Model Context Protocol (MCP) - 1

서론

Model Context Protocol (MCP)은 Anthropic이 소개한 개방형 표준으로, AI 애플리케이션(챗봇, IDE 어시스턴트, 맞춤형 에이전트 등)이 외부 도구, 데이터 소스 및 시스템과 연결되는 방식을 표준화하는 것을 목표로 합니다. 이는 AI 통합을 위한 일종의 'USB-C 포트'와 같이 생각할 수 있으며 , 다양한 AI 시스템과 외부 리소스 간의 복잡하고 파편화된 연결 문제를 해결하기 위해 설계되었습니다. MCP는 AI 모델이 필요한 컨텍스트(Context)를 안전하고 효율적으로 확보하고, 외부 기능을 활용하여 더욱 정확하고 관련성 높은 응답을 생성하도록 돕습니다.  

 

본 학습 자료는 개발자들이 MCP의 핵심 개념을 이해하고, 실제 애플리케이션에 효과적으로 구현 및 활용할 수 있도록 돕는 것을 목표로 합니다. 구체적인 학습 목표는 다음과 같습니다.

• AI 모델, 특히 LLM(Large Language Model)에서 컨텍스트 관리의 중요성을 이해합니다.
• Model Context Protocol (MCP)의 개념, 목적, 구조를 명확히 파악합니다.
• MCP 명세에 따라 컨텍스트를 구성하고 전송/수신하는 방법을 익힙니다.
• 다양한 애플리케이션 시나리오에서 MCP를 효과적으로 적용하고 응용하는 능력을 배양합니다.

본 자료는 총 3부로 구성되어 있습니다. 1부에서는 MCP의 기초가 되는 컨텍스트의 중요성과 프로토콜의 기본 개념을 다룹니다. 2부에서는 MCP 명세를 상세히 분석하고, 클라이언트 및 서버 측 구현 방법을 코드 예제와 함께 살펴봅니다. 마지막 3부에서는 MCP의 고급 활용 기법과 실제 적용 사례, 그리고 향후 발전 방향에 대해 논의합니다.

1부: MCP 기초 - 컨텍스트와 프로토콜의 이해

1장: AI 모델과 컨텍스트의 중요성

AI, 특히 대규모 언어 모델(LLM)의 성능과 유용성은 제공되는 컨텍스트의 질과 양에 크게 좌우됩니다. 컨텍스트는 모델이 사용자의 의도를 파악하고, 일관성 있는 상호작용을 유지하며, 관련성 높은 응답을 생성하는 데 필수적인 요소입니다.

1.1. 컨텍스트(Context)란 무엇인가?

AI 모델의 맥락에서 컨텍스트는 모델이 현재 작업을 이해하고 처리하는 데 사용하는 모든 관련 정보를 의미합니다. 이는 단순히 대화의 이전 메시지뿐만 아니라, 사용자 정보(선호도, 과거 이력 등), 현재 시스템 상태, 외부 데이터베이스의 정보, 실시간 데이터 피드 등 광범위한 정보를 포함할 수 있습니다. 효과적인 컨텍스트 관리는 AI 시스템이 마치 이전 상호작용을 기억하고 현재 상황을 인지하는 것처럼 작동하게 만듭니다.  

1.2. 왜 AI 모델(특히 LLM)에 컨텍스트가 중요한가?

LLM은 본질적으로 상태 비저장(stateless) 방식으로 작동하는 경우가 많아, 각 요청을 독립적으로 처리합니다. 따라서 컨텍스트 관리는 다음과 같은 이유로 매우 중요합니다.  

• 기억 및 연속성: 컨텍스트는 모델이 이전 대화 내용을 '기억'하고 대화의 흐름을 유지하도록 돕습니다. 이는 사용자가 반복적으로 정보를 제공할 필요 없이 자연스러운 대화를 가능하게 합니다.  
• 개인화: 사용자의 선호도, 과거 행동, 특정 요구사항 등의 컨텍스트를 활용하여 모델은 더욱 개인화되고 관련성 높은 응답이나 추천을 제공할 수 있습니다.  
• 일관성 유지: 여러 차례의 상호작용에 걸쳐 일관된 정보와 톤을 유지하는 데 컨텍스트가 필수적입니다. 이는 사용자 경험의 질을 높이고 신뢰도를 구축하는 데 기여합니다.  
• 지식 한계 극복: LLM의 학습 데이터는 특정 시점까지의 정보를 반영합니다 (Knowledge Cutoff). 컨텍스트를 통해 실시간 정보나 최신 데이터를 모델에 제공함으로써 이러한 한계를 극복하고 최신 정보를 반영한 응답 생성을 도울 수 있습니다.  
• 환각(Hallucination) 감소: 모델이 알지 못하는 정보에 대해 추측하거나 잘못된 정보를 생성하는 '환각' 현상은 컨텍스트 부족으로 인해 발생할 수 있습니다. 관련성 높은 사실적 컨텍스트를 제공함으로써 환각 가능성을 줄이고 응답의 신뢰도를 높일 수 있습니다.  

1.3. 기존 컨텍스트 관리 방식의 문제점 및 한계

기존의 LLM 애플리케이션 컨텍스트 관리 방식은 여러 가지 문제점과 한계를 가지고 있습니다.

• 상태 비저장성: 많은 LLM 시스템은 각 요청을 독립적으로 처리하여 이전 상호작용의 컨텍스트를 자동으로 유지하지 못합니다. 이를 해결하기 위해 개발자는 대화 기록 전체를 매번 요청에 포함시켜야 하는 경우가 많습니다.  
• 컨텍스트 창 제한: LLM은 한 번에 처리할 수 있는 정보의 양(토큰 수)에 제한이 있습니다 (Context Window Limit). 대화가 길어지거나 참조해야 할 정보가 많아지면 이 제한을 초과하게 되어 오래된 정보가 누락되거나 모델 성능이 저하될 수 있습니다.  
• 단편적인 통합 (M*N 문제): 다양한 외부 데이터 소스(데이터베이스, API, 파일 시스템 등)나 도구를 LLM과 통합하기 위해 각 조합마다 개별적인 맞춤형 연동 코드를 개발해야 합니다. 이는 AI 애플리케이션(M개)과 외부 시스템(N개)의 수가 증가함에 따라 관리해야 할 통합 지점(M*N개)이 기하급수적으로 늘어나는 문제를 야기합니다.  
• 실시간 데이터 접근의 어려움: LLM의 학습 데이터는 정적이며, 실시간으로 변화하는 정보에 접근하기 위한 표준화된 방법이 부족합니다.  
• 일관성 및 신뢰성 문제: 파편화된 통합 방식과 컨텍스트 관리의 어려움은 AI 응답의 일관성과 신뢰성을 저해할 수 있습니다.  

1.4. 표준화된 컨텍스트 관리의 필요성 대두

이러한 기존 방식의 한계를 극복하고, 더욱 강력하고 효율적인 AI 애플리케이션을 구축하기 위해 표준화된 컨텍스트 관리 프로토콜의 필요성이 커졌습니다. 표준화는 다음과 같은 이점을 제공합니다.

• 통합 단순화: 공통 인터페이스를 제공하여 다양한 AI 모델과 외부 시스템 간의 연동을 단순화하고, M*N 문제를 M+N 문제로 전환합니다.  
• 상호 운용성 향상: 서로 다른 시스템과 도구가 원활하게 통신하고 데이터를 교환할 수 있도록 하여, 특정 벤더나 플랫폼에 종속되지 않는 유연한 아키텍처 구축을 가능하게 합니다.  
• 개발 오버헤드 감소: 개발자는 반복적인 통합 코드 작성 대신 핵심 애플리케이션 로직 개발에 집중할 수 있습니다.  
• 신뢰성 및 일관성 증대: 표준화된 방식으로 컨텍스트를 처리함으로써 AI 응답의 일관성과 예측 가능성을 높입니다.  
• 생태계 성장 촉진: 개발자들이 쉽게 참여하고 기여할 수 있는 개방형 생태계를 조성하여 혁신을 가속화합니다.  

이는 웹 기술 발전에 기여한 HTTP, TCP/IP나 개발 도구 생태계를 혁신한 LSP(Language Server Protocol)와 유사한 역할을 AI 분야에서 수행하려는 시도로 볼 수 있습니다. Model Context Protocol(MCP)은 이러한 표준화 요구에 부응하기 위해 등장했습니다.  

2장: Model Context Protocol (MCP) 소개

Model Context Protocol(MCP)은 AI 애플리케이션과 외부 세계 간의 상호작용을 표준화하기 위해 Anthropic이 제안하고 오픈소스로 공개한 프로토콜입니다.

2.1. MCP의 정의: 무엇을 위한 프로토콜인가?

MCP는 AI 애플리케이션(호스트/클라이언트)이 외부 데이터 소스, 도구, 시스템(서버)과 안전하고 효율적으로 통신하기 위한 개방형 표준 프로토콜입니다. 이는 AI 모델이 단순히 학습된 데이터에만 의존하는 것이 아니라, 필요한 외부 컨텍스트(Resources)를 동적으로 가져오고, 특정 기능(Tools)을 실행하며, 미리 정의된 상호작용 흐름(Prompts)을 사용할 수 있도록 표준화된 방법을 제공합니다. MCP는 특정 AI 모델에 종속되지 않으며(model-agnostic), 다양한 시스템 간의 상호 운용성을 목표로 합니다.  

2.2. MCP의 설계 목표 및 핵심 원칙

MCP는 다음과 같은 설계 목표와 핵심 원칙을 기반으로 합니다.

• 통합 단순화 및 표준화: 파편화된 개별 통합 방식을 대체하고, AI 시스템과 외부 리소스 간 연결을 위한 단일하고 보편적인 표준을 제공하여 통합 복잡성을 줄입니다.  
• 컨텍스트 강화 및 응답 품질 향상: AI 모델이 격리된 상태에서 벗어나 필요한 데이터와 도구에 접근하여 더 정확하고 관련성 높은 응답을 생성하도록 지원합니다.  
• 상호 운용성 및 확장성: 다양한 AI 플랫폼, 모델, 외부 시스템이 서로 호환되도록 하고, 새로운 기능이나 시스템을 쉽게 추가할 수 있는 확장 가능한 구조를 지향합니다.  
• 보안 및 사용자 제어: 데이터 접근 및 도구 실행에 대한 명시적인 사용자 동의와 제어를 강조하며, 데이터 프라이버시와 안전한 상호작용을 위한 원칙을 제시합니다.  
• 개발자 경험 향상: 다양한 언어의 SDK와 명확한 문서를 제공하여 개발자가 MCP를 쉽게 이해하고 구현할 수 있도록 지원합니다.  
• 구성 가능성(Composability): 각 서버가 특정 기능에 집중하고, 여러 서버를 조합하여 복잡한 워크플로우를 구성할 수 있도록 설계되었습니다.  

2.3. MCP가 해결하고자 하는 주요 문제들

MCP는 기존 AI 통합 방식의 여러 문제점을 해결하는 것을 목표로 합니다.

• M*N 통합 문제: 다수의 AI 애플리케이션과 다수의 외부 시스템 간의 복잡한 통합 문제를 표준 프로토콜 도입으로 단순화합니다.  
• 데이터 사일로: AI 모델이 기업 내부 데이터, 실시간 정보 등 다양한 데이터 소스로부터 격리되는 문제를 해결하여 필요한 정보에 접근할 수 있도록 합니다.  
• 지식 단절 및 컨텍스트 창 제한: 외부 리소스 접근을 통해 LLM의 학습 데이터 시점 한계를 극복하고, 컨텍스트 창 제한 내에서 가장 관련성 높은 정보를 제공하도록 돕습니다 (직접적인 창 확장보다는 효율적 컨텍스트 활용).  
• 표준화 부재: 도구 사용이나 컨텍스트 제공 방식이 표준화되지 않아 발생하는 비효율성과 개발 오버헤드를 줄입니다.  

2.4. MCP 적용 대상 및 범위

MCP는 광범위한 AI 애플리케이션과 시스템 간의 상호작용에 적용될 수 있습니다.

• MCP 호스트 (Host): 사용자와 직접 상호작용하는 AI 애플리케이션입니다.
  • UI 앱: Claude Desktop, Microsoft Copilot Studio, LibreChat 등.  
  • IDE: Cursor, Windsurf, Continue, Zed, Cline 등.  
  • 맞춤형 에이전트/워크플로우: Firebase Genkit, LangGraph, OpenAI Agents SDK 기반 시스템 등.  
• MCP 서버 (Server): 특정 기능이나 데이터 소스를 MCP 표준에 맞춰 노출하는 프로그램입니다.
  • 데이터 소스 래퍼: 로컬 파일 시스템, 데이터베이스(Postgres, SQLite 등), 클라우드 스토리지(Google Drive 등).  
  • API 래퍼: 외부 API(Slack, GitHub, Google Maps 등), 내부 비즈니스 시스템 API.  
  • 특수 기능 제공: 웹 브라우저 자동화(Puppeteer), 검색 엔진(Brave Search), 이미지 생성(EverArt), 버전 관리(Git) 등.  
• 상호작용 범위: MCP는 AI 모델에 컨텍스트(데이터)를 제공하고, AI 모델이 외부 도구(기능)를 실행하며, 미리 정의된 프롬프트(워크플로우)를 사용하는 모든 종류의 상호작용을 표준화합니다.  

3장: MCP 기본 구조 및 구성 요소

MCP는 명확한 아키텍처와 핵심 구성 요소를 통해 표준화된 상호작용을 구현합니다.

3.1. MCP 아키텍처: Host, Client, Server

MCP는 클라이언트-서버 아키텍처를 기반으로 하며, 여기에 '호스트(Host)'라는 개념이 추가됩니다.  

• 호스트 (Host): 사용자가 직접 상호작용하는 주 애플리케이션입니다 (예: Claude Desktop, Cursor IDE). 호스트는 전체 시스템을 조율하고, LLM과의 상호작용을 관리하며, 하나 이상의 MCP 클라이언트 인스턴스를 내장하고 관리합니다. 보안 정책, 사용자 동의 관리 등도 호스트의 책임일 수 있습니다.  
• 클라이언트 (Client): 호스트 애플리케이션 내부에 존재하며, 특정 MCP 서버와의 1:1 연결을 관리하는 구성 요소입니다. 클라이언트는 서버와의 통신(메시지 라우팅, 요청/응답 처리), 기능 탐색(Discovery), 연결 관리 및 프로토콜 협상 등을 담당합니다. 
• 서버 (Server): 외부 시스템(API, 데이터베이스, 파일 시스템 등)의 기능이나 데이터를 MCP 표준에 따라 노출하는 독립적인 프로그램입니다. 서버는 클라이언트의 요청을 받아 처리하고, 정의된 기능(Tools, Resources, Prompts)을 제공합니다. 서버는 다양한 언어로 구현될 수 있습니다.  

이 구조는 관심사를 명확히 분리하여, 호스트는 LLM 상호작용에, 클라이언트는 통신 관리에, 서버는 특정 기능 제공에 집중할 수 있게 합니다.

3.2. 주요 기능 프리미티브: Tools, Resources, Prompts

MCP 서버는 클라이언트(및 이를 통해 LLM)에게 세 가지 주요 유형의 기능을 제공할 수 있습니다.  

• 도구 (Tools):
  • 제어 주체: 모델 (Model-controlled).  
  • 정의: LLM이 특정 작업을 수행하기 위해 호출할 수 있는 실행 가능한 함수나 액션입니다. 외부 API 호출, 계산 수행, 시스템 조작 등이 해당됩니다. 이는 다른 LLM 시스템의 '함수 호출(function calling)'과 유사한 개념입니다.  
  • 특징: 상태를 변경하거나 외부 시스템과 상호작용하여 부작용(side effect)을 일으킬 수 있습니다.  
• 리소스 (Resources):
  • 제어 주체: 애플리케이션 (Application-controlled).  
  • 정의: LLM이 컨텍스트로 사용하기 위해 접근할 수 있는 데이터 소스입니다. 파일 내용, 데이터베이스 레코드, API 응답 결과, 로그 파일 등이 해당됩니다. REST API의 GET 엔드포인트와 유사하게, 주로 데이터를 제공하며 큰 계산이나 부작용은 없습니다.  
  • 특징: 모델의 입력 컨텍스트 일부로 사용되어 응답 생성에 필요한 정보를 제공합니다.  
• 프롬프트 (Prompts):
  • 제어 주체: 사용자 (User-controlled).  
  • 정의: 도구나 리소스를 최적으로 사용하기 위한 미리 정의된 템플릿이나 워크플로우입니다. 사용자는 LLM 추론 실행 전에 특정 프롬프트를 선택하여 상호작용 방식을 지정할 수 있습니다.  
  • 특징: 반복적인 작업을 표준화하거나 복잡한 상호작용을 안내하는 데 사용될 수 있습니다. 클라이언트 UI에 슬래시 명령어(/) 등으로 노출될 수 있습니다.  

이 세 가지 프리미티브는 MCP를 통한 AI 상호작용의 핵심 구성 요소입니다.

3.3. 기본 프로토콜 및 데이터 형식

MCP는 통신의 기반으로 잘 알려진 표준 기술을 활용합니다.

• 메시지 형식: 모든 MCP 통신 메시지는 JSON-RPC 2.0 명세를 따릅니다. 이는 요청(Request), 응답(Response), 알림(Notification)의 세 가지 기본 메시지 유형을 정의합니다.
  • 요청 (Request): 클라이언트나 서버가 상대방에게 특정 작업(메소드 호출)을 요청하고 응답을 기대하는 메시지입니다. 고유한 ID를 포함해야 합니다.
  • 응답 (Response): 요청에 대한 성공 결과(result) 또는 오류 정보(error)를 담아 보내는 메시지입니다. 요청과 동일한 ID를 포함해야 합니다.  
  • 알림 (Notification): 상대방에게 정보를 전달하지만 응답을 요구하지 않는 단방향 메시지입니다. ID를 포함하지 않습니다.  
• 데이터 형식: 메시지 내의 파라미터(params), 결과(result), 오류 데이터(data) 등은 JSON 형식을 따릅니다. 스키마 정의에는 JSON Schema가 사용될 수 있으며, TypeScript SDK 등에서는 Zod와 같은 라이브러리를 활용하여 스키마를 정의하고 검증하는 경우가 많습니다.  
• 상태 저장 연결 (Stateful Connections): MCP는 클라이언트와 서버 간에 상태를 유지하는 연결을 설정합니다. 이는 단순한 일회성 요청-응답이 아니라, 연결이 유지되는 동안 프로토콜 버전 및 기능 협상, 연속적인 상호작용, 실시간 업데이트 등이 가능함을 의미합니다.  

이러한 기본 프로토콜과 데이터 형식은 MCP의 상호 운용성과 표준화된 통신을 보장하는 기반이 됩니다.

3.4. MCP의 기본적인 상호작용 흐름

클라이언트와 서버 간의 MCP 상호작용은 일반적으로 다음과 같은 흐름을 따릅니다.

1. 초기화 (Initialization):
   • 호스트 애플리케이션이 시작되면, 필요한 MCP 클라이언트를 생성합니다.  
   • 클라이언트는 대상 MCP 서버에 연결을 시도하고 initialize 요청을 보냅니다. 이 요청에는 클라이언트가 지원하는 프로토콜 버전, 클라이언트의 기능(capabilities) 등의 정보가 포함됩니다.  
   • 서버는 initialize 요청에 응답하며, 자신이 지원하는 (그리고 클라이언트와 호환되는) 프로토콜 버전과 서버의 기능(제공하는 Tools, Resources, Prompts 등) 정보를 반환합니다. 이 과정을 통해 프로토콜 버전과 사용 가능한 기능이 협상됩니다. 
   • 클라이언트는 성공적인 초기화를 확인하기 위해 서버에 initialized 알림을 보냅니다.  
2. 기능 탐색 (Discovery):
   • 초기화 후, 클라이언트는 서버가 제공하는 구체적인 기능 목록을 요청할 수 있습니다. 예를 들어, tools/list, resources/list, prompts/list 요청을 보내 사용 가능한 도구, 리소스, 프롬프트의 이름, 설명, 스키마 등의 정보를 얻습니다. 
3. 실행 및 데이터 요청 (Execution & Data Request):
   • 사용자의 요청이나 LLM의 판단에 따라 특정 기능이 필요하게 되면, 클라이언트는 서버에 해당 기능을 요청합니다.
   • 도구 호출: tools/call 요청을 통해 특정 도구의 이름과 필요한 인자(arguments)를 전달하여 실행을 요청합니다.  
   • 리소스 읽기: resources/read 요청을 통해 특정 리소스의 URI를 전달하여 해당 데이터를 요청합니다.  
   • 프롬프트 사용: prompts/get 요청을 통해 특정 프롬프트의 이름과 인자를 전달하여 LLM에 전달할 메시지 내용을 얻습니다.  
4. 응답 처리 (Response Handling):
   • 서버는 클라이언트의 요청을 처리하고, 그 결과를 응답 메시지로 반환합니다. 도구 실행 결과, 리소스 데이터, 프롬프트 메시지 등이 될 수 있습니다. 오류가 발생한 경우 오류 정보를 포함한 응답을 보냅니다.  
   • 클라이언트(및 호스트)는 서버로부터 받은 응답을 처리하여 사용자에게 보여주거나, LLM의 다음 입력 컨텍스트로 통합하는 등의 후속 조치를 취합니다.  
5. 종료 (Termination):
   • 상호작용이 완료되거나 필요에 따라 클라이언트 또는 서버는 연결 종료를 시작할 수 있습니다. 이는 기본 전송 메커니즘(예: 스트림 닫기)을 통해 이루어집니다.  

이 흐름은 MCP 기반 시스템의 기본적인 작동 방식을 보여주며, 실제 구현에서는 알림, 구독, 진행률 보고 등 더 복잡한 상호작용이 추가될 수 있습니다.