MCP 알아보기

cansweep·2025년 3월 16일

MCP의 개념과 등장 배경

AI 어시스턴트가 주류 기술로 자리 잡으면서, 업계는 모델의 성능 향상에 집중 투자하여 추론과 품질 면에서 빠른 성장을 이루어 왔습니다. 하지만 여전히 AI 어시스턴트는 데이터로부터 고립된 상태에 머물러 있습니다.

개발자라면 AI 어시스턴트에게 내가 겪고 있는 문제를 해결하기 위해 바로 겪고 있는 문제에 대해 이야기 하는 것이 아니라 코드를 복붙해서 AI 어시스턴트에게 충분한 정보를 제공하고 난 뒤에야 문제를 물어볼 수 있던 경험이 있을 것입니다. 질문하기 위해 필요한 각 데이터 소스가 API를 제공한다면 이를 활용해 직접 데이터를 가져오는 수고로움을 줄일 수도 있지만 데이터 소스가 여러 곳에 분산되어 있다면 각 API를 개별적으로 연결하고 관리하는 과정이 복잡하고 비효율적일 수밖에 없습니다.

이러한 문제를 해결하기 위해 앤트로픽(Anthropic)은 MCP(Model Context Protocol)를 오픈소스로 공개했습니다. MCP는 AI 어시스턴트를 콘텐츠 저장소, 비즈니스 도구, 개발 환경을 포함한 데이터가 있는 시스템에 연결하기 위한 새로운 표준으로, 단편화된 여러 통합들을 단일 프로토콜로 대체합니다. 즉, MCP를 통해 AI 시스템이 필요한 데이터에 액세스할 수 있는 더 간단하고 안정적인 방법을 제공합니다.

MCP 사용 사례

개념만 보면 MCP가 무엇인지 이해하기 어려울 수 있으나 실제 예시를 통해 빠르게 이해할 수 있습니다.
이번 글에서는 Github MCP Server를 사용해 repository에 파일을 만들고 PR을 작성하는 과정을 살펴보겠습니다.

세팅

먼저, Github 토큰을 발급받은 후 Claude Desktop 앱에 Github MCP 서버를 세팅합니다.

// claude_desktop_config.json
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-github"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "<YOUR_TOKEN>"
      }
    }
  }
}

세팅이 완료됐다면 아래 사진처럼 Github MCP 서버에서 사용할 수 있는 도구들의 정보를 확인할 수 있습니다.
사용 가능한 MCP 도구들

사용 예시

세팅이 완료된 후, Claude에게 다음과 같이 요청했습니다.

playground라는 repository에서 src 폴더 아래 utils라는 폴더를 만들고 add 함수를 export하는 add.ts 파일을 만들어줘.
그리고 이 변경 사항을 main으로 보내는 PR을 작성해줘.

Claude는 제 요청 대로 브랜치를 만들고, add 함수를 작성한 후 커밋을 올렸습니다.

그리고 이 변경사항을 main 브랜치로 보내는 PR을 작성했습니다.

작업이 완료된 이후 요청사항을 완벽히 수행한 PR을 얻을 수 있었습니다.

지금은 Github MCP 서버만 연결한 예시이지만 다른 MCP 서버를 추가한다면 다음과 같은 시나리오도 가능합니다.

AI 어시스턴트가 파일을 작성한다
변경사항을 배포한다
배포 결과를 슬랙에 메세지로 보낸다
센트리에서 이 변경사항으로 인해 발생한 오류를 추적한다

MCP가 없었다면, 이 모든 기능을 개발자가 직접 API를 연동해서 시스템을 구축해야 했을 것입니다.

더 많은 MCP 서버는 https://github.com/modelcontextprotocol/servers 에서 확인할 수 있습니다.

MCP로 인해 달라질 것들

더 유용한 AI 어시스턴트

기존의 고급 언어 모델도 불완전하거나 오래된 데이터셋을 기반으로 학습되기 때문에, 최신 정보를 반영하지 못하는 경우가 많습니다. 하지만 MCP를 사용하면 AI 어시스턴트가 Google Drive 문서, 공식 API 문서, Slack 메시지, 내부 데이터베이스 등 실시간 데이터를 직접 조회할 수 있어, 보다 최신의, 맥락이 풍부하고 도메인에 특화된 답변을 제공할 수 있습니다.

통합된 데이터 접근

MCP 이전에는 개발자가 AI 시스템에 다양한 데이터 소스를 연결하기 위해 개별적으로 플러그인, 토큰 등을 관리해야 했습니다. 하지만 MCP를 활용하면 단 하나의 프로토콜을 설정하는 것만으로 LLM이 모든 등록된 커넥터에 접근할 수 있습니다. 이를 통해 복잡한 설정을 따로 할 필요 없이 AI 모델이 필요한 데이터에 접근할 수 있습니다.

장기적인 유지보수 용이성

임시방편으로 구축한 데이터 통합 방식은 시간이 지나면서 유지보수 비용을 증가시키고, 새로운 시스템을 추가할 때마다 통합을 다시 설계해야 하는 문제가 발생합니다. MCP는 개방적이고 표준화된 접근 방식을 제공하므로, 더 적은 오류, 간단한 디버깅, 그리고 손쉬운 확장성을 보장합니다. 새로운 기능을 추가할 때도 복잡한 작업 없이 MCP 서버의 공유 라이브러리를 활용하여 간편하게 확장할 수 있습니다.