한 줄 요약
API: 프로그램 ↔ 프로그램이 기능/데이터를 주고받는 “약속(인터페이스)”
MCP: LLM ↔ 외부 도구/데이터 연결 방식을 표준화한 “AI 시대의 API(USB-C)”
LangChain: LLM 앱의 “워크플로우(체인/에이전트/RAG)”를 조립식으로 빠르게 만드는 프레임워크
1) API (Application Programming Interface)
1. 정의
기능의 입력/출력/동작 규칙(사양)을 정의한 인터페이스(계약서).
2. 쓰임새
복잡한 시스템을 추상화해서 쉽게 사용
앱 ↔ 서버, 서버 ↔ 외부서비스 등 시스템 통합
3. 서비스 적용
앱 ↔ 서버: 상담 요청/조회/상태변경/채팅/리뷰/결제 등 REST API 설계
서버 ↔ 외부: 본인인증/결제/알림/지도/파일 저장
서버 ↔ AI: 요약/분류/매칭 보조를 “AI API 호출”로 연결
2) MCP (Model Context Protocol)
1. 정의
Anthropic이 2024-11-25 공개한 오픈 표준 프로토콜
LLM 앱(호스트)이 외부 도구/데이터 소스(파일, DB, 서비스)에 접근하는 방식을 표준화
MCP는 “연결 규격”이고, 언제/어떻게 도구를 쓸지는 호스트 앱 책임
2. 쓰임새
기존: 툴/데이터 소스마다 커스텀 플러그인, 변환 코드 필요
MCP: 표준 메서드로 도구를 노출/호출 → 통합 비용, 종속성↓
피그마 MCP 등으로 (디자인)딸깍 가능 - https://www.youtube.com/watch?v=H-yo6dzJ13g
3. 서비스 적용
내부 기능을 “도구”로 노출 가능:
search_cases(유사 케이스/FAQ 검색)
get_lawyer_profile(전문분야/가능시간)
summarize_intake(상담글 구조화)
check_privacy(PII/민감정보 마스킹)
장점:
모델 교체/병행(Claude ↔ GPT 등) 시 도구 레이어는 그대로 유지
기능 확장을 “MCP 서버 추가”로 모듈화 가능
3) LangChain
1. 정의
LLM 기반 애플리케이션을 만들기 위한 오픈소스 프레임워크
“텍스트 생성”을 넘어 외부 데이터/도구를 엮어 워크플로우를 구성하도록 설계
2. 쓰임새
“문서 읽기 → 요약 → Q&A → 저장” 같은 멀티스텝 파이프라인을 빠르게 구축
3. 서비스 적용
상담 접수글 구조화 파이프라인
요약(사실관계/요청/증거) → 카테고리 분류 → DB 저장
RAG 기반 Q&A
내부 FAQ/가이드/판례 요약 자료를 벡터화 or 그래프화 → 근거 기반 응답(환각↓)
매칭 보조 에이전트
조건 추출 → 후보 조회(툴) → 점수화/추천 사유 생성
분기/재질문/상태 관리가 필요하면 LangGraph로 확장
배포/운영
LangServe로 API화해서 앱/서버가 호출
LangSmith로 품질/성능 모니터링
4) API, MCP, LangChain을 서비스에서 조합
API로 LLM 연결
MCP로 “LLM이 우리 도구/리소스를 쓰는 방식”을 표준화
LangChain/LangGraph로 “LLM이 도구를 언제/어떻게 써서 목표를 달성할지(워크플로우)”를 구현
5) 구체적인 작동 예시 (시나리오)
사용자: "임대인이 전세금을 안 돌려줘요. 서울 지역 전문 변호사를 찾아주세요."
1. 입력 및 요약 (LangChain + GPT API)
LangChain이 사용자의 말을 GPT API에 전달.
GPT는 이 글을 분석하여 "사건 유형: 임대차 분쟁 / 지역: 서울 / 요청: 변호사 매칭"으로 요약.
2. 도구 판단 및 호출 (LLM → LangChain)
GPT는 "현재 상담 가능한 서울 지역 임대차 전문 변호사 데이터가 필요하다"고 판단.
LangChain은 미리 등록된 MCP 도구 목록 중 get_lawyer_profile 이라는
도구가 있음을 확인하고 이를 실행할 준비를 함.
3. 데이터 조회 (MCP → 외부 API)
MCP 규격에 맞춰 제작된 '변호사 조회 서버'가 작동.
이 서버는 MCP 표준을 통해 변호사 DB API를 호출하여
실시간으로 서울 지역의 임대차 전문 변호사 리스트를 가져옴.
MCP를 쓰는 이유: 과거에는 개발자가 직접 API 코드를 LLM용으로 매번 짜야 했지만,
2025년에는 MCP 표준 서버만 구축해두면 GPT가 즉시 이를 인식하고 사용.
4. 매칭 결과 생성 (GPT API → 사용자)
MCP로부터 전달받은 변호사 데이터(경력, 승소율 등)를 GPT가 다시 읽음.
GPT는 사용자의 상황과 가장 잘 맞는 변호사 3명을 골라
추천 사유와 함께 자연스러운 문장으로 응답을 생성.
5. 사후 작업 (LangChain)
LangChain은 이 대화 내용을 앱의 메모리에 저장하거나,
상담 예약 API를 연동하여 바로 일정을 잡도록 후속 단계를 관리.
참고한 자료
API 나무위키 - https://namu.wiki/w/API
MCP 나무위키 - https://namu.wiki/w/Model%20Context%20Protocol
MCP의 모든 것을 알아봅시다 - https://velog.io/@k-svelte-master/what-is-mcp
10분만에 랭체인(LangChain) 이해하기 - https://brunch.co.kr/@ywkim36/147
랭체인(LangChain)이란 무엇인가? - https://www.samsungsds.com/kr/insights/what-is-langchain.html
