MCP 모델 컨텍스트 프로토콜 쉽게 이해하기: 도구·API·AI 에이전트 표준화

핵심 메시지

• MCP는 AI 에이전트가 로컬 저장소·데이터베이스·API 같은 자원과 상호작용하는 방식을 표준화하려는 프로토콜이다.
• LLM은 확률적 시스템이라 다단계·고정밀 작업에서 신뢰성이 떨어지며, 이를 도구(tool) 호출로 보완한다.
• 서비스마다 커스텀 어댑터를 만드는 방식은 작업량·보안·유지보수 부담이 크고, MCP가 이 인터페이스를 통일한다.
• MCP는 클라이언트-서버 구조로, 도구를 노출하는 책임을 서비스 제공자 쪽으로 옮긴다.

쉽게 이해하기

MCP(Model Context Protocol)는 Anthropic이 만든 비교적 새로운 프로토콜로, AI 에이전트가 로컬 저장소, 데이터베이스, 원격 API 같은 자원과 상호작용하는 방식을 표준화하는 것을 목표로 한다. 지금까지는 각 서비스마다 에이전트가 접근할 수 있도록 맞춤형 브리지(어댑터)를 따로 만들어야 했는데, 기능을 하나 추가할 때마다 이런 연결 코드를 새로 작성해야 하는 부담이 있었다.

이 문제의 배경에는 LLM의 본질적 한계가 있다. LLM은 방대한 텍스트로 학습해 다음 단어를 확률적으로 예측하는 시스템이라, 자연스러운 글쓰기나 이메일 초안 같은 작업에는 강하다. 하지만 높은 정밀도나 여러 단계를 거치는 작업에서는 신뢰하기 어렵다. 영상에서는 Claude에게 316,043에서 201,122를 빼고 그 결과의 제곱근을 구하라고 시키는데(정답 339), 틀린 답을 내놓고 같은 질문에도 매번 다른 답을 주는 모습을 보여준다. 이는 모델을 더 키운다고 사라지는 문제가 아니다.

해결의 실마리는 LLM이 모든 것을 직접 하지 않고, 이미 잘 만들어진 도구를 활용하게 하는 것이다. LLM은 '무엇을' 해야 하는지만 판단하고 '어떻게'는 도구에 맡긴다. 영상에서는 뺄셈·제곱근 함수를 도구로 정의하고 이름·설명·입력 스키마를 LLM이 기대하는 형식으로 전달한다. 그러면 Claude는 텍스트와 함께 '어떤 도구를 어떤 입력으로 호출하라'는 요청을 내놓고, 호출 결과를 다시 전달받아 마침내 정답 339를 안정적으로 내놓는다.

여기서 더 나아가 외부 서비스 API를 도구로 주면, 예컨대 Claude에게 짧은 이야기를 써서 구글 드라이브에 올리게 하는 것처럼 실제 작업도 수행할 수 있다(구글 워크스페이스 API는 OAuth 2 인증을 쓴다). 그러나 이 방식에는 세 가지 문제가 있다. 첫째, 서비스마다 도구를 만드는 작업량이 많고 유지보수할 코드 표면이 늘어난다. 둘째, 에이전트가 은행 계좌·개인정보·건강기록에 접근할 수 있어 자격증명 유출 등 보안 위험이 크다. 셋째, 서비스 제공자가 API를 바꿀 때마다 대응 도구를 계속 고쳐야 한다.

MCP는 바로 이 문제들을 겨냥한다. 영상은 MCP를 'AI 에이전트의 HTTPS'에 비유한다. HTTPS가 브라우저와 서버의 공통 언어이듯, MCP는 클라이언트-서버 구조로 에이전트와 서비스의 인터페이스를 표준화한다. 서비스는 API가 아니라 실제 도구를 MCP 서버로 노출하고, 에이전트는 MCP 클라이언트로 이를 사용한다. 영상에서는 FastMCP로 서버를 만들고 mcp.tool 데코레이터로 함수를 도구로 등록한 뒤 mcp.run으로 실행하는데, 함수 시그니처에서 입력 타입이 자동 추론되어 도구 목록을 손수 만들 필요가 없다.

MCP가 중요한 또 다른 이유는, 에이전트가 서비스와 연결되도록 만드는 책임을 서비스 제공자 쪽으로 옮긴다는 점이다. 영상의 비유처럼, 여러 개발팀이 같은 API를 제각기 호출하는 함수를 만들어 두면 제공자가 엔드포인트 하나만 바꿔도 모든 앱이 영향을 받는다. SDK가 추상화 계층으로 이 결합을 끊어주듯, MCP는 AI 에이전트에 같은 역할을 한다. 제공자가 MCP 서버를 제공하면 개발자는 통일된 언어로 에이전트를 연결할 수 있고, 변화에 강하며 팀마다 같은 도구를 중복 개발하지 않아도 된다.

주요 인사이트

• LLM의 가치는 '무엇을 할지' 판단하는 데 있고, '어떻게 정확히 할지'는 도구에 위임하는 구조가 신뢰성을 만든다.
• 도구를 직접 만드는 방식의 진짜 비용은 작업량보다 보안 위험과 API 변경에 따른 유지보수 부담에 있다.
• MCP의 핵심 효과는 단순 표준화를 넘어, 통합 책임을 서비스 제공자에게 넘겨 개발자의 중복 작업을 없애는 데 있다.
• 표준은 사람들이 실제로 쓸 때 의미가 있으며, 영상은 OpenAI의 MCP 채택이 확산을 가속했다고 짚는다.

자주 묻는 질문

관련 AI 소식