최근 AI 생태계에서 가장 핫한 키워드 중 하나를 꼽으라면 단연 MCP(Model Context Protocol)일 것입니다. LLM이 발전하면서 단순히 텍스트를 생성하는 것을 넘어, "우리 회사의 데이터베이스를 읽어줘", "내 컴퓨터의 파일을 수정해줘" 같은 실질적인 작업을 원하게 되었는데요. 이를 가능하게 만드는 핵심 규격이 바로 MCP입니다.
이제 막 MCP를 공부하기 시작한 분들을 위해, 너무 깊지 않고 직관적으로 개념부터 간단한 실습까지 정리해 보았습니다.
1. MCP(Model Context Protocol)란?
MCP는 Anthropic에서 발표한 오픈 소스 프로토콜로, LLM(대형 언어 모델)이 외부 데이터 소스 및 도구(Tools)와 안전하고 표준화된 방식으로 연결될 수 있도록 돕는 규격입니다. 쉽게 말해 AI와 외부 세계를 연결하는 "표준 인터페이스(API 표준)"라고 보시면 됩니다.
왜 필요할까? (역할)
기존에는 Claude나 ChatGPT 같은 AI에게 특정 도구(예: GitHub, PostgreSQL, 로컬 파일 시스템)를 연결하려면, 개발자가 매번 커스텀 호환 코드를 짜야 했습니다. 하지만 MCP라는 표준 규격이 생기면서, MCP 서버 한 번만 만들어두면 MCP를 지원하는 그 어떤 AI 클라이언트(Claude Desktop, Cursor 등)에서도 바로 연동해서 사용할 수 있게 되었습니다. AI 버전을 바꿀 때마다 연동 코드를 새로 짤 필요가 없어진 것이죠.
MCP의 핵심 구조
MCP의 구조는 크게 세 가지 축으로 나뉩니다.
[ AI 애플리케이션 (Client) ]
▲
│ (MCP Protocol)
▼
[ MCP 서버 (Server) ] ───▶ [ 외부 데이터 / 도구 (Tools, Resources) ]
- MCP Client: 사용자가 쓰는 AI 애플리케이션입니다. (예: Claude Desktop, Cursor IDE 등)
- MCP Server: 외부 도구나 데이터를 AI가 이해할 수 있는 형태로 노출해 주는 중계기입니다.
- Local/Remote Resources: AI가 접근하고자 하는 실제 파일, 데이터베이스, 웹 API 등입니다.
2. FastMCP 활용한 간단한 실습
개념을 알았으니 직접 코드로 간단한 서버 하나 만들어보고자 합니다. 최근에는 FastMCP라는 라이브러리 덕분에 매우 간단하게 MCP 서버를 구축할 수 있습니다.
환경 준비
먼저 파이썬 환경에서 FastMCP를 설치합니다. (uv 또는 pip 사용)
pip install mcp fastmcp
코드 작성하기 (server.py) - 날씨 정보
아래 코드는 AI가 현재 컴퓨터의 날씨 정보를 물어봤을 때, 가상의 날씨 데이터를 리턴해주는 간단한 툴(Tool)을 포함한 MCP 서버입니다.
from fastmcp import FastMCP
# 1. MCP 서버 초기화
mcp = FastMCP("Weather-Assistant")
# 2. AI가 사용할 수 있는 도구(Tool) 정의
@mcp.tool()
def get_weather(location: str) -> str:
"""특정 지역의 현재 날씨를 가져옵니다."""
# 실제로는 외부 날씨 API를 호출하겠지만, 여기서는 간단히 구현합니다.
if "서울" in location:
return f"{location}의 날씨는 현재 맑음, 기온은 24°C입니다."
else:
return f"{location}의 날셔는 현재 구름 조금, 기온은 18°C입니다."
if __name__ == "__main__":
# 3. 서버 실행
mcp.run()
테스트 방법
이 서버를 실행하면 AI 클라이언트가 이 get_weather라는 툴의 존재를 인식하게 됩니다. 예를 들어 Claude Desktop, Codex, Cursor등에서 1.설정 파일(claude_desktop_config.json)에 이 파이썬 스크립트를 MCP 서버로 등록하거나, 2. UI에 MCP server를 직접 등록하게 되면, 이후 채팅에서 "서울 날씨 어때?"라고 물었을 때 LLM 우리가 만든 파이썬 코드를 스스로 실행(Tool Call)하여 답변을 만들어냅니다.
저희가 직접 어떠한 셋팅을 하지않아도 ai agent 및 llm이 현재 등록된 mcp server (즉 tool)을 확인해서 스스로 판단하에 필요한 tool을 활용하게 됩니다.
3. Smithery 활용해서 MCP 훨씬 간편하게 사용하기
매 번 MCP 서버를 직접 만들 필요 없이, 이미 많은 개발자들이 만들어 둔 훌륭한 MCP 서버들이 많습니다. (예: 웹서치, 날씨, github 연동 툴, 스포티파이 연동 툴 등)
이러한 MCP 서버들을 한곳에 모아두고 쉽게 검색 및 설치할 수 있도록 도와주는 플랫폼 중 하나가 Smithery입니다.
Smithery 바로가기: https://smithery.ai/
- 역할: MCP 생태계의 '앱스토어' 혹은 '패키지 매니저' 역할
- 장점: 내가 Postgres DB 연동 기능이 필요하다면, 처음부터 코딩할 필요 없이 Smithery에서 postgres-mcp를 검색해 명령어 한 줄로 내 AI 클라이언트에 설치하고 연동할 수 있습니다.
📝 요약 및 마무리
- MCP는 AI와 외부 데이터/도구를 연결하는 글로벌 표준 커넥터다.
- FastMCP를 사용하면 파이썬 데코레이터(@mcp.tool()) 몇 개로 AI용 도구를 뚝딱 만들 수 있다.
- 이미 만들어진 수많은 MCP 도구들은 Smithery에서 쇼핑하듯 골라 쓸 수 있다.
FastMCP와 Smithery를 활용해서, 실제로 나에게 맞는 AI Agent를 만들어보기 편리해졌습니다!.
'Artificial Intelligence > AI Agent' 카테고리의 다른 글
| AI Agent에 대해 - 1. AI Agent의 개념 및 기본 동작 방식 (0) | 2026.02.15 |
|---|