기술문서

 > 

MCP

Model Context Protocol (MCP): AI 모델과 외부 세계를 연결하는 '언어'

Model Context Protocol (MCP): AI 모델과 외부 세계를 연결하는 '언어'

Model Context Protocol (MCP)은 최근 AI, 특히 대규모 언어 모델(LLM)이 외부 시스템, 도구, 그리고 사용자의 특정 컨텍스트(상황, 정보)와 더욱 효과적으로 상호작용할 수 있도록 설계된 개념적/기술적 프레임워크입니다. 쉽게 말해, AI 모델이 세상의 다양한 정보를 이해하고, 이를 바탕으로 의미 있는 작업을 수행하도록 돕는 표준화된 '언어' 또는 '규칙'의 집합이라고 할 수 있습니다.

왜 MCP가 필요한가?

기존 LLM은 방대한 텍스트 데이터로 학습되어 뛰어난 언어 이해 및 생성 능력을 보여줍니다. 하지만 다음과 같은 한계가 있었습니다.

1. 실시간/최신 정보 부족: 학습 데이터 시점 이후의 최신 정보나, 사용자의 개인적인 데이터(예: 이메일, 캘린더, 내부 문서)에 직접 접근할 수 없습니다.

2. 도구 사용 능력 부족: 외부 API나 소프트웨어 도구(예: 코드 컴파일러, 데이터베이스 쿼리 도구, 웹 검색 엔진)를 직접 호출하여 특정 작업을 수행할 수 없습니다.

3. 컨텍스트 이해의 한계: 특정 상황이나 작업의 복잡한 배경 정보(예: 프로젝트의 전체 코드베이스 구조, 특정 사용자의 이전 대화 내용, 특정 회사의 내부 정책)를 온전히 이해하기 어렵습니다.

MCP는 이러한 한계를 극복하고 LLM의 활용도를 극대화하기 위해 등장했습니다.

MCP의 주요 구성 요소 및 개념

MCP는 다양한 방식으로 구현될 수 있지만, 핵심적인 아이디어는 다음과 같은 요소들을 포함합니다:

1. 컨텍스트 인코딩(Context Encoding):

   • AI 모델이 이해할 수 있는 형식으로 외부 정보를 변환하는 방식입니다.

   • 임베딩(Embeddings): 텍스트나 데이터를 고차원 벡터 공간의 숫자로 표현하여 의미론적 유사성을 파악하게 합니다. (RAG의 핵심)

   • 구조화된 데이터 형식: JSON, YAML, XML 등 구조화된 데이터를 AI 모델이 해석할 수 있도록 정의합니다. (예: API 스키마 정의)

   • 태그/메타데이터: 코드, 문서, 데이터에 특정 의미를 부여하는 태그나 메타데이터를 추가하여 AI가 관련 정보를 빠르게 찾고 이해하도록 돕습니다.

2. 도구 호출/함수 호출(Tool/Function Calling):

   • AI 모델이 외부 도구(API)를 호출하여 특정 작업을 수행할 수 있도록 하는 메커니즘입니다.

   • 개발자는 AI 모델에게 호출할 수 있는 도구 목록과 각 도구의 기능, 필요한 입력 파라미터 등을 명시적으로 알려줍니다 (예: OpenAI의 Function Calling, Google의 Gemini Function Calling).

   • AI 모델은 사용자 프롬프트와 제공된 도구 설명을 바탕으로, 어떤 도구를 호출해야 가장 적절한 결과를 얻을 수 있을지 판단합니다.

3. 컨텍스트 확장(Context Augmentation) / RAG (Retrieval Augmented Generation):

   • AI 모델의 컨텍스트 윈도우(한 번에 처리할 수 있는 정보량)가 제한적이라는 점을 해결합니다.

   • 사용자의 질문이나 현재 작업 컨텍스트와 관련된 외부 지식(문서, 데이터베이스 내용, 코드 조각 등)을 **검색(Retrieval)**하여 AI 모델의 입력 프롬프트에 **추가(Augment)**하여 전달합니다.

   • 이를 통해 AI 모델은 학습 데이터에 없는 최신 정보나 특정 도메인의 전문 지식을 활용하여 답변을 생성할 수 있습니다.

4. 피드백 루프(Feedback Loop):

   • AI 모델이 외부 도구의 실행 결과를 다시 입력으로 받아 다음 행동을 결정하거나, 오류를 수정하도록 합니다.

   • 이는 AI 에이전트가 자율적으로 목표를 달성해 나가는 데 필수적인 요소입니다.

5. 보안 및 권한 관리:

   • AI 모델이 외부 시스템에 접근하므로, 어떤 데이터에 접근할 수 있는지, 어떤 작업을 수행할 수 있는지에 대한 엄격한 보안 및 권한 관리가 MCP의 중요한 부분입니다.

MCP의 활용 예시

• AI 코딩 도구 (예: Cursor, GitHub Copilot Chat):

  • 코드베이스 이해: MCP를 통해 AI가 단순히 현재 파일만 보는 것이 아니라, 프로젝트의 전체 코드 구조, 파일 간의 관계, 종속성 등을 이해합니다.

  • 오류 진단: 특정 코드 오류 발생 시, AI가 관련 로그, 빌드 설정, 코드 변경 내역 등을 컨텍스트로 받아 오류의 원인을 진단하고 수정 제안을 합니다.

  • 새로운 기능 구현: "이 부분에 사용자 인증 기능을 추가해줘"라고 하면, AI가 기존 인증 모듈의 코드, 데이터베이스 스키마, 관련 API 문서 등을 MCP를 통해 파악하여 적절한 코드를 생성합니다.

• AI 기반 데이터 분석:

  • 사용자가 "지난달 매출 데이터를 분석하고 이상치를 찾아줘"라고 질문하면, AI가 MCP를 통해 내부 데이터베이스 쿼리 도구를 호출하고, 그 결과를 바탕으로 분석 및 시각화를 수행합니다.

• AI 비서/에이전트:

  • "오늘 저녁 7시에 친구와 식사 약속을 잡아줘"라고 하면, AI가 MCP를 통해 캘린더 API를 호출하여 가능한 시간을 확인하고, 레스토랑 예약 API를 호출하여 예약까지 완료합니다.

MCP의 중요성

MCP는 LLM이 단순한 텍스트 생성기를 넘어, **복잡한 문제 해결, 외부 도구 활용, 실시간 정보 처리 등 실제 세계의 다양한 작업을 수행할 수 있는 진정한 에이전트(Agent)**로 발전하는 데 필수적인 기반 기술입니다. 이는 AI의 활용 범위를 크게 확장하고, 개발 및 비즈니스 프로세스에 혁신을 가져올 잠재력을 가지고 있습니다.

아직 표준화된 단일 "MCP"가 확립된 것은 아니지만, OpenAI, Google, Microsoft 등 주요 AI 플레이어들은 각자의 방식으로 이러한 "모델-외부 컨텍스트 상호작용" 프로토콜을 구현하고 발전시켜 나가고 있습니다.