)는 중요한 메타데이터를 추가합니다. name과 description은 표준적이지만, 진정한 힘은 inputSchema에 있습니다. 잘 구조화된 스키마는 단순히 파라미터(parameter)를 정의하는 데 그치지 않고, LLM의 사용을 안내합니다. 예를 들어, file_path 파라미터가 required: true로 표시되고 severity_threshold 파라미터에 설명적인 enum: ["low", "medium", "high"]가 포함된 analyze_codebase_security라는 이름의 도구는 잘못된 호출을 극적으로 줄여줍니다. 이러한 구조화된 자기 기술(self-description)은 MCP 내부 구조의 핵심 축입니다.

이 단계의 효율성은 사용자 경험에 직접적인 영향을 미칩니다. 샘플 도구 서버에 대한 벤치마크 결과, 복잡한 스키마를 가진 50개의 상세 도구에 대해 잘 최적화된 tools/list 응답은 로컬 연결에서 15ms 미만으로 직렬화(serialization) 및 전송될 수 있었으며, 이를 통해 초기 도구 등록 단계를 사실상 인지할 수 없는 수준으로 유지했습니다.

기능 협상 (Capability Negotiation): 단순한 도구 목록 나열을 넘어

핸드셰이크(handshake) 중에 교환되는 capabilities 객체는 단순히 기능을 나열하는 것 이상의 역할을 수행하며, 정교한 협상을 가능하게 합니다. 서버는 tools와 함께 resources 및 prompts를 광고할 수 있습니다. 도구 액세스만 필요한 클라이언트는 이후 호출에서 다른 기능들을 무시함으로써 리소스 사용을 최적화할 수 있습니다. 그러나 정교한 AI 에이전트는 이 세 가지를 병행하여 사용할 수 있습니다. 예를 들어, tool을 사용하여 데이터를 가져오고, resource를 사용하여 해당 데이터 형식에 대한 문맥적 문서(contextual documentation)를 로드하며, prompt를 사용하여 결합된 정보에 대한 자체 분석을 안내할 수 있습니다.

점진적 주입 (Progressive Injection): 컨텍스트 윈도우 (Context Window) 최적화

단순한 구현 방식은 50개의 도구 스키마 (tool schemas)를 즉시 LLM의 프롬프트에 쏟아부어, 귀중한 컨텍스트 윈도우 (Context Window) 토큰을 낭비할 수 있습니다. MCP 아키텍처는 더 스마트한 접근 방식인 점진적 주입 (Progressive Injection)을 권장합니다. 초기에는 클라이언트가 도구 이름과 한 줄 요약이 포함된 간결하고 수준 높은 목록만을 주입할 수 있습니다. 이는 LLM에게 사용 가능한 영역에 대한 지도를 제공하는 역할을 합니다.

LLM이 특정 도구가 필요하다고 결정하면, 클라이언트는 오직 해당 도구에 대해서만 전체 JSON 스키마 (JSON Schema)를 동적으로 가져와 프롬프트 컨텍스트에 주입할 수 있습니다. tools/list 호출을 통해 제공되는 구조화된 데이터로 용이해지는 이러한 온디맨드 로딩 (on-demand loading) 방식은, 대규모 도구 세트의 경우 초기 프롬프트 토큰 수를 80% 이상 줄일 수 있습니다. 이 기술은 프로토콜에 의해 강제되는 것은 아니지만, 도구 메타데이터와 사용 스키마를 명확히 분리하는 MCP의 특성 덕분에 가능해진 자연스러운 최적화 패턴입니다. 프로토콜은 이러한 효율성을 위한 빌딩 블록 (building blocks)을 제공합니다.

종합: 실제 작동 흐름 (Real-World Flow)

CI/CD 디버깅 어시스턴트를 구축하는 개발자를 가정해 보겠습니다. AI 에이전트가 회사의 내부 MCP 서버에 연결합니다. initialize 핸드셰이크 (handshake)를 통해 서버가 tools 및 resources를 지원한다는 것이 확인되면, 에이전트는 tools/list를 호출합니다. 여러 마이크로서비스 (microservices)로부터 도구를 집계하는 서버는 페이지가 나뉜 목록 (paginated list)을 반환합니다. 에이전트의 첫 번째 페이지에는 fetch_build_logs, parse_failure_stack, query_metrics와 같은 도구들이 포함되어 있습니다.

에이전트는 처음에 LLM에게 도구 이름만을 제공합니다. LLM이 "빌드 #4521의 실패 스택 (failure stack)을 확인해야 합니다"라고 말하면, 클라이언트는 build_id (string)와 include_dependencies (boolean)를 요구하는 parse_failure_stack의 전체 스키마를 가져와 주입합니다. 그러면 LLM은 정확한 호출을 수행합니다. MCP 내부 구조를 기반으로 구축된 이 워크플로 (workflow)는 최소한의 지연 시간 (latency)과 최대한의 관련성 (relevance)을 보장하며, 이는 프로토콜 설계의 직접적인 결과입니다.

여러분의 AI 시스템에 견고하고 동적인 도구 발견 (Dynamic Tool Discovery) 기능을 구현할 준비가 되셨나요? TormentNexus 개발자 포털에서 전체 사양 (specification), SDK, 그리고 고급 패턴을 살펴보세요.

원문 게시 위치: tormentnexus.site