https://norahsakal.com/blog/mcp-vs-api-model-context-protocol-explained/
https://digitalbourgeois.tistory.com/875
https://dytis.tistory.com/112
포스트를 읽고 정리한 글입니다.

MCP란?

• 2024년 11월 25일 미국의 인공지능 스타트업 앤트로픽(Antropic)에서 발표한 AI Agents(지능형 에이전트)용 개방형 프로토콜
  • "Introducing the Model Context Protocol"
    • 참고: 앤트로픽은 클로드(Claude)AI 만든 회사임
• AI 모델이 외부 데이터 및 도구와 연결되는 방식을 표준화하여 기존 API 방식보다 더 유연하고 효율적인 방식으로 외부 정보 소스에 접근할 수 있도록 하는 표준 프로토콜이라고 함
  • 기존 방식에서는 개별 API를 일일이 통합해야 하는데 API마다 다른 방식의 인증, 데이터 구조, 오류 처리 방식을 가지고 있어 개발 및 유지보수가 복잡
  • MCP를 도입하면 임시방편적인 커스텀 코딩이나 플러그인에 대한 의존의 필요성을 줄인다는 의의
    • USB-C가 기기 연결을 단순화 한 것처럼 대형 언어 모델(LLM) 애플리케이션과 외부 데이터 소스 및 도구 간의 원활한 통합을 가능하게 하는 공통 표준이 목표
• AI 모델을 위한 통합 인터페이스
  • AI 모델이 동적으로 데이터를 검색하고, 필요한 정보를 가져올 수 있도록 표준화된 방식을 제공

비유하자면 기존 API 방식이 각 웹사이트에서 각각의 로그인 계정을 만드는 것이라면, MCP는 하나의 계정(Google 로그인처럼)으로 여러 웹사이트에 접근할 수 있도록 해주는 것
내용 출처

기존 API 방식과의 차이점

이미지 출처

• 기존 방식의 문제점
  1. 개별 API마다 규칙이 달라 각각에 맞춰 개발해야 해 번거로움
     (각 API별로 개별적인 통합 필요)
  2. 사전에 정해진 API를 호출해야 해 동적인 데어터 검색이 어려움
  3. 요청-응답 방직으로만 작동해 실시간 상호작용이 부족함
     (실시간 상호작용을 위해서 WebSocket 등의 별도 구현이 필요)
  4. API별로 따로 유지보수가 필요하고 보안 및 접근 제어도 API마다 다르게 적용해야 함
• MPC는 이러한 문제점을 해결
  1. 표준화된 인터페이스로 한 번의 통합으로 다양한 도구와 연결 가능
  2. AI가 동적으로 데이터를 검색할 수 있어 필요한 정보를 실시간으로 찾아 활용
  3. WebSocket과 유사한 방식으로 AI와 데이터 사이 실시간 양방향 통신(상호작용) 지원
  4. 유지보수가 상대적으로 간편하고 보안 및 접근 제어도 표준화된 방식을 적용할 수 있음

작동 방식(기술적 구조)

주요 구성 요소

1. MCP Host: AI 모델을 실행하는 application (예: Claude, ChatGPT)
2. MCP Server: MCP 서버와 연결되어 데이터를 주고받는 역할
3. MCP Client: 특정 기능을 제공하는 서비스 (예: 일정 관리, 이메일 전송 등)
4. Data source: AI 모델이 접근할 수 있는 로컬 파일, 데이터베이스, 외부 API

데이터 흐름

AI 모델이 필요한 정보를 요청 → MCP 클라이언트가 MCP 서버에 요청 전달 → MCP 서버가 데이터 소스에서 필요한 정보를 검색 → 결과를 MCP 서버가 MCP 클라이언트로 반환 → AI 모델이 결과를 분석하고 사용자에게 전달

• MCP의 역할: 연결 브릿지(AI 모델이 데이터를 실시간으로 찾아내고 활용할 수 있도록 도움)

실제 활용 예시

1. AI 일정 관리 시스템
   • 기존 API 방식: Google Calendar, Outlook 등의 API를 각각 연동
   • MCP 방식: MCP 서버가 캘린더 데이터를 자동 탐색 → AI가 일정 조정
2. AI 기반 지능형 코드 편집기(IDE)
   • 기존 API 방식: 파일 관리, 버전 관리, 코드 완성 기능을 각각 연동
   • MCP 방식: 하나의 MCP 프로토콜로 모든 개발 도구와 연결 → 코드 추천 및 자동화 실행
3. AI 기반 데이터 분석 시스템
   • 기존 API 방식: DB별로 각각 API 연결 필요
   • MCP 방식: AI가 다양한 데이터 소스를 MCP를 통해 실시간으로 분석 및 시각화

도입 시 고려해야 할 점

• 장점과 한계를 알아두자
  • 장점
    • 다양한 데이터 소스와 유연하게 연결
    • 실시간 상호작용 가능 → 반응 속도 향상
    • 뛰어난 확장성과 간편한 유지보수
  • 한계
    • 아직 초기 기술로 표준화가 완벽하지 않음
    • 모든 AI 시스템에 적합한 것은 아님
      (특정 AI 시스템의 경우 기존의 API 방식이 더 유리할 수 있음)
    • 보안 및 데이터 관리 측면에서 추가 검토 필요

'AI 시스템 - 외부 데이터' 효과적인 연동이 중요 이슈로 등장
→ 실시간 정보 활용과 동적 컨텍스트 유지가 필수적인 환경으로 변하고 있어서
MCP는 접근성과 사용 편의성 향상, 오픈소스라는 점, 다른 LLM과의 호환성이 좋은 점 등 다양한 요인으로 여러 분야에서 사용되고 있으며 미래에는 더 큰 영향을 미칠 것으로 보임