인공지능(AI)이 발전하면서 다양한 도구와 연동하여 더 강력한 기능을 수행하는 것이 중요해졌습니다. 하지만 기존의 AI 모델은 정적인 데이터를 기반으로 학습되었으며, 실시간 정보를 활용하기 어려웠습니다.
이러한 한계를 해결하기 위해 등장한 것이 **MCP(Model Context Protocol)**입니다. MCP는 AI 모델이 외부 도구 및 API와 상호작용할 수 있도록 도와주는 오픈소스 프로토콜로, OpenAI, Microsoft, Anthropic 등의 기업에서 지원하고 있습니다.
이번 블로그에서는 MCP의 개념, 동작 방식, 기존 AI 시스템과의 차이점, 주요 장점 그리고 MCP를 지원하는 7가지 주요 AI 프레임워크를 소개합니다.
2. MCP란?
MCP(Model Context Protocol)는 AI 모델이 외부 데이터 및 시스템과 연결될 수 있도록 하는 표준화된 프로토콜입니다. 이를 통해 AI가 실시간 정보를 가져오고, 코드 실행을 통해 다양한 작업을 수행할 수 있습니다.
MCP의 진화 과정
- 1세대 AI: 학습된 정적 데이터만 활용
- 2세대 AI: 외부 도구를 사용할 수 있지만 비효율적인 연동
- 3세대 AI(MCP 도입): 체계적으로 도구와 연동하여 효율적인 AI 구축 가능
MCP의 동작 방식
- 사용자가 질문을 입력하면 AI 에이전트가 적절한 MCP 서버 및 도구를 선택
- AI가 MCP 서버를 통해 필요한 데이터를 요청
- 외부 도구에서 데이터를 받아 AI가 응답 생성
MCP의 주요 장점
- 표준화된 인터페이스: 다양한 AI 플랫폼에서 동일한 방식으로 활용 가능
- 확장성: 여러 개의 도구를 중앙 MCP 레지스트리에서 관리 가능
- 보안 및 인증: Google Sheets, GitHub 등과 쉽게 인증 연동 가능
- 커뮤니티 지원: OpenAI, Anthropic 등의 기업과 개발자 커뮤니티에서 활발히 지원
3. MCP가 기존 AI 시스템과 다른 점
기존 방식 | MCP 방식 |
각 도구와 개별적으로 연동해야 함 | MCP 서버를 통해 중앙에서 도구 관리 |
비효율적인 API 호출 및 인증 필요 | 표준화된 인터페이스로 간단한 연결 |
모델이 최신 데이터를 활용하기 어려움 | 실시간 데이터 활용 가능 |
예를 들어, 기존 AI 시스템에서 Slack, Google Calendar, Notion 등 여러 도구를 연결하려면 개별적으로 API를 설정해야 했습니다. 하지만 MCP를 사용하면 하나의 인터페이스로 다양한 도구를 쉽게 연동할 수 있습니다.
4. MCP를 지원하는 7가지 AI 프레임워크
MCP를 활용하여 AI 솔루션을 구축할 수 있는 7가지 대표적인 프레임워크를 소개합니다.
1. OpenAI Agents SDK (Python)
- 사용 사례: 로컬 Git 저장소 검색
- 설치 방법
pip install streamlit openai-agents mcp-server-git
export OPENAI_API_KEY="your_api_key"
- 코드 예제
from agents import Agent, Runner
async def query_git_repo(directory_path: str, query: str):
agent = Agent(name="Assistant", instructions=f"Analyze Git repo at {directory_path}")
result = await Runner.run(starting_agent=agent, input=query)
return result.final_output
2. Praison AI (Python)
- 사용 사례: Airbnb 숙소 예약 도우미
- 설치 방법:
pip install praisonaiagents mcp streamlit
- 코드 예제:
from praisonaiagents import Agent, MCP
agent = Agent(instructions="Find Airbnb listings.", tools=MCP("npx -y @openbnb/mcp-server-airbnb"))
response = agent.start("Find a 3-bedroom apartment in New York.")
print(response)
3. LangChain (Python)
- 사용 사례: 파일 요약
- 설치 방법
pip install langchain-core langchain-groq langchain-mcp
- 코드 예제
from langchain_mcp import MCPToolkit
toolkit = MCPToolkit()
response = toolkit.get_tools().summarize("readme.md")
print(response)
4. Chainlit (Python)
- 사용 사례: Linear 프로젝트 이슈 관리
- 설치 방법
pip install chainlit
- 코드 예제
import chainlit as cl
@cl.on_mcp_connect
async def on_mcp_connect(connection, session):
print("MCP connected!")
5. Agno (Python)
- 사용 사례: 여행 플래너 (Airbnb, Google Maps 연동)
- 설치 방법
pip install agno openai duckduckgo-search exa-py
- 코드 예제
from agno import Agent
agent = Agent(name="Trip Planner", tools=["Airbnb", "Google Maps"])
response = agent.start("Plan a trip to Tokyo for 5 days.")
print(response)
6. Upsonic (Python)
- 사용 사례: HackerNews 기사 분석
- 설치 방법
pip install upsonic
- 코드 예제
from upsonic import Task, Agent
task = Task("Analyze top 5 HackerNews stories...")
agent = Agent("Tech News Analyst")
agent.print_do(task)
7. Mastra (TypeScript)
- 사용 사례: 주식 가격 및 날씨 조회
- 설치 방법
npm install @mastra/mcp @mastra/core/agent @ai-sdk/openai
- 코드 예제
import { MCPConfiguration } from "@mastra/mcp";
const mcp = new MCPConfiguration({ servers: { stockPrice: { command: "npx tsx stock-price.ts" } } });
5. MCP의 도전 과제와 미래 전망
MCP의 현재 과제
- 표준화 부족: MCP 도구 검색 및 설치 방법이 일관되지 않음
- 설정 복잡성: MCP 서버 및 레지스트리 설정이 초보자에게 어려울 수 있음
MCP의 미래 전망
- 통합 레지스트리 개발: OpenAI 및 Anthropic이 주도하는 공식 MCP 도구 마켓플레이스 등장 예상
- 더 간편한 설치 및 사용: pip install 또는 npm install만으로 쉽게 MCP 도구 활용 가능
- 더 많은 AI 프레임워크와의 연동: 다양한 AI 모델과의 통합이 확대될 전망
MCP는 AI 모델이 더욱 강력하고 유연하게 작동할 수 있도록 도와주는 혁신적인 프로토콜입니다. 다양한 AI 프레임워크에서 MCP를 지원하고 있으며, 이를 활용하면 AI 솔루션을 더욱 효율적으로 구축할 수 있습니다.
AI 기술이 계속 발전함에 따라 MCP의 활용도도 더욱 높아질 것으로 기대됩니다. MCP를 도입하여 AI 모델의 가능성을 확장해보세요!
https://medium.com/@amosgyamfi/the-top-7-mcp-supported-ai-frameworks-a8e5030c87ab
The Top 7 MCP-Supported AI Frameworks
Create AI apps with Python and Typescript frameworks that leverage MCP servers to provide context to LLMs.
medium.com
'인공지능' 카테고리의 다른 글
최고의 OCR 벤치마크 툴, Omni OCR Benchmark 완벽 분석 (0) | 2025.04.04 |
---|---|
Augment Code: 진짜 개발자를 위한 AI 코딩 도구? (0) | 2025.04.04 |
[MLPerf, GB200 MBL] AI 추론 시대, 엔비디아의 새로운 전략은? (0) | 2025.04.04 |
LLM 평가(Evals)의 중요성과 효과적인 평가 방법 (0) | 2025.04.04 |
AI 코드 생성의 게임 체인저: Cursor의 새로운 '프로젝트 규칙' 기능 (0) | 2025.04.04 |