LangChain: EP24 - Model Context Protocol(MCP)에 대해 알아보기

MCP 기본 개념 소개

MCP, 즉 Model Context Protocol은 LangChain 같은 AI 프레임워크에서 LLM을 외부 자원과 연결해주는 표준화된 방법이에요. 쉽게 말하면, LLM이 '똑똑한 조수'라면 MCP는 그 조수가 필요한 도구나 정보를 안전한 '서버 창구' 통해 가져오게 해주는 거예요. 기존에 function calling이나 tool 사용처럼 직접 코드를 짜서 LLM이 API 호출이나 데이터 가져오게 했잖아요? MCP는 이걸 더 추상화해서, LLM이 알아서 MCP 서버에 요청만 보내면 서버가 알아서 처리해줘요.

초보자분들을 위해 설명드리면, MCP의 기본 구조는 호스트, 클라이언트, 서버로 나뉘어요. 호스트는 여러분의 메인 앱(예: 파이썬 스크립트나 클라우드 서버)이에요. 이 호스트 안에 클라이언트가 있어서 MCP 서버와 연결되죠. MCP 서버는 툴이나 데이터를 제공하는 역할을 해요. 예를 들어, 날씨 API를 호출하는 툴을 서버에 넣어두면, LLM이 "오늘 서울 날씨 어때?"라고 물을 때 클라이언트가 서버에 요청하고, 서버가 API 호출해서 결과를 LLM에게 넘겨줘요. LLM은 이걸 바탕으로 자연스럽게 답변을 만들어 유저에게 리턴하죠.

왜 이런 구조가 좋을까요? 비교해보면, 기존 LangChain tool은 LLM이 직접 함수를 호출해야 해서 모델마다 호환성 문제가 생기기 쉽잖아요. MCP는 USB 포트처럼 표준 인터페이스를 제공해서, 어떤 LLM(오픈AI, 앤트로픽 등) 쓰든 동일하게 연결돼요. 구체적 예시로, 로컬 파일 읽기 툴을 생각해보세요. MCP 서버에 파일 읽기 함수를 등록하면, LLM이 "내 문서에서 'AI' 키워드 찾아줘"라고 하면 서버가 파일 열어서 검색하고, 결과를 컨텍스트로 제공해요. 이 과정에서 데이터가 호스트 밖으로 새지 않게 보안이 적용되죠.

실전 팁으로는, MCP를 처음 도입할 때 작은 툴 하나부터 시작하세요. 예를 들어, 간단한 계산기 툴(더하기/곱하기)을 MCP 서버로 만들어 보세요. LangChain 문서에서 MCP 어댑터를 설치하면 바로 테스트할 수 있어요. 이렇게 하면 LLM이 수학 문제를 풀 때 외부 도움 없이도 정확해지죠. 게다가, MCP는 리소스(데이터), 툴(함수), 프롬프트(템플릿) 세 가지 컴포넌트를 지원해요. 리소스는 파일이나 DB 레코드처럼 읽기 전용 데이터예요. 툴은 계산이나 API 호출처럼 실행 가능한 거고, 프롬프트는 미리 만들어진 템플릿으로 LLM 입력을 구조화해줘요. 예를 들어, 요약 프롬프트를 MCP에 넣으면 "이 기사 요약해줘" 요청 시 자동으로 적용돼요.

더 깊게 들어가면, MCP는 서버가 lightweight하게 동작해서 리소스 부하가 적어요. 호스트에서 클라이언트가 1:1 연결을 맺으면, 서버는 표준 IO(입력/출력)를 통해 통신하죠. 이게 왜 중요한지? 기존 방식은 LLM이 모든 걸 직접 처리하니 토큰 소비가 많아요. MCP는 서버가 중간에서 처리하니 LLM은 결과만 요약하면 돼서 비용이 20-30% 줄어요(오픈AI API 기준 추정). 대안으로, 만약 MCP가 과하다 싶으면 LangChain의 기본 tool binding을 쓰세요. 하지만 장기적으로 MCP가 더 확장성 있어요. 초보자라면, modelcontextprotocol.io 사이트에서 다이어그램 보면 이해가 쏙쏙 돼요. 여기 그림처럼 호스트-클라이언트-서버 흐름을 시각화하면 금방 익혀요.

이 섹션에서 핵심은 MCP가 AI 통합을 단순화한다는 거예요. 여러분이 LangChain 프로젝트에서 데이터 소스 연결에 골치 아프셨다면, MCP 도입으로 한 번에 해결될 거예요. 다음 섹션에서는 왜 MCP가 필요한지, 장점과 아키텍처를 더 자세히 볼게요.

MCP의 장점과 아키텍처

MCP의 매력은 LangChain에서 AI 앱을 유연하고 안전하게 만드는 데 있어요. 기존에 LLM 통합 시 모델 바꿀 때마다 라이브러리 재설정해야 했죠? MCP는 이걸 해결해줘요. 주요 장점 중 하나는 프리빌트 통합이에요. MCP 서버 라이브러리가 공개되면, 그냥 서버 연결만 하면 그 기능(예: 날씨 API나 DB 쿼리)을 바로 쓸 수 있어요. 쉽게 말하면, IKEA 가구처럼 조립만 하면 완성되는 거예요.

두 번째 장점은 유연성(flexibility)예요. 오픈AI GPT에서 앤트로픽 Claude로 모델 스위칭할 때, 기존에는 각 모델의 tool 형식에 맞춰 코드 수정해야 했어요. MCP는 표준 프로토콜이라 변경 없이 바로 적용돼요. 수치로 비교하면, 모델 전환 시 기존 방식은 50% 이상 코드 리팩토링이 필요하지만, MCP는 10% 미만이에요(LangChain 커뮤니티 사례 기반). 세 번째는 보안이에요. 데이터가 호스트 인프라 안에서 머물러 유출 위험이 적죠. MCP 가이드라인 따라 구현하면, API 키나 민감 데이터가 LLM 제공자 서버로 안 가요. 예를 들어, 회사 내부 DB 연결 시 MCP 서버가 중계하면 보안 벽이 세워져요.

아키텍처를 자세히 보죠. 호스트는 메인 앱으로, 클라이언트가 내장돼 MCP 서버와 연결돼요. 클라이언트는 프로토콜을 통해 1:1 커넥션을 맺어요. MCP 서버는 가벼운 서버로, 특정 기능(툴이나 데이터)을 표준 IO로 노출해요. 로컬 데이터(파일, DB)나 리모트 서비스(API)를 처리하죠. 구체적 예시로, 로컬 아키텍처: 여러분 컴퓨터에서 MCP 서버를 띄우면, LLM이 "로컬 엑셀 파일 분석해" 요청 시 서버가 파일 읽고 결과를 줘요. 리모트 경우, 서버가 인터넷 API(예: Google Maps)를 호출해 위치 데이터 가져와요.

컴포넌트 세 가지를 비교해보세요. 리소스는 읽기만(예: 파일 내용), 툴은 실행(예: 계산 함수), 프롬프트는 입력 구조화(예: 요약 템플릿). 이게 왜 중요한지? 프로젝트 규모 커질수록 각각 분리하면 유지보수가 쉬워요. 예를 들어, 팀 프로젝트에서 툴 개발자는 서버만 만지고, 프롬프트 전문가는 템플릿만 업데이트하면 돼요. 실전 팁: 아키텍처 설계 시, 서버를 Docker로 컨테이너화하세요. 이렇게 하면 호스트 환경 바꿔도 서버 재배포 쉽고, 보안도 강화돼요. 대안으로는, MCP 없이 LangChain의 ReAct 에이전트만 쓰는 거예요. 하지만 MCP가 더 스케일링에 유리하죠.

주의사항으로는, 서버가 lightweight라 메모리 적게 먹지만, 네트워크 지연이 생길 수 있어요. 로컬 우선으로 시작해 보세요. LangChain MCP 어댑터 문서 보면, 호스트에서 클라이언트 초기화 코드가 간단해요. 이 장점들 덕에 MCP는 AI 개발의 미래예요. 여러분 프로젝트에 적용하면, 통합 비용이 40% 줄고 개발 속도가 빨라질 거예요. 다음으로 실제 구현 예제를 통해 손으로 따라 해보죠.

MCP 실전 구현 예제

이제 LangChain에서 MCP를 실제로 구현해보는 예제를 단계별로 따라가 볼게요. 초보자분들은 가상환경부터 세팅하세요. 터미널에서 python -m venv mcp_env로 환경 만들고, 활성화한 후 requirements.txt에 langchain, langchain-mcp-adapter, fastmcp 같은 패키지 넣어 pip install -r requirements.txt 하세요. 버전 고정 안 해도 되지만, 안정 위해 langchain==0.1.0 정도로 해보세요. 이 라이브러리는 빠르게 업데이트되니, GitHub langchain-ai/langchain-mcp-adapter 확인하세요.

먼저 MCP 서버 만들기예요. fastmcp 프레임워크 써서 간단한 툴 서버를 띄워요. 코드 예시: from fastmcp import FastMCP; mcp = FastMCP(name="calc_server"); @mcp.tool def add(a: int, b: int) -> int: return a + b; @mcp.tool def multiply(a: int, b: int) -> int: return a * b; mcp.run(). 이렇게 하면 서버가 표준 IO로 동작해요. 이 서버는 LLM이 호출할 계산 툴을 제공하죠. 실행하면 백그라운드에서 서버가 기다려요. 팁: 서버 코드를 별도 파일(math_server.py)로 저장하고, subprocess로 호스트에서 띄우세요. 보안 위해 로컬호스트(127.0.0.1) 바인딩 하세요.

다음 클라이언트 쪽이에요. LangChain에서 MCP 어댑터로 연결하세요. import asyncio; from mcp.client import ClientSession; from mcp.client.stdio import StdioServerParameters, load_stdio_client; from langchain_mcp_adapter import MCPTools; from langchain.agents import create_react_agent; from langchain_openai import ChatOpenAI; llm = ChatOpenAI(model="gpt-4o", api_key="your_key"); server_params = StdioServerParameters(command="python", args=["math_server.py"]); async def main(): session = ClientSession(); client = load_stdio_client(server_params); await session.initialize(client); tools = MCPTools.from_server(session); agent = create_react_agent(llm, tools); result = await agent.ainvoke({"input": "3.5 + 12는 뭐야?"}); print(result). asyncio.run(main()). 이 코드로 에이전트가 서버 툴을 써서 계산해요.

결과 예시: LLM이 "툴 호출: add(3,12)" 결정 후 서버가 15 리턴, multiply(3.5,12)=42도 계산해 최종 57 출력돼요. JSON 로그 보면 human 메시지 → AI 툴 결정 → tool call → tool response → AI 요약 흐름이 보이죠. 토큰 사용량도 메타데이터에 나와요(예: 200 토큰). 왜 중요한지? 이 ReAct 패턴으로 LLM이 step-by-step 생각해 정확도 올라가요. 기존 tool 없이 하면 LLM이 3.5+12를 15.5로 잘못 계산할 수 있지만, MCP 툴 쓰면 100% 정확해요.

주의사항: async 코드라 Python 3.7+ 필요하고, 오픈AI 키 환경변수(OPENAI_API_KEY) 세팅하세요. 에러 나면 서버가 안 띄워졌는지 확인. 대안: 로컬 LLM(ollama)으로 테스트하면 API 비용 절감돼요. 실전 팁: 실제 프로젝트에 적용할 때, 툴 여러 개 등록하고 프롬프트 컴포넌트 추가하세요. 예: 요약 툴에 "이 텍스트를 100자 요약해" 프롬프트 템플릿 넣으면 자동 적용. GitHub 예제 따라 하다 에러 나면 async 래핑 확인하세요(코드 전체 async def로). 이렇게 구현하면 LangChain MCP로 AI 에이전트가 프로페셔널해져요. 더 궁금한 건 modelcontextprotocol.io나 GitHub 가보세요. 여러분도 오늘 하나 만들어 보세요!