ι

MCP로 똑똑하게 일하는 법

   
케이트리
ǻ
제이펍
   
22000
2025�� 06��



■ 책 소개


인공지능에 도구를 더해 나만의 AI 에이전트 만들기
MCP 하나로 당신의 AI는 ‘일하는 존재’가 된다

이 책은 AI를 단순한 대화 상대가 아닌 실질적인 업무 동료로 활용하는 시대를 설명하며, 핵심 기술인 MCP(Model Context Protocol)를 중심으로 AI 에이전트를 구현하는 방법을 안내한다. 독자는 슬랙, 구글 지도, 데이터베이스 등 실무에서 자주 쓰는 도구들과 AI를 연결해 자동화와 협업의 새로운 가능성을 체험하게 된다.

회의록 요약, 전략 설계, 데이터 분석 등 실전 사례 기반의 실습을 통해 코딩 지식이 없는 사람도 AI를 활용한 도구 제작에 도전할 수 있도록 구성되어 있으며, 단계별 친절한 설명을 통해 커스텀 MCP 서버를 직접 구축해보는 경험도 제공한다.

AI의 잠재력을 실용적으로 활용하고 싶은 이들이라면, 이 책을 통해 나만의 AI를 직접 만들고 일에 바로 써먹을 수 있는 방법을 얻을 수 있을 것이다.

■ 저자 케이트리
저자 케이트리는 오랜 기간 AI 기술을 비즈니스 현장에 성공적으로 접목해온 엔지니어이자 전략가로서 평소 다양한 분야의 AI 기술을 통한 비즈니스 경쟁력 강화와 디지털 혁신 고도화에 집중해왔다. 매출 증대를 위한 실시간 추천 시스템 구축, 기업 맞춤형 LLM 모델 개발과 도메인 특화 파인튜닝, 대규모 AI 모델의 실제 비즈니스 적용과 파이프라인 설계 등 AI의 실질적인 비즈니스 적용과 관련된 수많은 프로젝트를 수행했으며, 엔터프라이즈급 AI 시스템 백엔드 개발에 참여했다. 이를 통해 기업의 AI 도입과 확산 과정에서 발생하는 현실적인 문제들을 해결해왔다. 최근에는 대학원에서 학생들을 대상으로 지식을 전달하며 신진 연구자 양성 및 AI 기술 확산에도 기여하고 있으며, AI 연구와 비즈니스 적용 경험을 토대로 일반인의 AI 리터러시 향상을 위해 집필을 시작했다. 저서로 ‘AI 트랜스포메이션’, ‘AI는 회사에서 어떻게 쓰이는가’가 있다.

■ 차례 
추천사 
머리말 

CHAPTER 1 AI 에이전트가 만드는 세상 
1.1 AI란? 
1.2 에이전트란? 
1.3 AI 에이전트의 등장 

CHAPTER 2 AI 에이전트를 가능하게 하는 MCP 
2.1 프로토콜이란? 
2.2 MCP가 필요한 이유 
2.3 MCP가 만들어가는 세상 
2.4 MCP의 구성 요소 

CHAPTER 3 MCP 실전 활용 가이드 
3.1 MCP 구성 방법 
3.2 활용하기 좋은 MCP와 설정 방법 
3.2.1 Filesystem 
3.2.2 Google Maps 
3.2.3 Slack 
3.2.4 Sequential thinking 
3.2.5 그 외 MCP 목록 
3.2.6 유의할 점 

CHAPTER 4 MCP를 더 똑똑하게 쓰는 법 
4.1 나만의 회의록 관리 도구 
4.2 나만의 주니어 데이터 분석가 
4.3 나만의 정보 검색사 
4.4 나만의 전략 설계 선생님 

CHAPTER 5 나만의 MCP 서버 만들기 
5.1 환경 설정과 서버 세팅 
5.2 나만의 서버 만들기(feat. 도구) 
5.3 나만의 리소스 정의하기 
5.4 나만의 프롬프트 정의하기 
5.5 초보자를 위한 바이브 코딩으로 서버 구성(feat. LLM) 

CHAPTER 6 AI 에이전트와 MCP의 미래 

찾아보기 

 


MCP로 똑똑하게 일하는 법


AI 에이전트가 만드는 세상

에이전트란?

쉽게 말해, 에이전트는 ‘내가 직접 하기 번거로운 일을 대신 처리해주는 도우미’라고 생각하면 된다. 우리가 비서에게 ‘오늘 오후 2시에 회의실을 예약해줘’라고 요청하면, 비서는 자율적으로 회의실을 찾고, 예약 시스템에 접속하여 예약을 완료한 후 결과를 알려준다. 이처럼 에이전트는 우리의 지시를 받아 독립적으로 작업을 수행한다.


IT 세계에서의 에이전트도 유사하다. IT에서는 대신 작업을 수행하는 소프트웨어를 에이전트라고 칭한다. 우리가 접하는 일반 프로그램과 에이전트의 가장 큰 차이점은 ‘자율성’이다. 에이전트는 주어진 목표를 달성하기 위해 해야 할 작업을, 정해진 규칙이나 알고리즘에 기반해 자율적으로 수행할 수 있어야 한다.


에이전트는 환경과 상호작용하는 방식으로 작동한다. 여기서 환경(environment)이란 에이전트가 존재하고 작업을 수행하는 공간이나 상황을 말한다. 실생활에서의 환경은 우리가 살아가는 물리적 세계이고, 디지털 세계에서의 환경은 컴퓨터 시스템, 네트워크, 웹사이트 등이다. 에이전트는 이 환경을 감지하고, 정보를 처리한 후, 환경에 영향을 미치는 행동을 취한다.


우리는 왜 에이전트를 사용할까? 일상생활에서 이와 유사한 사례를 생각해보자. 바쁜 회사 임원이 개인 비서를 고용하는 이유는 무엇일까? 비서는 일정 관리, 이메일 응답, 회의 준비 등 반복적이고 시간 소모적인 작업을 처리함으로써, 임원이 중요한 의사결정과 창의적인 작업에 집중할 수 있게 해준다. 에이전트도 이와 마찬가지다.


현대 사회 속 컴퓨터 환경에서는 처리해야 할 정보와 작업이 폭발적으로 증가하고 있다. 에이전트는 반복적이고 규칙적인 작업을 자동으로 처리함으로써, 인간의 시간과 노력을 절약해준다. 예를 들어 이메일을 자동으로 분류하고, 중요한 알림만 전달하며, 광고성 메일을 걸러내는 등 에이전트는 우리가 수많은 정보 속에서 중요한 것에만 집중할 수 있게 해준다. 이를 통해 자동화와 효율성을 달성할 수 있는 것이다.


AI 에이전트의 등장

AI 에이전트는 사실 에이전트라는 더 큰 개념 안에 포함되는 하나의 유형이다. 일반적으로 에이전트는 다양한 역할을 수행할 수 있는 자율적인 소프트웨어를 의미하며, 그중 Al 기술과 결합된 형태를 AI 에이전트라고 부른다. AI 에이전트는 전통적인 에이전트 개념에 인공지능 기술을 접목한 것으로, 보다 높은 수준의 자율성과 적응력을 갖춘 소프트웨어 시스템이다.


AI와 에이전트의 결합은 단순한 두 기술을 합친 것 그 이상의 가치를 창출한다. 단순히 미리 정의된 규칙에 따라 행동하는 규칙 기반의 에이전트는 복잡한 상황에 적절히 대응하지 못한다는 한계가 있었다. 그러나 AI 기술을 통해 에이전트는 다양한 경험을 통해 학습함으로써, 복잡한 상황에서도 적용할 수 있게 되었다.


에이전트와 AI의 결합이 특히 주목받는 이유는, 복잡한 상황에서의 적용 가능성이라는 점에서, 에이전트의 기본 작동 방식과 AI의 학습 능력이 서로의 장점을 한층 끌어올리기 때문이다. 에이전트는 기본적으로 지속적인 데이터 수집과 이에 기반하여 행동을 결정하는 순환 구조를 가지고 있다.


이러한 에이전트의 특성은 AI가 필요로 하는 ‘피드백 루프’를 자연스럽게 제공한다. AI 에이전트는 자신의 행동 결과를 즉각 관찰하고, 이를 학습 데이터로 활용하여 모델을 지속적으로 개선할 수 있다. 이러한 끊임없는 피드백 사이클은 AI 에이전트가 시간이 지남에 따라 더 높은 정확도를 달성할 수 있도록 해준다.


이러한 특성들로 인해 미리 정의한 상황에서만 행동하던 에이전트는 AI를 만나면서 개발자가 정의하지 않은 상황에서도 적절한 행동을 취할 수 있게 되었다. 예를 들어 고객 서비스 AI 에이전트에 ‘보고서를 요약해’라는 지시를 주면, 별도의 사전 정의 없이도 적절한 요약을 제시할 수 있다.



AI 에이전트를 가능하게 하는 MCP

MCP가 필요한 이유

현재 대부분의 AI는 외부 세계와 단절된 채로 작동한다. 이는 마치 인터넷에 연결되지 않은 컴퓨터처럼, 실시간 정보를 얻거나 다른 시스템과 상호작용하는 능력이 제한된다는 의미다. 예를 들어 AI에게 ‘오늘 날씨 어때?’라고 물어도, 날씨 정보에 접근할 수 없다면 정확한 답변을 제공하지 못한다. 이처럼 AI는 훈련 당시에 학습한 정보만 알고 있을 뿐, 실시간으로 변화하는 정보를 스스로 찾아 활용하기는 어렵다.


이러한 한계를 극복하기 위해 일부 기업들은 나름의 자체적인 해결책을 제시하고 있다. 챗GPT의 웹 브라우징 기능이나 Perplexity와 같은 서비스는 AI에 인터넷 검색 기능을 부여해 최신 정보에 접근할 수 있게 한다.


하지만 이와 같은 기능들은 기업마다 독자적인 방식으로 구현되어 호환성이 부족하다. 오픈Al, 앤트로픽, 구글 등 각 AI 기업은 외부 연결 기능을 독자적인 방식으로 개발하고 있기 때문에, 개발자가 여러 AI 시스템에 동일한 기능을 구현하려면 각각 다른 방식으로 작업해야 한다. 이는 과거 스마트폰 제조사마다 다른 충전 케이블을 사용하던 때의 불편함과 유사하다. 즉, 삼성 휴대폰용 충전기가 아이폰에서는 작동하지 않는 것과 같은 문제다.


이러한 문제를 해결하기 위해 등장한 것이 바로 MCP다. MCP는 AI가 외부 세계와 소통하기 위한 공통된 방법, 즉 ‘약속’을 정해놓은 것이다. 이 약속 덕분에 모든 AI와 앱, 서비스들이 같은 방식으로 정보를 주고받을 수 있다.


MCP가 AI 산업에서 중요한 이유는 ‘확장성’이다. 확장성이란 시스템이나 제품에 새로운 기능이나 부품을 쉽게 추가할 수 있는 능력을 의미하므로, MCP를 통해 AI에 새로운 기능을 ‘쉽게’ 추가할 수 있다. 기존에는 AI에 새 기능을 추가하려면 개별 시스템에 맞춰 업데이트를 해야 했지만, MCP가 있으면 개발자가 직접 새로운 도구를 만들어 AI에 연결할 수 있다.


MCP가 만들어가는 세상

MCP가 널리 도입된다면, 우리 일상과 기술 환경에 어떤 변화가 생길까?


한 자동차 제조사가 MCP를 도입했다고 가정해보자. 공장 관리자가 “오늘 A 라인에서 불량률이 왜 증가했지?”라고 질문했을 때, 현재는 여러 개의 데이터베이스를 일일이 따로 확인해야 한다. AI가 데이터베이스에 접근할 수 없기 때문에, 여전히 사람이 수작업으로 정보를 모아야 하는 경우가 많다.


하지만 MCP를 통해 분리된 데이터들과 AI를 쉽게 연결할 수만 있다면, 공장 관리자는 Claude나 챗GPT 같은 강력한 AI를 통해 모든 시스템에 한 번에 접근할 수 있다. 이때 AI는 품질 관리 데이터, 장비 센서 데이터, 작업자 로그, 원자재 정보 등을 동시에 분석하여 “3번 용접 로봇의 정밀도가 10% 하락했고, 오전 11시부터 온도가 5도 상승했습니다. 정비가 필요합니다”와 같은 통합적이고 실용적인 답변을 제공할 수 있게 된다.


이처럼 MCP가 가져올 가장 큰 사회적 변화 중 하나는 AI 기술 활용의 민주화다. 지금은 최첨단 AI 기술의 활용이 양극화되어, 일부 기업은 AI를 잘 활용하지만 많은 기업은 여전히 기술 도입에 어려움을 겪고 있다.


MCP는 이러한 격차를 줄여준다. 고성능 AI 모델을 누구나 ‘쉽게’ 활용할 수 있게 함으로써, 소규모 스타트업이나 개인 개발자도 MCP를 통해 자신의 도메인 지식과 데이터를 최신 AI 모델에 연결해 혁신적인 AI 솔루션을 만들 수 있다.


MCP의 확산과 발전 가능성을 더욱 높이는 중요한 요소는 오픈소스 기반이라는 점이다.


MCP는 집필 시점 기준 앤트로픽에서 MIT 라이선스 하에 오픈소스로 공개하고 있어, 누구나 자유롭게 MCP를 사용하고 수정할 수 있으며 자사 제품에 통합 및 배포할 수 있다. 이러한 오픈소스 접근 방식은 MCP의 빠른 발전과 확산에 크게 기여할 것이다. 전 세계 커뮤니티의 집단 지성을 통해 MCP는 더욱 빠르게 개선되고, 확장될 수 있다.



MCP 실전 활용 가이드

활용하기 좋은 MCP와 설정 방법

Sequential thinking

순차적 사고(sequential thinking)는 AI가 복잡한 문제를 체계적으로 해결할 수 있도록 설계된 특별한 도구다. 이 순차적 사고 MCP 서버는 큰 문제를 작은 부분으로 나누고, 생각을 점진적으로 발전시키며, 다양한 해결책을 탐색할 수 있게 하기 위해서 복잡한 문제를 작고 관리하기 쉬운 단계로 분해하는 방식을 사용한다.


순차적 사고 MCP 서버의 특징은 총 5개로 나눌 수 있다. 먼저, 복잡한 문제를 작고 다루기 쉬운 단계로 나누는 기능이 있다. 이렇게 하면 한 번에 하나의 문제에 집중할 수 있어 오류 가능성이 줄어든다. 두 번째로 새로운 정보가 생기면 이전 단계의 생각을 수정할 수 있다. 처음부터 모든 것을 완벽하게 알 필요 없이 과정을 진행하면서 개선할 수 있다.

세 번째로는 다양한 해결책을 탐색할 수 있다. 이는 주요한 정보와 접근을 유지하면서도 다른 대안을 검토할 수 있어 창의적인 문제 해결이 가능하다. 네 번째로는 문제의 복잡성에 따라 필요한 단계 수를 조절할 수 있다. 간단한 문제는 적은 단계로, 복잡한 문제는 더 많은 단계로 해결한다. 마지막으로 문제에 대한 가설을 세우고 순차적으로 검증할 수 있다. 과학적 접근법과 유사하게 체계적인 검증이 가능하다.


그렇다면 순차적 사고를 활용하면 어떨까? 한번 해보자.


Claude 3.5 Haiku 버전에게 문제를 풀라고 하자, 처음에는 제대로 풀지 못하는 모습을 보여준다. 그러나 순차적 사고 MCP 서버를 이용해서 풀라고 하자, 순차적으로 사고하며 푸는 모습을 볼 수 있다. 한번 자세히 살펴보도록 하자.


먼저 첫 ‘로컬 sequential-thinking의 sequentialthinking’을 보면 문제의 조건을 정리해서 수식화하여 체계적으로 이해하려고 시도하는 것을 볼 수 있다. 이는 앞서 이야기한 특징 중 작고 다루기 쉬운 단계로 나누는 특징을 보여준다.


두 번째 ‘로컬 sequential-thinking의 sequentialthinking’에서는 검증을 하면서 맞는 값인지 순차적으로 확인한다.


세 번째에서는 계산된 값이 잘못된 것을 인지하고 더 넓은 범위의 값을 대입하려고 시도하는 보인다. 이는 이전 단계의 생각을 수정하는 것이라고 할 수 있다.


마지막 네 번째에서는 반복문처럼 값을 대입해가며 답을 찾는 모습을 볼 수 있다. 이는 다양한 해결책을 탐색하는 과정이다.


이처럼 순차적 사고 MCP 서버는 AI가 복잡한 문제를 체계적으로 해결하도록 돕는 강력한 도구다. 문제 분해, 생각 수정, 다양한 접근법 탐색을 통해 더 신뢰할 수 있고 정확한 해결책을 제시할 수 있다. 미래에는 이러한 구조화된 사고 방식이 AI의 실용적 활용에 핵심적인 역할로 부상할 것이다.


그 외 MCP 목록</P> 먼저 소개할 서버는 AWS KB 검색 MCP 서버로, AI 어시스턴트가 쉬운 말로 질문했을 때 아마존 베드록 지식 저장소(Amazon Bedrock Knowledge Base)에서 정보를 찾을 수 있게 해준다. 아마존 베드록 지식 저장소는 회사나 단체가 중요한 내부 정보를 안전하게 보관하는 아마존의 클라우드 서비스다. 이 기능을 사용하면 회사에 저장된 내부 정보를 쉽게 찾을 수 있다는 장점이 있다. 예를 들어 복잡한 회사 정책을 알아야 할 때 ‘우리 회사의 출장 환급 정책은 어떻게 되나요?’라고 물으면 AI가 아마존 베드록 지식 저장소에 저장된 회사 정보에서 관련 내용을 찾아 정확한 답변을 제공한다. 이는 특히 새로운 직원이 회사 정책을 빠르게 이해하고 적응하는 데 도움이 된다.


다음은 Brave 검색 MCP 서버다. 브레이브(Brave)는 개인정보 보호에 중점을 둔 웹 브라우저와 검색 엔진이다. 이 서버는 AI가 브레이브 검색을 통해 인터넷에서 일반 정보, 뉴스, 기사, 지역 비즈니스 정보 등을 찾을 수 있게 해준다. 이 기능을 활용하면 AI가 최신 인터넷 정보에 접근하여 항상 최신 정보를 제공한다. 만약 특정 지역의 맛집을 찾을 때 ‘서울 마포구에서 가장 인기 있는 이탈리안 레스토랑은 어디야?’라고 물으면 AI가 최신 리뷰와 평점을 바탕으로 추천해준다. 이는 사용자가 여러 검색 결과를 직접 비교하고 분석하는 시간을 절약해주며, 사용자 정보를 수집하지 않고 검색 결과를 얻을 수 있다는 장점이 있다.


Git MCP 서버는 개발자들이 코드의 변경사항을 추적하고 관리하는 도구다. 이 서버는 AI가 Git 저장소를 읽고, 검색하고, 변경할 수 있게 해준다. 이 기능을 활용하면 복잡한 Git 명령어 대신 쉬운 말로 코드 관리 작업을 할 수 있어 개발 과정을 더욱 효율적으로 진행할 수 있다. 예를 들어 코드 변경 내역을 확인하거나 새 업데이트를 반영하고 싶을 때 ‘이 기능과 관련된 최근 변경사항을 모두 보여줘’ 또는 ‘이 수정사항을 ‘로그인 버그 수정’이라는 메시지와 함께 저장해줘’라고 요청할 수 있다. 이는 Git 명령어를 외울 필요 없이 자연어로 버전 관리 작업을 수행할 수 있게 하여 개발 작업의 효율성을 높여준다.



MCP를 더 똑똑하게 쓰는 법

나만의 회의록 관리 도구

MCP를 활용하면 회의록으로부터 특정 주제나 키워드를 찾아내고, 관련 내용을 요약하는 작업이 훨씬 수월해진다. 프롬프트를 잘 작성하면, AI가 모든 회의록을 검색하고 내용을 이해하여, 관련 주제나 키워드가 포함된 회의록을 정리해 제공받을 수 있다. 또한, 수천 개의 회의록 중에서 관련 내용을 추출해 핵심만 압축한 요약을 얻는 것도 가능하다.


또한, 회의록을 작성할 때 표준 형식을 사용하는 것도 큰 도움이 된다. 회의 주제, 참석자, 주요 논의사항, 결정사항 등을 명확히 구분하여 작성하면, AI가 필요한 정보를 더 정확하게 추출할 수 있다.


때때로 정보 투명성을 중시하는 조직은 모든 회의록과 업무 진행 상황을 전사적으로 공유하기도 한다. 이러한 접근은 투명한 조직 문화를 조성하는 데에는 장점이 있지만, 역설적으로 너무 많은 정보가 공유되어 정작 중요한 내용을 파악하기 어려운 ‘정보 과부하’ 현상을 초래할 수 있다.


이런 경우에는 지금처럼 AI를 활용한 방식이 특히 유용하다. AI를 통해 수천 개의 액션 아이템 중에서 필요한 정보만 정확하게 추출해 확인할 수 있기 때문이다.


또한, 액션 아이템 담당자가 별도로 업데이트하지 않더라도, AI가 관련 문서, 이메일, 채팅 기록 등에서 진행 상황을 포착하고 자동으로 업데이트해줄 수 있기 때문에, 정보 누락 없이 업무 진행 여부를 파악할 수 있게 된다.


나만의 전략 설계 선생님

먼저 자동차 부품을 생산하는 가상의 기업을 만들어 예시로 살펴볼 것인데, 가상 기업을 AI로 생성해서 사용하는 이유는 특정 회사의 실제 사례를 다루면서 발생할 수 있는 민감한 정보 문제를 피하고, 적용할 수 있는 원리를 설명하기 위해서다.


복잡한 비즈니스 환경에서 효과적인 전략을 수립하고 실행하는 것은 쉽지 않다. 하지만 AI의 강력한 분석 능력과 우리의 전문성을 결합한다면, 그 어느 때보다 더 나은 의사결정을 내릴 수 있다. 가상의 사례를 통해 AI가 어떻게 전략 검토 과정을 지원하는지, 그리고 우리가 어떻게 이를 활용할 수 있을지 함께 알아보자.


전략 설계를 요청하자, 단계별 실행 계획을 3단계로 설정하고 각 도입 영역을 도출하는 것을 볼 수 있다. 게다가 실행 방안을 연결하고 실행 방안을 통해 해결해야 하는 과제를 설정하는 것을 볼 수 있다. 간단한 프롬프트만으로 AI가 현재 회사의 상황을 이해해서 전략 보고서를 작성해주는 것이다.


자, 여기까지는 기존에 AI를 활용했던 분들이라면 놀랍지 않을 것이다. 이를 어떻게 보완할 수 있는지 AI를 활용해서 진행해보도록 하자.


먼저, MCP를 이용해서 현재 상황과 제안한 전략을 이해하자. 그리고 외부 지식을 결합하기 위해 필요한 경우 웹 검색을 통해 정보를 수집하고, 잘못된 정보는 없는지 검증하고 보완을 지시해보자.


분량상 모든 내용을 넣지는 않았지만, 가상의 ‘대한테크노’ 사례에서 MCP는 단순한 전략 수립을 넘어, 최신 트렌드와 외부 지식을 바탕으로 구체적인 개선점을 도출했다. 예를 들어 원래 단순 클라우드 ML 서비스 중심이었던 접근법이 ‘클라우드 ML과 온디바이스 AI의 하이브리드 모델’로 발전했다. 이는 실시간 처리 필요성과 비용 절감을 모두 고려한 기술 아키텍처 개선의 결과다.


또한 단순 주간 리포트 중심에서 ‘자동 알림 및 조치 권고’와 ‘부품/공정별 특화 모델 개발’로 확장되었다. 이는 단순 예측을 넘어 실질적 개선 프로세스와 연계하는 방향으로의 진화를 위해 품질 예측 시스템 고도화를 제안한 것을 의미한다.


이처럼 MCP를 활용한 전략 보완 과정은 내부와 외부의 여러 정보들을 연결하여 기업의 현재 상황, 산업 트렌드, 실질적인 구현 가능성을 종합적으로 고려한 균형 잡힌 접근법을 가능하게 한다.



* * *


본 정보는 도서의 일부 내용으로만 구성되어 있으며, 보다 많은 정보와 지식은 반드시 책을 참조하셔야 합니다.