n8n MCP 완전 활용 — 대화형 워크플로우, 폰 트리거 에이전트, 다중 모델 리뷰

핵심 메시지

• n8n 공식 MCP 서버를 세 단계(결정형 워크플로우 → 폰 트리거 에이전트 → 다중 모델 오케스트레이션)로 나눠 활용법을 시연한다.
• MCP는 인스턴스에 직접 연결돼 워크플로우를 JSON이 아닌 코드로 생성하고, 목업 데이터로 워크플로우를 테스트까지 할 수 있다.
• 보안이 핵심 설계 원칙이라, 워크플로우는 기본적으로 MCP에 비공개이고 삭제 도구도 제공하지 않으며 커뮤니티 노드도 아직 막아둔다.
• 3단계에서는 OpenAI·Anthropic 모델이 각각 리뷰하고 오케스트레이터가 출처별로 중복 제거된 결과를 합치며, 자기 학습형 워크플로우로 확장 가능하다.
• 거대한 구조를 한 번에 만들지 말고 작게 시작해 한 단계씩 반복하라는 것이 실무 베스트 프랙티스로 강조된다.

쉽게 이해하기

영상은 n8n의 공식 MCP 서버를 만든 엔지니어 밀러라드가 진행자 딜런과 함께 세 단계로 활용법을 시연하는 형식이다. 1단계는 대화만으로 완성하는 결정형 워크플로우, 2단계는 휴대폰에서도 실행할 수 있는 AI 에이전트, 3단계는 두 모델이 같은 결과물을 리뷰하고 오케스트레이터 에이전트가 발견 사항을 병합하는 구조다.

1단계에서는 n8n 클라우드 인스턴스에 연결된 Claude Code로 폼 제출을 받아 데이터 테이블에 저장하는 워크플로우를 만든다. 이름·이메일을 받아 저장하고 같은 이메일이 다시 오면 갱신하며 제출일도 기록한다. n8n 데이터 테이블은 별도 자격증명 없이 기본 제공되며, MCP는 목업 데이터를 생성해 여러 시나리오로 워크플로우를 테스트할 수 있다. 이어 Gmail 알림 노드를 추가하고 발행한 뒤, MCP가 트리거 입력을 알아서 파악해 프로덕션 실행까지 처리하는 모습을 보여준다.

2단계는 주제를 던지면 정해진 구조로 LinkedIn 글을 만들어 파일로 저장하고 Google Drive에 올리는 에이전트를 만든다. 발표자는 n8n MCP가 워크플로우 SDK 기반이라 JSON이 아니라 코드로 워크플로우를 생성하며, LLM이 코드에 더 능숙하기 때문에 이 방식이 유리하다고 설명한다. Claude가 MCP를 통해 인스턴스에 연결돼 있어 휴대폰에서도 에이전트를 트리거할 수 있고, 실행은 비동기로 처리된다. 웹 검색 같은 도구 추가나 발행 전 사람 확인(휴먼 인 더 루프)도 지원한다.

보안은 이 MCP 서버의 일관된 주제로 등장한다. 워크플로우는 기본적으로 MCP에 보이지 않아 사용하려면 가시성을 켜야 하고, 데이터 테이블이나 프로젝트를 삭제하는 도구는 일부러 제공하지 않는다. 커뮤니티 노드는 프롬프트 인젝션 위험 때문에 아직 열지 않았다고 밝혔다. 발표자들은 이런 마찰이 의도된 안전장치라고 강조했다.

3단계에서는 하나의 파일을 받아 OpenAI 모델과 Anthropic 모델로 각각 서브 에이전트를 띄워 텍스트를 리뷰하게 하고, 오케스트레이터 에이전트가 출처를 붙여 중복 제거한 발견 목록을 만든다. 시연에서 GPT는 37개, Claude는 16개의 지적을 냈는데 오케스트레이터가 모두 GPT 출처로 잘못 표기하자 Claude가 이를 스스로 디버깅했다. 발표자들은 결과를 여러 AI로 비교·평가한 뒤 프롬프트를 갱신하는 "자기 학습형" 워크플로우로 확장할 수 있다고 설명했다.

주요 인사이트

• n8n MCP는 워크플로우를 JSON이 아니라 코드로 생성한다. SDK에 타입·정의·가드레일이 내장돼 있고 최신 모델이 코드에 능숙하기 때문에, 복잡한 노드 설정을 LLM이 더 안정적으로 다룰 수 있다.
• 보안은 기능을 늘리는 것만큼 중요하게 다뤄진다. 기본 비공개, 삭제 도구 부재, 커뮤니티 노드 차단 등 "의도된 마찰"이 프롬프트 인젝션 같은 위험을 줄인다.
• 오케스트레이터로 작업 복잡도에 따라 모델(예: 하이쿠·소네트·오퍼스급)을 배정하면, 항상 최상위 모델을 쓰지 않고도 토큰 비용을 크게 아낄 수 있다.
• 거대한 시스템을 한 번에 만들려 하지 말라는 것이 반복된 조언이다. 작은 완성 과제로 파이프를 먼저 작동시키고 한 노드씩 복잡도를 키우는 반복이 실무의 정석으로 제시됐다.
• MCP 클라이언트가 자신의 프롬프트가 최적이 아님을 실행 결과로 알아차리고 수정을 제안하는 장면은, 에이전트가 스스로를 개선하는 루프의 가능성을 보여준다.

자주 묻는 질문

관련 AI 소식