Isaac's Tech Blog

Model Context Protocol(MCP) 소개: 개념, 기술 구조와 활용 사례

Mon 24 March 2025

최근 AI 개발자들 사이에서 MCP(Model Context Protocol)가 큰 주목을 받고 있습니다. 2024년 11월 말 앤트로픽(Anthropic)이 이 MCP를 오픈소스로 공개한 이후 처음에는 조용했지만, 점차 개발자 커뮤니티와 소셜 미디어에서 화제가 되었죠. 왜일까요? AI 모델이 단순히 질문에 답하는 것을 넘어, 실제 업무에 필요한 외부 데이터에 직접 접근하고 활용하는 새로운 가능성을 열었기 때문입니다. 이번 글에서는 MCP의 개념과 등장 배경, 기술적 구조와 동작 방식, 실제 및 잠재적 활용 사례, 그리고 최근 특히 각광받는 이유를 살펴보겠습니다.

MCP란 무엇이며 왜 등장했나?

MCP(Model Context Protocol)는 대형 언어 모델(LLM)이 다양한 외부 데이터 소스 및 도구와 표준화된 방식으로 연결될 수 있도록 고안된 개방형 프로토콜입니다. 쉽게 말해, MCP는 AI용 “USB-C 포트”와 같습니다. 여러 기기를 하나의 포트로 연결하듯이, MCP를 통해 서로 다른 AI 모델과 데이터 소스를 단일한 인터페이스로 연결할 수 있습니다. 아래 그림은 MCP의 이런 “범용 커넥터”로서의 역할을 보여줍니다.

image.png

MCP 아키텍처 개념도: MCP를 USB-C 허브에 비유한 그림입니다. 우측 상단의 Claude 등 MCP 호스트(AI 앱)가 MCP 클라이언트를 통해 좌측 하단의 Slack, Gmail, 파일 시스템 등의 MCP 서버(데이터 소스 서비스)에 연결되어 컨텍스트를 주고받는 모습입니다. MCP가 일종의 허브/포트 역할을 하여 AI와 여러 외부 시스템을 한 번에 호환시키는 구조임을 보여줍니다.

등장 배경: 단절된 정보와 M×N 문제

오늘날 AI 모델은 뛰어난 능력을 갖췄지만, 필요한 데이터에 직접 접근하기 어려워 제한된 환경에 갇혀 있었습니다. 새로운 데이터 소스마다 별도의 커넥터를 그때그때 개발해야 했고, 각 벤더나 애플리케이션마다 제각기 다른 방식의 통합을 만들어내다 보니 호환성과 확장성이 떨어졌습니다. 이처럼 M개의 AI 애플리케이션과 N개의 데이터 소스/도구를 모두 연결하려면 M×N에 비례하는 통합 작업이 필요해지는 문제가 있었는데, 과거 개발 도구 분야에서 언급되던 “M×N 문제”와 유사한 상황이었습니다. 예컨대 어떤 AI 앱은 특정 데이터베이스에 강하게 연동되지만 다른 데이터에는 약하거나, 각 앱이 비슷한 기능을 서로 호환되지 않게 따로 구현하는 등의 파편화된 생태계가 형성되고 있었죠.

앤트로픽의 MCP는 바로 이 문제를 해결하기 위해 나왔습니다. Language Server Protocol(LSP)이 과거 에디터와 프로그래밍 언어의 통합 문제를 표준화로 풀었던 것처럼, MCP도 AI 애플리케이션과 외부 도구들의 연결을 표준화하여 M×N 문제를 M+N 문제로 단순화합니다. 이제 각 AI 애플리케이션은 MCP 한 가지만 구현하면 되고, 각 도구/데이터 소스도 MCP 서버로 구현되기만 하면 됩니다. 그 결과 한 번 구현으로 모두 호환되는 보다 지속가능한 생태계가 만들어집니다. 앤트로픽 발표에서는 “단절된 정보 섬을 연결하고, 개별 통합에 들이던 노력을 하나의 프로토콜로 대체한다”라고 MCP의 목표를 설명합니다. 요컨대 MCP는 AI와 데이터 사이의 연결을 획기적으로 단순화하는 공통 인터페이스인 것입니다.

MCP의 정의와 목적

정리하면, MCP는 AI 모델과 외부 세계를 잇는 범용 연결 프로토콜입니다. 이 프로토콜을 통해 AI 모델(예: 챗봇, 코딩 도우미 등)은 파일 시스템, 데이터베이스, API, 사내 문서, 업무 툴 등 다양한 출처의 데이터에 안전하게 접근하고 상호작용할 수 있습니다. 기존에도 API 호출이나 플러그인 등으로 비슷한 통합을 했지만, MCP는 이를 더 표준적이고 유연한 방식으로 추상화했습니다. 예를 들어 “지금 뉴욕의 날씨 알려줘”라는 질문에, 과거에는 AI가 미리 학습된 지식만으로 답하거나 개발자가 날씨 API를 호출하도록 프로그래밍해야 했습니다. 하지만 MCP를 활용하면, AI가 실시간으로 외부의 날씨 서비스에 질의하여 최신 정보를 가져와 답변할 수 있습니다. 또 “이 대화를 내 구글드라이브에 저장해줘”처럼 AI가 외부 프로그램을 직접 실행하거나 파일을 불러오는 식의 양방향 작업도 표준화된 방식으로 수행될 수 있습니다. 이처럼 MCP는 LLM의 한계를 넓혀주는 컨텍스트 확장 슈퍼파워라고 할 수 있습니다.

MCP의 기술 구조와 동작 방식

그렇다면 MCP는 어떻게 이러한 기능을 구현할까요? 기술적으로 MCP는 클라이언트-서버 아키텍처를 따릅니다. 전반적인 그림은 다음과 같습니다:

image2.png

이 구조에서 호스트(예: Claude AI)는 내부적으로 MCP 클라이언트를 통해 하나 이상의 서버에 연결되고, 각 서버는 자신이 가진 데이터/도구를 제공하여 AI 모델이 활용할 수 있게 합니다. MCP 통신은 JSON-RPC 2.0 규격으로 인코딩된 메시지를 사용하며, 클라이언트와 서버 간에 표준 입출력(stdin/stdout)이나 HTTP(S) 연결(SSE 방식) 등을 통해 주고받을 수 있습니다. 이는 마치 Language Server Protocol이 에디터와 언어 서버 간에 JSON-RPC로 통신하는 것과 비슷합니다.

MCP 프로토콜의 프리미티브 개념

MCP는 몇 가지 핵심 개념(프리미티브, primitives)으로 기능을 구조화합니다. 서버 측에는 세 가지 프리미티브가 있고, 클라이언트 측에는 두 가지 프리미티브가 있습니다 :

요약: MCP 서버는 프롬프트, 리소스, 도구라는 세 가지 타입의 기능을 제공하고, MCP 클라이언트(호스트)는 루트와 샘플링이라는 기능을 제공합니다. 이러한 프리미티브들은 궁극적으로 모두 LLM의 컨텍스트 창을 채우는 역할을 하지만, 의도에 따라 구분되어 있습니다. (예: 단순 참고자료는 리소스, API 호출은 도구, 등)

컨텍스트 데이터의 표현과 참조 방식

MCP에서 주고받는 데이터는 JSON-RPC 메시지들로 캡슐화되어 있습니다. 예를 들어 서버가 갖고 있는 리소스 목록을 보내거나, 클라이언트가 특정 도구를 호출해달라는 요청을 할 때, 모두 JSON 형태의 요청/응답이 오갑니다. 각 메시지에는 "jsonrpc": "2.0", 메소드 이름("method":...), 필요한 파라미터("params":...), 그리고 응답 시 결과나 에러 등이 명시됩니다.

특히 리소스(Resource)는 MCP에서 컨텍스트 데이터를 다루는 기본 단위인데, 각 리소스는 고유한 URI로 식별됩니다. 예를 들어 파일 리소스는 file:// 스키마로 경로를 표시하고, 데이터베이스 항목은 postgres://나 db:// 같은 커스텀 스키마를 사용할 수 있습니다. 리소스 URI는 그 자원의 위치나 종류를 나타내며, 실제 내용은 텍스트 또는 바이너리(blob) 형태로 제공됩니다. 클라이언트(호스트 애플리케이션)는 제공된 리소스 URI들을 보고 어떤 것을 모델에게 맥락으로 넣을지 선택하거나 자동 선택할 수 있습니다. 예컨대 Claude Desktop에서는 사용자가 UI에서 리소스를 선택해야 모델이 해당 내용을 읽게 하고, 향후 일부 클라이언트는 휴리스틱이나 AI 자체 판단으로 리소스를 자동 선택하게 할 수도 있다고 합니다. 리소스 사용 방식은 이렇게 클라이언트 앱에서 제어되며, 이는 모델이 맥락으로 참고할 수 있는 자료를 투명하게 관리하기 위함입니다.

한편 도구(Tool)의 실행 결과도 특별한 방식으로 전달됩니다. 도구는 함수 호출이므로 반환값이 있을 텐데, MCP 서버는 이를 곧바로 모델 답변에 섞는 게 아니라 content 필드를 통해 모델에게만 전달되는 숨겨진 응답으로 보냅니다. 예를 들어 get_weather라는 도구를 호출한 결과(현재 날씨 정보 JSON)는 사용자에게 바로 노출되기보다 모델만 참고하도록 audience: ["assistant"]이라는 주석(annotations)과 함께 컨텍스트로 제공됩니다. 그 뒤 모델은 이 정보를 활용해 최종 사용자에게 줄 답변을 생성하게 되죠. 이를 통해 사용자에게는 자연어 답변만 보이고, 내부적으로는 MCP가 데이터를 주고받아 활용한 것이 됩니다.

요청/응답 예시: 날씨 정보를 가져오는 MCP 활용

MCP의 동작을 좀 더 직관적으로 이해하기 위해, 간단한 예시 시나리오를 살펴보겠습니다. 가령 한 AI 비서가 “현재 뉴욕의 날씨가 어떤지 알려줘”라는 질문을 받았다고 해보죠. 이 AI 비서는 날씨 API에 접근하는 MCP 서버와 연결되어 있으며, 해당 서버에는 get_weather라는 이름의 툴(tool)이 제공되어 있다고 가정합니다. 아래는 이 경우 MCP 클라이언트(호스트)와 MCP 서버 사이에 오가는 JSON-RPC 메시지의 흐름입니다:

// (1) 클라이언트 → 서버 : 사용 가능한 도구 목록 요청
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/list",
  "params": {}
}

// (서버 → 클라이언트 응답) : 사용 가능한 도구 목록
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "tools": [
      {
        "name": "get_weather",
        "description": "Returns current weather conditions for the specified location.",
        "inputSchema": {
          "type": "object",
          "properties": {
            "latitude": { "type": "number" },
            "longitude": { "type": "number" }
          },
          "required": ["latitude", "longitude"]
        }
      }
      //...다른 툴들 목록...
    ]
  }
}

// (2) 클라이언트 → 서버 : 사용자가 get_weather 도구 사용을 승인하면, 해당 툴 호출 요청
{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {
      "latitude": 40.7128,
      "longitude": -74.0060
    }
  }
}

// (서버 → 클라이언트 응답) : get_weather 실행 결과 (모델에게 전달될 content)
{
  "jsonrpc": "2.0",
  "id": 2,
  "content": [
    {
      "type": "text",
      "text": "{\"temperature\": 12, \"conditions\": \"cloudy\", \"humidity\": 85}",
      "annotations": {
        "audience": ["assistant"]
      }
    }
  ]
}

위 시나리오를 설명하면 다음과 같습니다: 먼저 클라이언트가 tools/list를 호출해 서버의 도구 목록을 받아옵니다. 이 예에서는 get_weather라는 툴이 있고, 어떤 입력을 요구하는지 (latitude, longitude) 스키마로 기술되어 있습니다. 그런 다음 AI 모델이 이 툴을 사용하고자 할 때, 사용자의 승인을 거쳐("사용해도 될까요?") tools/call 요청을 서버에 보냅니다. 서버는 내부적으로 실제 날씨 API를 호출하고, 그 결과(예: 기온 12도, 흐림)를 "content" 형태로 클라이언트에 보내줍니다. 이 "content" 데이터는 모델만 볼 수 있는 컨텍스트로 전달되며 , 이후 AI 모델은 이를 참고해 사용자에게 “현재 뉴욕은 기온 12도에 흐린 날씨이며, 습도는 85%입니다”와 같이 답변하게 됩니다. 사용자는 AI가 외부 정보를 활용했다는 사실을 인지하지 못할 수도 있지만, MCP 덕분에 AI가 최신 데이터를 바탕으로 정확한 답변을 해준 것이죠. 실제 Anthropic의 예시에서도 MCP 서버를 파이썬으로 간단히 구현해 날씨 정보를 가져오는 퀵스타트 데모를 보여주고 있습니다.

실제 및 잠재적인 활용 사례

MCP는 AI의 맥락(Context)을 확장함으로써 다양한 활용 사례를 만들어냅니다. 현재 이루어지고 있거나 앞으로 기대되는 활용 방안을 몇 가지 살펴보겠습니다:

MCP가 최근 주목받는 이유

이처럼 MCP는 기술적으로나 활용 면에서 흥미로운 가능성을 제공하지만, 왜 하필 최근에 더욱 주목받고 있을까요? 몇 가지 배경을 짚어보겠습니다:

마치며: MCP가 가져올 변화

MCP(Model Context Protocol)는 요약하자면 “LLM 시대의 데이터/도구 통합 표준”입니다. 아직 초창기이지만, 그 잠재력은 매우 큽니다. 개발자는 MCP를 통해 더 이상 각종 API 연동에 얽매이지 않고 AI 기능을 확장시킬 수 있고, 사용자는 더욱 똑똑한 AI 비서를 만나게 될 것입니다. 물론 해결해야 할 과제—예를 들어 보안이나 권한 관리, 표준의 성숙도—도 남아 있지만 , MCP에 대한 업계의 관심과 참여가 이어진다면 이러한 부분도 빠르게 개선되리라 기대됩니다.

기존에 LSP(Language Server Protocol)가 개발자 도구 생태계를 표준화하여 대폭 발전시켰듯이, MCP도 AI 활용 생태계를 한 단계 끌어올릴 혁신적인 촉매가 될지 주목됩니다. AI 에이전트들이 필요한 모든 컨텍스트를 자유롭게 주고받으며 협업하는 미래, 그리고 그 밑단을 지탱하는 보이지 않는 표준으로서 MCP의 역할을 기대해 봐도 좋을 것 같습니다.

참고 자료: Anthropic 공식 블로그의 MCP 발표 글, MCP 공식 사이트, InfoQ 뉴스 등, MCP와 관련된 더욱 자세한 구현 가이드는 위키독스 MCP 실무 가이드에도 잘 정리되어 있으니 참고하시길 바랍니다. 🚀

Tags: