원작자: 모하메드 엘세이디
원문 번역: TechFlow
소개
어제 솔라나의 AI 관련 토큰인 $Dark가 바이낸스 알파에 출시되었으며, 현재까지 시가총액은 약 4,000만 달러에 달했습니다.
최신 암호화폐 AI 이야기에서 $Dark는 MCP(모델 컨텍스트 프로토콜)와 밀접한 관련이 있습니다. MCP는 Google과 같은 Web2 기술 회사가 최근 주목하고 탐색하고 있는 분야이기도 합니다.
하지만 현재 MCP의 개념과 서사적 영향을 명확하게 설명할 수 있는 기사는 많지 않습니다.
다음은 Alliance DAO 연구원인 Mohamed ElSeidy가 쓴 MCP 프로토콜에 대한 심층적인 기사입니다. 이 책은 매우 대중적인 언어로 MCP의 원리와 입장을 설명하고 있어 최신 이야기를 빠르게 이해하는 데 도움이 될 수 있습니다.
TechFlow가 전체 기사를 편집했습니다.
Alliance에서 근무한 수년 동안 저는 수많은 창업자들이 자체 AI 에이전트와 워크플로에 내장된 전문 도구와 데이터 통합을 구축하는 모습을 지켜보았습니다. 하지만 이러한 알고리즘, 공식화, 고유한 데이터 세트는 맞춤형 통합에 갇혀 거의 사용되지 않습니다.
이러한 상황은 MCP(모델 컨텍스트 프로토콜)의 등장으로 빠르게 변화하고 있습니다. MCP는 애플리케이션이 대규모 언어 모델(LLM)과 통신하고 컨텍스트를 제공하는 방식을 표준화하는 개방형 프로토콜로 정의됩니다. 제가 정말 좋아하는 은유 중 하나는 AI 애플리케이션의 경우 MCP는 하드웨어의 USB-C와 같다는 것입니다. 표준화되어 있고, 플러그 앤 플레이 방식이며, 다재다능하고 혁신적입니다.
왜 MCP를 선택해야 하나요?
대규모 언어 모델(Claude, OpenAI, LLAMA 등)은 매우 강력하지만, 현재 접근할 수 있는 정보에 제한이 있습니다. 즉, 이들은 종종 지식의 한계에 부딪혀 독립적으로 웹을 검색할 수 없고, 어떤 형태의 통합이 없으면 개인 파일이나 특수 도구에 직접 액세스할 수도 없습니다.
특히, 개발자들은 LLM을 외부 데이터 및 도구에 연결할 때 이전에 세 가지 주요 과제에 직면했습니다.
통합의 복잡성: 각 플랫폼(예: Claude, ChatGPT 등)에 대해 별도의 통합을 구축하려면 노력을 중복하고 여러 코드 베이스를 유지 관리해야 합니다.
도구 단편화: 각 도구 기능(예: 파일 액세스, API 연결 등)에는 전용 통합 코드와 권한 모델이 필요합니다.
제한된 배포: 독점 도구는 특정 플랫폼으로 제한되어 도달 범위와 영향력이 제한됩니다.
MCP는 공통 프로토콜을 통해 모든 LLM이 외부 도구와 데이터 소스에 안전하게 액세스할 수 있는 표준화된 방식을 제공함으로써 이러한 문제를 해결합니다. 이제 MCP가 무엇을 하는지 알았으니, 사람들이 MCP로 무엇을 만들고 있는지 살펴보겠습니다.
사람들은 MCP로 무엇을 만들고 있나요?
MCP 생태계는 현재 혁신이 폭발적으로 증가하는 시기에 있습니다. 최근 트위터에서 개발자들이 자신의 작업을 보여주는 몇 가지 예를 발견했습니다.
AI 기반 스토리보드: 클로드가 ChatGPT-4를 제어하여 인간의 개입 없이 지브리 스타일의 완전한 스토리보드를 자동으로 생성할 수 있는 MCP 통합입니다.
ElevenLabs 음성 통합: Claude와 Cursor가 간단한 텍스트 프롬프트를 통해 전체 AI 오디오 플랫폼에 액세스할 수 있도록 하는 MCP 서버입니다. 이러한 통합은 아웃바운드 통화를 할 수 있는 음성 에이전트를 생성할 수 있을 만큼 강력합니다. 이는 MCP가 현재의 AI 도구를 오디오 영역으로 확장할 수 있는 방법을 보여줍니다.
Playwright를 통한 브라우저 자동화: AI 에이전트가 스크린샷이나 시각적 모델 없이도 웹 브라우저를 제어할 수 있도록 하는 MCP 서버입니다. 이를 통해 LLM이 표준화된 방식으로 브라우저 상호 작용을 직접 제어할 수 있게 되어 웹 자동화에 대한 새로운 가능성이 창출됩니다.
개인 WhatsApp 통합: 개인 WhatsApp 계정에 연결하는 서버로, 이를 통해 클로드는 메시지와 연락처를 검색하고, 새로운 메시지를 보낼 수 있습니다.
Airbnb 검색 도구: MCP의 단순성과 웹 서비스와 상호 작용하는 유용한 애플리케이션을 만드는 능력을 보여주는 Airbnb 아파트 검색 도구입니다.
로봇 제어 시스템: 로봇을 위한 MCP 컨트롤러. 이 예제는 LLM과 물리적 하드웨어 간의 격차를 메우고 IoT 애플리케이션과 로봇공학에서 MCP의 잠재력을 보여줍니다.
Google 지도와 지역 검색: 클로드를 Google 지도 데이터에 연결하여 커피숍 등의 지역 업체를 찾아 추천할 수 있는 시스템을 만듭니다. 이 확장 기능을 사용하면 AI 도우미가 위치 기반 서비스를 제공할 수 있습니다.
블록체인 통합: Lyra MCP 프로젝트는 StoryProtocol 및 기타 Web3 플랫폼에 MCP 기능을 제공합니다. 이를 통해 블록체인 데이터와 스마트 계약 간의 상호작용이 가능해져 AI로 강화된 분산형 애플리케이션에 대한 새로운 가능성이 열립니다.
특히 이러한 사례에서 눈에 띄는 점은 다양성입니다. MCP가 출시된 이후 짧은 시간 동안 개발자들은 창의적인 미디어 제작, 커뮤니케이션 플랫폼, 하드웨어 제어, 위치 서비스, 블록체인 기술을 아우르는 통합을 만들어냈습니다. 이러한 다양한 애플리케이션은 동일한 표준화된 프로토콜을 따르며, 이는 MCP의 다용성과 AI 도구 통합을 위한 보편적 표준이 될 수 있는 잠재력을 보여줍니다.
MCP 서버의 포괄적인 컬렉션을 보고 싶다면 GitHub의 공식 MCP 서버 저장소를 방문하세요. MCP 서버를 사용하기 전에 면책 조항을 주의 깊게 읽고 실행하고 권한을 부여하는 사항에 주의하세요.
약속과 과대선전
모든 새로운 기술과 마찬가지로, MCP가 정말로 혁신적일지, 아니면 결국 사라질 과대광고된 도구일지 한 번쯤 자문해 볼 가치가 있습니다.
저는 많은 스타트업을 관찰한 결과, MCP가 AI 개발에 있어서 진정한 전환점을 의미한다고 믿습니다. 혁명을 약속하지만 점진적인 변화만 가져오는 많은 추세와 달리, MCP는 전체 생태계를 저해하는 인프라 문제를 해결해 생산성을 높여줍니다.
이 모델의 특별한 점은 기존 AI 모델을 대체하거나 경쟁하려는 것이 아니라, 필요한 외부 도구와 데이터에 연결하여 더욱 유용하게 만든다는 점입니다.
그럼에도 불구하고 안전과 표준화에 대한 정당한 우려는 여전히 남아 있습니다. 초기 단계의 모든 프로토콜과 마찬가지로, 커뮤니티에서 감사, 권한, 인증 및 서버 검증에 대한 모범 사례를 탐색함에 따라 성장에 어려움이 있을 수 있습니다. 개발자는 MCP 서버의 기능을 신뢰해야 하며, 특히 MCP 서버가 점점 더 확산됨에 따라 맹목적으로 신뢰해서는 안 됩니다. 이 문서에서는 로컬에서 실행하는 경우에도 주의 깊게 검토되지 않은 MCP 서버를 무작정 사용함으로써 노출된 최근의 몇 가지 취약점에 대해 설명합니다.
AI의 미래는 맥락화입니다
가장 강력한 AI 애플리케이션은 더 이상 독립형 모델이 아니라 MCP와 같은 표준화된 프로토콜을 통해 연결된 특수 기능의 생태계가 될 것입니다. 스타트업에게 MCP는 성장하는 생태계에 적합한 특수 구성요소를 구축할 수 있는 기회를 제공합니다. 이는 기본 모델에 대한 상당한 투자로부터 이익을 얻는 동시에 고유한 지식과 역량을 활용할 수 있는 기회입니다.
앞으로 HTTP가 웹에 필수적인 요소인 것처럼 MCP도 AI 인프라의 기본 구성 요소가 될 것으로 예상됩니다. 프로토콜이 성숙해지고 도입이 확대됨에 따라 특수 MCP 서버에 대한 시장이 생겨나 AI 시스템이 상상할 수 있는 모든 기능이나 데이터 소스를 활용할 수 있게 될 가능성이 높습니다.
귀하의 스타트업은 MCP를 구현해 본 적이 있나요? 여러분의 경험을 댓글로 들려주세요. 이 분야에서 흥미로운 작품을 만들었다면 @alliancedao로 연락해 지원해주세요.
충수
MCP가 실제로 어떻게 작동하는지 이해하는 데 관심이 있는 분들을 위해 다음 부록에서는 아키텍처, 워크플로, 구현에 대한 기술적 분석을 제공합니다.
MCP의 비하인드 스토리
HTTP가 웹에서 외부 데이터 소스와 정보에 접근하는 방식을 표준화한 것과 유사하게 MCP는 AI 프레임워크에 대해서도 동일한 작업을 수행하여 서로 다른 AI 시스템이 원활하게 통신할 수 있는 공통 언어를 만듭니다. 그 방법을 살펴보겠습니다.
MCP 아키텍처 및 프로세스
주요 아키텍처는 4가지 핵심 구성 요소가 함께 작동하는 클라이언트-서버 모델을 따릅니다.
MCP 호스트: Claude나 ChatGPT와 같은 데스크톱 AI 애플리케이션, cursorAI나 VSCode와 같은 IDE 또는 외부 데이터와 기능에 액세스해야 하는 기타 AI 도구가 포함됩니다.
MCP 클라이언트: 호스트 컴퓨터에 내장된 프로토콜 프로세서로, MCP 서버와 일대일 연결을 유지합니다.
MCP 서버: 표준화된 프로토콜을 통해 특정 기능을 제공하는 가벼운 프로그램입니다.
데이터 소스: 여기에는 MCP 서버에서 안전하게 액세스할 수 있는 파일, 데이터베이스, API 및 서비스가 포함됩니다.
이제 이러한 구성 요소에 대해 논의했으니, 일반적인 워크플로에서 이들이 어떻게 상호 작용하는지 살펴보겠습니다.
사용자 상호작용: 사용자는 MCP 호스트(예: Claude Desktop)에서 질문을 하거나 요청을 합니다.
LLM 분석: LLM은 요청을 분석하고 완전한 응답을 제공하는 데 외부 정보나 도구가 필요한지 확인합니다.
도구 검색: MCP 클라이언트는 연결된 MCP 서버에 쿼리를 보내 사용 가능한 도구를 검색합니다.
도구 선택: LLM은 요청과 사용 가능한 기능에 따라 어떤 도구를 사용할지 결정합니다.
권한 요청: 호스트는 투명성과 보안을 보장하기 위해 사용자에게 선택한 도구를 실행할 수 있는 권한을 요청합니다.
도구 실행: 승인 후 MCP 클라이언트는 해당 MCP 서버로 요청을 보내고, 해당 서버는 데이터 소스에 대한 특수한 액세스를 사용하여 작업을 수행합니다.
결과 처리: 서버는 결과를 클라이언트로 반환하고, 클라이언트는 이를 LLM에서 사용할 수 있도록 형식을 지정합니다.
응답 생성: LLM은 외부 정보를 포괄적인 응답으로 통합합니다.
사용자 프레젠테이션: 마지막으로 응답이 최종 사용자에게 제시됩니다.
이 아키텍처의 장점은 각 MCP 서버가 특정 분야를 전문으로 하지만 표준화된 통신 프로토콜을 사용한다는 것입니다. 이렇게 하면 개발자는 각 플랫폼에 대한 통합을 다시 구축할 필요 없이, 도구를 한 번만 개발하여 전체 AI 생태계에 서비스를 제공할 수 있습니다.
첫 번째 MCP 서버를 구축하는 방법
이제 MCP SDK를 사용하여 몇 줄의 코드로 간단한 MCP 서버를 구현하는 방법을 살펴보겠습니다.
이 간단한 예에서 우리는 센트럴 파크 근처에 어떤 커피숍이 있나요?와 같은 질문에 답할 수 있도록 Claude Desktop의 기능을 확장하고 싶습니다. Google Maps의 정보를 활용합니다. 이 기능을 쉽게 확장하여 리뷰나 평가를 받을 수 있습니다. 하지만 지금은 클로드가 Google Maps에서 직접 정보를 가져와 대화형 방식으로 결과를 제시할 수 있는 MCP 도구인 find_nearby_places에 집중하고 있습니다.
보시다시피 코드는 매우 간단합니다. 먼저, 쿼리를 Google Maps API 검색으로 변환한 다음, 상위 결과를 구조화된 형식으로 반환합니다. 이런 방식으로 정보는 추가적인 의사 결정을 위해 LLM으로 다시 전달됩니다.
이제 Claude Desktop에 이 도구를 알려야 하므로 다음과 같이 구성 파일에 등록합니다.
macOS 경로: ~/Library/Application Support/Claude/claude_desktop_config.json Windows 경로: %APPDATA%\Claude\claude_desktop_config.json
이제 끝났습니다! 이제 Claude의 기능을 성공적으로 확장하여 Google Maps에서 실시간으로 위치를 조회할 수 있게 되었습니다.
