MCP, 왜 필요할까?

LLM의 한계

• LLM은 텍스트 생성만 할 수 있음
• 즉, LLM은 “행동”을 할 수 없음
  • 예를 들어, LLM은 스스로 인터넷 브라우징을 할 수 없음

기존의 해결책

• LLM에게 필요한 도구(행동)를 각각의 애플리케이션 개발자가 구현
  • 예를 들어, ChatGPT에서 GPT가 인터넷 브라우징을 할 수 있게 OpenAI 개발자가 웹 브라우징 기능을 개발하여 제공

기존 해결책의 문제점

• “행동”을 위한 기능이 애플리케이션에 종속됨
• 즉, 확장성과 이식성에 문제
  • ChatGPT의 인터넷 브라우징 기능을 다른 LLM 애플리케이션에서는 사용하지 못함

프로토콜을 통한 해결

• LLM의 “행동”을 위한 기능의 제공과 사용을 프로토콜로 정의
• 확장성과 이식성 문제 해결

MCP 아키텍처 및 구성 요소

MCP Host

• LLM을 사용하는 애플리케이션 (Claude, IDE 등)

MCP Client

• LLM이 요청한 도구를 사용하기 위해 MCP Server와 통신

MCP Server

• LLM이 사용할 수 있는 도구들을 제공

MCP가 제공할 수 있는 것들

Tools

• 데이터 조회, 연산 수행 등 LLM 에게 손과 발이 되어주는 기능들
• 수행 전 사용자의 승인이 필요

Resources

• PDF 문서, 이미지 등의 파일과 같은 정적 자원을 제공

Prompts

• 특수한 목적을 위해 미리 작성된 프롬프트를 제공
  • 예를 들어, 코드리뷰를 위한 MCP 서버라면 프로그래밍 언어, 프레임워크 등의 정보를 전달받아 그에 알맞은 프롬프트를 제공

데이터 전송 방법

1. 표준입출력 (STDIO)

• 로컬에서 작동시키는 MCP Server에서 사용

2. SSE

• 원격에서 작동시키는 MCP Server에서 사용
• HTTP GET/POST 요청

각 MCP Client는 하나의 MCP Server와 1:1로 연결

• 하나의 MCP Host 내에서 여러 개의 MCP Client가 생성되며, 각 Client는 특정 MCP Server와 1:1로 연결되어 통신

MCP를 지원하는 LLM 애플리케이션의 작동 흐름

시퀀스 다이어그램

간단한 LLM 에이전트

• 시퀀스 다이어그램의 각 단계를 확인할 수 있는 LangGraph로 개발한 간단한 에이전트
• MCP Client로서 MCP Server를 활용하여 사용자 질의에 대한 답변 생성

코드

# LLM으로 GPT 사용
llm = ChatOpenAI()

# 날씨 정보를 제공하는 MCP 서버 실행 정보
stdio_server_params = StdioServerParameters(
    command="python",
    args=["/...(생략).../mcp-servers/weather_server.py"],
)


async def main():
    async with stdio_client(stdio_server_params) as (read, write):
        async with ClientSession(read_stream=read, write_stream=write) as session:
            # 1. 연결 초기화
            await session.initialize()
            # 2. 제공 가능한 Tool 조회
            tools = await load_mcp_tools(session)
            agent = create_react_agent(llm, tools)
            # 3. 질의
            result = await agent.ainvoke({"messages": [HumanMessage(content="뉴욕의 현재 날씨는?")]})
            # 12. 응답
            print(result["messages"][-1].content)

LangGraph 실행 트레이스

• 트레이스를 통해 사용자 질의부터 최종 응답까지 에이전트의 처리 과정 확인 가능
  • 첫 번째 agent 노드의 call_model에서 LLM이 get_forecast 도구 사용을 결정하고 필요한 파라미터(위도, 경도)를 생성해 호출 요청
  • tools 노드의 get_forecast에서 MCP Client를 통해 MCP Server의 날씨 예보 도구 실행
  • 두 번째 agent 노드의 call_model에서 도구 실행 결과를 바탕으로 LLM이 최종 응답 생성

GPT Chat Completion API 호출 로그

• MCP 도구(get_forecast)의 호출을 요청하는 응답 생성
  • 시퀀스 다이어그램 4~6 단계

• GPT가 MCP 도구(get_forecast)의 실행 결과를 참고해 최종 답변 생성
  • 시퀀스 다이어그램 9~11 단계

실행 결과