RAG를 MCP로 연결하기, 벡터 DB GUI와 클로드 데스크톱·커서 연동 실전 정리

핵심 메시지

• RAG를 쓰려면 랭체인이나 랭그래프로 직접 구현해야 했지만, 벡터 DB를 GUI로 만들고 MCP로 감싸면 코딩 없이 기존 AI 도구에 붙일 수 있다.
• 슈퍼베이스를 인증 수단으로 쓰면 사용자별로 바라보는 벡터 데이터베이스를 분리해 관리할 수 있다.
• MCP 도구는 검색만 하는 것이 아니라, 대화 중 만들어진 결과물을 벡터 DB에 거꾸로 저장하는 통로가 된다.
• 시멘틱·키워드·하이브리드 검색을 지정만 하면 모델이 상황에 맞게 검색 방식을 바꿔 실행한다.
• 같은 MCP 설정을 클로드 데스크톱과 커서 양쪽에 붙일 수 있어, 도구를 옮겨 다녀도 지식 베이스는 하나로 유지된다.

쉽게 이해하기

발표자가 소개하는 랭커넥트 클라이언트는 벡터 데이터베이스를 관리하기 위한 GUI 도구다. 문서를 올리고 컬렉션을 정리하는 일을 화면에서 처리할 수 있게 만들었지만, 발표자는 거기서 끝나면 안 된다고 말한다. 벡터 DB를 만드는 진짜 이유는 결국 RAG를 구축하기 위해서이고, 그래서 핵심은 이 GUI로 만든 벡터 DB를 MCP로 감싸 클로드 데스크톱이나 커서 같은 이미 상용화된 도구와 물리는 데 있다. 이렇게 하면 랭체인이나 랭그래프로 검색 파이프라인을 직접 코딩하지 않고도 평소 쓰던 AI 도구 안에서 내 문서를 근거로 답을 받을 수 있다.

설치는 슈퍼베이스 프로젝트를 만드는 것에서 시작한다. 슈퍼베이스는 인증 용도로 쓰이며, 아이디별로 지식 베이스를 나누기 때문에 A라는 사용자와 B라는 사용자가 보는 벡터 데이터베이스가 서로 달라진다. 프로젝트를 만든 뒤 프로젝트 URL과 anon public 키를 복사해 두고, 내려받은 프로젝트의 예시 환경설정 파일 이름을 바꿔 이 두 값과 OpenAI API 키를 채워 넣으면 준비가 끝난다. 이후 빌드와 실행 명령 두 번으로 도커 이미지가 만들어지고 로컬 3000번 포트에 화면이 뜬다.

화면에서 컬렉션은 폴더 개념이다. 발표자는 rag와 personal 두 개의 컬렉션을 만들고 rag 쪽에 파일 네 개를 올리는데, 업로드 직전에 청크 크기와 오버랩을 직접 지정할 수 있다. 업로드가 끝나면 문서별 글자 수와 청크 개수, 청크 미리보기와 메타데이터를 확인할 수 있고 원하지 않는 청크만 골라 지울 수도 있다. 검색 탭에서는 시멘틱 검색뿐 아니라 키워드 검색과 하이브리드 검색을 바꿔 가며 결과 차이를 비교해 볼 수 있다.

연동은 MCP 생성 명령 한 번으로 이뤄진다. 가입한 이메일과 비밀번호를 입력하면 설정 파일이 만들어지고, 이 내용을 클로드 데스크톱의 개발자 설정 파일에 붙여 넣은 뒤 앱을 완전히 껐다 켜면 도구 목록에 해당 MCP가 나타난다. 커서에서는 설정의 도구 통합 메뉴에서 새 MCP 서버로 같은 내용을 추가하면 된다. 실제 질문을 던지면 모델이 컬렉션 목록을 실시간으로 불러오고, 멀티쿼리 도구로 여러 개의 질의를 만들어 순차 검색한 뒤 출처까지 붙여 답을 정리한다.

발표자가 특히 강조하는 것은 반대 방향의 흐름이다. GPT에서 나눈 대화는 GPT에, 클로드에서 뽑은 결과물은 클로드에 흩어져 남는 문제를 지적하며, 대화 중 나온 좋은 결과물을 특정 컬렉션에 저장하라고 지시하기만 하면 벡터 DB에 자동으로 청킹되어 쌓인다는 점을 보여 준다. 장기 기억용 컬렉션을 따로 만들어 두는 활용법도 함께 제시한다.

주요 인사이트

• RAG의 병목이 검색 알고리즘이 아니라 지식 베이스 운영에 있다는 관점이 드러난다. 청크 크기 조정과 청크 삭제, 메타데이터 확인 같은 관리 기능이 화면 전면에 배치돼 있다.
• MCP를 읽기 전용 검색 인터페이스가 아니라 읽고 쓰는 양방향 통로로 쓴 점이 가장 실용적이다. 도구를 옮겨 다니며 흩어지는 대화 결과물을 한곳에 모을 수 있다.
• 사용자별로 벡터 DB를 분리한 설계는 개인용 도구를 팀 단위로 확장할 때 필요한 최소한의 경계선을 미리 그어 둔 것이다.
• MCP 서버에 리소스와 프롬프트까지 등록해 두면 긴 프롬프트를 복사해 붙일 필요가 없어지는데, 이는 MCP가 도구 호출 이상의 용도로 쓰일 수 있음을 보여 준다.
• 코딩 없이 따라 할 수 있다고 하지만 도커 빌드와 환경설정 파일 편집, 외부 API 키 발급이 필요하다는 점에서 진입 장벽이 완전히 사라진 것은 아니다.

자주 묻는 질문

관련 AI 소식