MCP에 대한 깊고 대단한 고찰_2조
MCP 정의
MCP(Model Context Protocol)는 AI 모델과 외부 애플리케이션, 시스템 또는 로컬 파일과의 상호작용을 표준화하는 프로토콜.
기존의 API 호출 방식과 달리, MCP는 AI가 로컬 환경과 보다 유기적으로 연결될 수 있도록 설계.
MCP가 왜 필요한가?
LLM의 사전 학습 당시 사용한 데이터 이외의 정보가 필요한 경우, 외부 정보 소스에 접근이 필요함 .
이 때, 지능형 에이전트가 다양한 데이터 소스와 도구의 연결되는 방식을 표준화하는 것이 MCP 도입의 의의임.
‘AI 분야의 USB-C 포트’라는 비유처럼, 한 번 MCP를 지원하면 AI는 다양한 파일 시스템, 데이터베이스, 네트워크 리소스 등에 접근하여, 보다 풍부한 기능을 수행할 수 있음.
MCP 주요 특징
-
모델과 로컬 리소스 간 직접 연결: AI 모델이 운영 체제의 특정 디렉터리나 애플리케이션과 직접 통신 가능
-
보안 및 접근 제어: 사용자가 AI가 접근할 수 있는 리소스를 직접 지정 가능
-
확장성 및 유연성: 다양한 애플리케이션 및 시스템과 쉽게 통합 가능
MCP 사용 예시
-
파일 시스템 액세스: AI가 로컬 파일을 읽고 수정하며, 사용자의 요청에 따라 특정 문서를 분석할 수 있음
-
코드 실행 환경과 연동: AI가 코드 편집기와 상호작용하여 코드 수정 및 테스트 수행 가능
-
데이터베이스 조회 및 조작: AI가 로컬 또는 원격 데이터베이스와 연결되어 특정 데이터를 검색하거나 업데이트 가능
-
업무 자동화: AI가 특정 스크립트나 프로그램을 실행하여 반복적인 업무 자동화 가능
기존 LLM과 MCP 기반 구조의 차이점
기존 LLM 구조 vs MCP 구조
| 항목 | 기존 LLM 구조 | MCP 기반 구조 |
|---|---|---|
| 1. 프로세스 | 단순 입력-출력 (Stateless) | MCP Client가 MCP Server와 툴콜하며 구조화된 context 전달 |
| 2. 기억 (Memory) | 상태 비저장, 작업 간 맥락 유지 불가 | Context 객체로 상태 저장 및 맥락 유지 가능 |
| 3. 입력 방식 | 자연어 기반, 비구조적, 단방향 | JSON/YAML 등 구조화된 형식으로 Context 전달 |
| 4. 작업 전이 | 사용자가 수동으로 관리 (복사/붙여넣기) | 자동으로 Context를 다른 모델/Agent에게 전달 |
| 5. 다중 에이전트 협업 | memory 공유 및 상태 추적 어려움 | agent_id, task, memory 등으로 에이전트간 역할을명확한 분리 및 협업 용이 |
| 6. 문맥 흐름 추적 | 세션 기반 흐름 추적 불가능 | 각 단계별 Context 기록 가능 → 디버깅 및 흐름 분석 쉬움 |
| 7. 상호 운용성 | 시스템 간 Context 공유 어려움 | JSON 등 공통 포맷 사용으로 시스템 간 호환성 보장 |
| 8. 보안/제한 설정 | 프롬프트 기반 제한 설정에 한계 | Context 내부에서 역할, 권한, 제한 설정 가능 |
🙄 그래서 MCP를 도입하면 결국 뭐가 좋아지는데? 🙄
1. 풍부하고 실제적인 정보 활용 능력 향상:
로컬 파일 시스템, 데이터베이스, 네트워크 리소스 등 다양한 외부 데이터 소스에 직접 접근하여 학습 데이터 외의 실시간적이고 구체적인 정보를 활용할 수 있음.
2. 지능형 에이전트의 협업 및 자동화 능력 강화:
표준화된 Context 객체를 통해 에이전트 간의 상태 공유, 작업 전이, 협업이 용이해짐.
3. 시스템 간 상호 운용성 및 확장성 증대:
JSON/YAML과 같은 표준화된 데이터 포맷을 사용하여 다양한 애플리케이션, 시스템, 플랫폼 간의 호환성이 높아짐.
4. 향상된 보안 및 접근 제어:
사용자가 AI가 접근할 수 있는 리소스를 명시적으로 지정하고, Context 내에서 역할, 권한, 제한 설정을 관리할 수 있어 더욱 안전하고 통제된 환경에서 AI를 활용할 수 있음.
5. 효율적인 문제 해결 및 디버깅 능력 향상:
각 단계 별 Context 기록을 통해 작업 흐름을 명확하게 추적하고 분석할 수 있음.
MCP 주요 구성 요소
1. MCP 호스트
- Claude나 GPT 같은 AI 도구, 또는 코딩툴(IDE)처럼 데이터를 불러오거나 보내는 기능이 필요한 프로그램
이 프로그램들이 MCP 시스템을 이용해서 다른 툴이나 서버에 작업을 요청
2. MCP 클라이언트
- MCP 호스트(예: Claude)와 MCP 서버 사이에 중간에서 통신을 관리
"누가 누구랑 연결 중인지", "요청은 어떤 형식인지" 등을 관리하여 요청을 안전하게 서버에 전달
3. MCP 서버
-
Context(상황정보)를 바탕으로 적절한 도구 실행
-
실제 코드나 API 호출 수행
4. 로컬 데이터 소스
-
문서파일, DB, CSV, 메모장, 로컬 노션 DB 등 컴퓨터 안에 저장되어 있는 데이터들
-
MCP 서버는 여기에 접근해서 필요한 정보를 읽고, AI가 그걸 활용할 수 있도록 전달
5. 원격 서비스
-
Notion, Slack, Google Search처럼 API로 접근 가능한 외부 플랫폼들
-
MCP 서버는 이 서비스들과 연결되어 있어서 데이터를 보내거나 받아올 수 있음
MCP 작동 방식
MCP는 기본적으로 다음과 같은 순서로 작동:
1. 작업 정의 및 초기화
-
사용자 또는 상위 시스템이 전체 과업(예: 보고서 작성)을 정의
-
각 에이전트에게 역할·목표 설정
2. Task 분배
-
Coordinator가 작업을 각 에이전트에게 나눠줌
-
각 에이전트는 자신의 역할에 맞게 작업 수행
3. Agent 간 커뮤니케이션
-
결과를 메모리에 저장하거나, 다른 에이전트에게 전달
-
필요시 다시 질문하거나 협의함 (예: QA 에이전트가 코드 에이전트에게 피드백 요청)
4. 통합 및 결과 출력
-
최종 결과는 Coordinator가 종합하거나 특정 Agent가 정리
-
사용자에게 결과 전달
예시 흐름 :
사용자 요청 → Planner Agent → Coder Agent → QA Agent → 결과 통합 → 사용자에게 응답
MCP 도구
MCP 도구 정리표(기존 AI Agent의 활용)
| 도구 이름 | 용도/기능 | 특징 |
|---|---|---|
| CrewAI | Multi-Agent 협업 프레임워크 | 에이전트 간 역할 분담, 작업 분배, memory 공유 기반 |
| AutoGen (Microsoft) | Agent 간 채팅 기반 협업 자동화 | Role + Function 기반으로 Agent가 서로 대화하며 협업 |
| LangGraph | Agent 흐름 제어 (Graph 방식) | LangChain 기반, 작업 단계를 노드로 구성해 흐름 제어 |
| LangChain | LLM 어플리케이션 제작 프레임워크 | 다양한 툴, 메모리, 체인(Chain) 구성 가능 |
| AgentVerse | 연구용 멀티 에이전트 플랫폼 | 실험용 Multi-Agent 시뮬레이션 환경 |
| SuperAgent | Agent App 구축용 통합 프레임워크 | API 호출, DB 연동, 메모리 구성 등 포함 |
| ReAct / ReWOO / MRKL | 행동 기반 Agent 아키텍처 | Reason + Act 반복, 의사결정 기반 탐색 구조 |
| Vector DB (Weaviate, FAISS, etc.) | Shared Memory 구현 | Agent들이 공유하는 context 저장소 역할 |
| Supabase / Firebase | 외부 저장소 및 상태 관리 | MCP Server로 활용, context 및 log 저장 가능 |
| OpenAI / Anthropic / Mistral API | LLM 기반 Agent 엔진 | 에이전트 개별 사고 능력의 핵심 (역할 담당) |
| Agent Protocol (표준 제안) | Agent 간 메시지 포맷 정의 | JSON 기반 통신 표준화, 확장성 보장 |
[참고] 대표 시나리오 별 추천 조합
| 목적 | 추천 MCP 도구 조합 |
|---|---|
| 역할 기반 에이전트 시스템 | CrewAI + LangChain + Vector DB |
| 에이전트 간 협업 시뮬레이션 | AutoGen + LangGraph |
| RAG + Agent 통합 시스템 | LangChain + Vector DB + ReAct 구조 |
| 프론트와 연동되는 실시간 Agent App | SuperAgent + Supabase + OpenAI API |
MCP 도구 선택 팁
-
단순 구조면 → LangChain + CrewAI로 시작
-
복잡한 협업 흐름 필요 → LangGraph 또는 AutoGen 도입
-
학습/연구 목적 → AgentVerse, ReAct 추천
-
실서비스 운영 → Supabase/Firebase 기반 MCP Server 설정 + Vector DB 연동 필수
MCP 실습
1. MCP를 통해 로컬에 접속하여 txt 파일 만들어보기
{
"mcpServers": {
"text-memory": {
"command": "npx",
"args": [
"-y",
"text-memory"
]
},
"blender": {
"command": "uvx",
"args": [
"blender-mcp"
]
},
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"C:/Users/Administrator/MCP"
]
}
}
}
2. Figma-MCP
MCP를 통해 미니 프로젝트 때 Figma를 통해 구현했던 UI 실제로 만들어보기
개요
-
모델 컨텍스트 프로토콜을 구현한 서버
-
LLM이 Figma 리소스와 상호작용할 수 있는 표준화된 컨텍스트 제공을 가능하게 함.
-
이 통합을 통해 디자이너와 개발자는 디자인 작업을 자동화하고 협업을 강화하며 작업 흐름을 간소화하기 위해 AI를 활용할 수 있음.
Figma-MCP 작동 과정
-
MCP 프로토콜
- 모델 컨텍스트 프로토콜은 LLM이 Figma와 같은 외부 애플리케이션을 이해하고 상호작용할 수 있도록 하기 위한 표준화된 방법
- 이를 통해 이러한 시스템 간의 컨텍스트를 교환할 수 있는 구조화된 프레임워크를 제공
-
Figma 통합
- Figma MCP 서버는 Figma의 API에 연결되어 LLM이 파일, 구성 요소 및 스타일과 같은 디자인 요소에 접근하고 조작할 수 있게 함.
- 이 통합은 읽기 작업을 지원하여 AI 도구가 디자인 정보를 추출하고 통찰력을 생성할 수 있도록 함.
-
AI 기반 디자인 자동화
- Figma-MCP를 사용하면 디자인 변형 생성, 스타일 업데이트 및 기존 디자인을 기반으로 새로운 구성 요소 생성과 같은 작업을 자동화할 수 있음.
- 이러한 자동화는 시간 절약과 디자인 작업 흐름에서의 생산성 향상에 기여.
Figma-MCP 사용 방법
해당 Figma-MCP 사용에서는 **AI 도구로 Cursor** 사용
1. Figma Personal Access Token 발급
2. Figma-MCP 서버 실행
npx figma-developer-mcp --figma-api-key=<your-figma-api-key>
3. AI 도구와 Figma-MCP 서버 통합
4. Figma에서 디자인 선택 후 링크 복사
5. Cursor 에이전트에서 실행
6. 결과
MCP를 활용할 수 있는 산업 분야
| 산업 분야 | 활용 사례 |
|---|---|
| 콘텐츠 제작 | 작가 Agent, 편집자 Agent, 마케팅 문구 작성 Agent가 협업하여 블로그/기사/광고 콘텐츠 생성 |
| 소프트웨어 개발 | 요구사항 분석 Agent → 코드 작성 Agent → 디버깅 Agent → 테스트 Agent로 협업 구조 설계 |
| 법률/계약 분야 | 계약 초안 작성 Agent + 리스크 검토 Agent + 요약 Agent 협업으로 문서 자동화 |
| 헬스케어 | 진단 Agent + 약물 추천 Agent + 설명 요약 Agent로 의료 정보 제공 및 환자 교육 가능 |
| 교육 산업 | 튜터 Agent + 문제 출제 Agent + 피드백 Agent로 개인 맞춤형 학습 환경 구성 |
| e커머스 | 상품 추천 Agent + 가격 분석 Agent + 리뷰 요약 Agent로 소비자 맞춤 정보 제공 |
| 금융/투자 분석 | 시장 분석 Agent + 리스크 평가 Agent + 투자 전략 제안 Agent로 자동 리서치 시스템 구성 |
| 고객 상담 (CS) | 고객 응대 Agent + 기술 문제 해결 Agent + 피드백 수집 Agent 조합으로 다단계 대응 가능 |
