AI의 중요성은 인간 노동을 해방하고 대부분 사람들의 최소 노동 능력을 향상시키는 것입니다. 하지만 LLM은 현재에도 여전히 큰 한계를 가지고 있습니다. 제안을 하려면 앞뒤로 대화가 필요하고, 사용자는 제안을 직접 실행해야 합니다. AI를 실제로 활용해 우리의 업무에 도움을 주기까지는 아직 시간이 걸립니다.
이제 실제로 컴퓨터를 사용하여 이메일에 답장하고, 보고서를 작성하고, 심지어 AI와 소통하여 암호화폐 거래를 자동화하는 데 도움을 줄 수 있다면 생산성을 해방한다는 비전에 더 가까워진 것이 아닐까요? 이 기술은 현재 AI-MCP 분야의 핫키워드입니다.
MCP란 무엇인가요?
MCP(Model Context Protocol)는 Anthropic이 2024년 11월에 발표한 '표준화된 프로토콜' 세트로, 기존 AI 모델이 '말'만 할 수 있었고 '행동'은 할 수 없었던 문제를 해결하고자 개발됐다.
먼저 MCP 명명법을 살펴보겠습니다.
- 모델: 모델은 다양한 대규모 AI 언어 모델(예: GPT, Claude, Gemini 등)을 의미합니다.
- 컨텍스트: 모델에 대한 추가 정보나 외부 도구를 나타내는 컨텍스트
- 프로토콜: 프로토콜, 보편적이고 표준화된 "사양" 또는 "인터페이스"
요약하자면, AI는 통일된 표준을 통해 '말'할 뿐만 아니라 외부 도구를 직접 제어해 다양한 작업을 완료할 수 있습니다.
우리가 가장 자주 사용하는 LLM인 ChatGPT, Grok 등은 대화 내용에 따라 '텍스트 입력 및 텍스트 출력'만 수행할 수 있습니다. AI가 컴퓨터 폴더에서 파일을 읽거나, 이메일을 보내거나, 데이터베이스를 검색하는 등 실제 작업을 수행하는 데 도움을 주길 원하는 경우 일반적으로 먼저 LLM에 지침을 제공하고, 그러면 사용자가 LLM의 응답에 따라 직접 작업을 수행한 후 마지막으로 그 결과를 AI에 보고합니다. 그러면 AI가 우리에게 텍스트 제안을 해주고, 우리는 작업을 계속하고 이러한 순환이 반복됩니다.
MCP의 등장으로 AI는 컴퓨터의 로컬 파일을 읽고 원격 데이터베이스에 연결할 수 있을 뿐만 아니라 특정 네트워크 서비스를 직접 운영할 수도 있게 됐습니다. 다시 말해, AI는 더 이상 단순히 텍스트를 출력하는 데 그치지 않고, 사용자를 대신해 반복적이거나 절차적인 많은 작업을 완료할 수 있습니다.
작동 원리
- MCP 호스트(관리자): 전체 MCP 운영을 관리하고 조정하는 책임을 맡습니다. 예를 들어, Claude Desktop은 AI가 로컬 데이터나 도구에 액세스하는 데 도움을 주는 일종의 호스트입니다.
- MCP 클라이언트(사용자 측): 사용자 요구 사항을 수신하고 LLM(AI 모델)과 통신합니다. 일반적인 예로는 MCP를 통합한 다양한 채팅 인터페이스나 IDE(예: Goose, Cursor, Claude Chatbot)가 있습니다.
- MCP 서버: AI가 사용할 수 있는 기능을 제공하는 "조직화되고 주석이 달린" API 세트로 간주될 수 있습니다. 예를 들어, 데이터베이스 읽기, 이메일 보내기, 파일 관리, 외부 서비스 호출 등입니다.
MCP를 통해 AI는 인간의 언어를 이해할 수 있을 뿐만 아니라, 특정 텍스트를 직접 작업 지침으로 번역하여 자동화된 작업을 완료할 수 있습니다. 예를 들어, 판매 보고서를 정리하고, 고객에게 이메일을 보내고, 심지어 명령을 통해 Blender에서 직접 3D 모델링을 수행하는 데 도움이 될 수 있습니다.
참고: https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
MCP가 중요한 이유는 무엇입니까?
1. AI와 외부 도구 간의 브리지 구축
LLM의 한계는 데이터가 사전에 훈련되어 실시간으로 업데이트되지 않는다는 점입니다. 즉, LLM의 데이터는 훈련 중에 보는 정보로 제한됩니다. 따라서 모델은 훈련 후 생성된 새로운 정보를 인식하지 못합니다.
올해 2월에 LLM 교육이 실시되었다고 가정할 때, 올해 2월 이후에는 아무런 정보가 없습니다.
현재 주류를 이루는 방식은 RAG(Retrieval-Augmented Generation)를 이용하는 것인데, 이는 '검색 시스템'과 '생성 모델'을 결합한 방식이다. 이 아키텍처는 LLM 추론 이전에 최신 데이터를 검색하고 검색 결과를 모델에 컨텍스트로 제공할 수 있습니다. 구체적으로:
- 검색: LLM에서 질문에 답하기 전에 검색 도구(인터넷 검색, 내부 데이터베이스 쿼리 등)를 사용하여 현재 질문과 일치하는 최신 정보를 찾습니다.
- 생성: 검색된 정보는 LLM에 보조 정보(컨텍스트)로 전달되어 더 정확하고 시기적절한 답변을 생성하는 데 도움이 됩니다.
예를 들어, AI는 질문에 답하기 전에 먼저 Bing이나 Google을 통해 최신 정보를 검색한 다음 검색 결과를 응답에 통합합니다. RAG를 사용하는 방법은 다음과 같습니다.
MCP와 RAG의 가장 큰 차이점은 다음과 같습니다.
- RAG는 LLM이 질문에 답하는 것을 돕기 위해 비교적 정적인 데이터를 사용하는 반면, MCP는 AI가 데이터베이스 검색, API 호출 또는 파일 내용 수정과 같이 실제로 "실행"할 수 있도록 합니다.
2. 표준화 및 보편성: USB-C와 마찬가지로 모든 기기가 동일한 USB-C 전송 케이블을 사용할 수 있는 것처럼 다양한 제조업체도 MCP 사양을 준수하는 자체 기능을 개발할 수 있습니다. MCP가 없다면 각 개발자는 AI가 특정 API를 호출하도록 하는 방법을 정의해야 합니다. 이는 동일한 작업이 여러 사람에 의해 반복적으로 개발될 수 있음을 의미합니다. MCP가 통합되면 모든 사람이 동일한 사양 세트를 구현하여 즉시 통합될 수 있으므로 바퀴를 다시 발명하는 현상을 피할 수 있습니다.
3. 수동적 대응에서 적극적 실행으로: 기존 AI 도구는 질문에만 답할 수 있고 실제 조치를 취할 수는 없습니다. MCP를 사용하면 AI는 현재 상황에 따라 어떤 명령을 실행할지 결정하고 피드백 결과를 읽어 다음 단계를 수행할 수 있습니다. 상황에 따라 지속적으로 수정하는 능력은 AI의 실용성을 크게 높여줍니다.
4. 보안 및 제어: MCP는 모든 데이터가 AI 모델로 전송되도록 강제하지 않습니다. 권한, API 키 관리 등을 통해 데이터 액세스를 제어하여 기밀 정보가 유출되지 않도록 할 수 있습니다.
MCP와 AI Agent의 차이점은 무엇인가요?
AI Agent란?
작년 3분기에는 GOAT가 AI Agent 트렌드를 선도했습니다. 대부분의 크립토 사용자는 웹 3의 관점에서 AI Agent를 이해합니다. AI Agent는 일반적으로 특정 작업을 "자동으로" 처리할 수 있는 AI 시스템을 말합니다. 사람과 소통할 뿐만 아니라, 상황에 따라 조치를 취하고 도구나 API를 호출하고 일련의 단계를 완료합니다. 예를 들어, 가장 흔한 것은 트위터에 자율적으로 게시하는 기능인데, 이 역시 AI 에이전트의 범주에 속합니다.
AI 에이전트의 한계
- 표준화 부족: 누구나 에이전트를 만들 수 있지만, 통일된 사양이 없다면 "이 에이전트는 제조사 A의 모델만 사용한다", "저 에이전트는 시스템 B의 API만 호출한다"와 같은 문제가 발생합니다.
- 독립적으로 운영하기 쉽습니다. AI 에이전트는 심부름을 할 수 있지만, 개발자는 종종 많은 수의 API 형식과 규칙을 사용자 정의해야 합니다. 다양한 에이전트 간에 공유되는 생태계가 부족하여 통합이 어렵습니다.
MCP와 AI Agent의 관계 : MCP는 프로토콜이고, AI Agent는 개념 또는 실행 방법입니다.
- AI Agent는 AI가 주도권을 갖고 도구를 실행하는 능력을 강조합니다.
- MCP는 다양한 AI 모델이 외부 도구와 통신할 수 있도록 하는 방법에 중점을 두고, 보편적인 표준 역할을 수행합니다.
MCP는 AI 에이전트가 보다 효율적으로 운영되도록 지원합니다.
- MCP가 없다면 AI Agent는 다양한 도구와 플랫폼에 대한 API 규칙 세트를 작성해야 할 수 있으며, 이로 인해 개발과 유지 관리가 매우 어려워질 수 있습니다.
- MCP를 사용하면 AI Agent는 MCP 사양만 따르고 "서버 목록"에서 사용 가능한 도구를 얻은 다음 작업을 완료하기 위해 사용할 도구를 동적으로 결정하기만 하면 됩니다. 외부 리소스에 대한 접근도 더 안전하고 편리해졌습니다.
다양한 기능 범위
- AI 에이전트: 의사결정과 논리에 초점을 맞추고, 요구 사항에 따라 무엇을 해야 할지, 어떤 단계를 수행해야 할지 결정합니다.
- MCP: 툴 인터페이스 및 표준 형식을 해결하고 AI에 외부 서비스, 데이터베이스 및 보관 시스템을 통합된 방식으로 제공하는 방법을 전문으로 합니다.
두 가지를 합친 것: AI 에이전트 + MCP = AI가 어떻게 행동해야 하는지, 어디에서 행동해야 하는지 모두 이해할 수 있게 합니다.
현재 암호화폐계의 MCP 컨셉 프로젝트는 무엇입니까?
1. 기본 MCP
Base가 공식적으로 개발한 프레임워크는 3월 14일에 출시되었으며, 이를 통해 AI 애플리케이션이 Base 블록체인과 상호 작용할 수 있게 되었습니다. 사용자는 개발 기능이 필요 없이 자연어 대화를 통해 블록체인에 계약을 배포하고 Morpho를 대출 및 기타 기능에 사용할 수 있습니다.
BORK는 Base MCP 배포를 사용하는 최초의 토큰입니다. 이 채권은 3월 14일에 발행되었고, 시장 가치는 460만 달러로 최고치를 기록했습니다. 하지만 현재 11만 달러로 하락했으며 24시간 거래량은 9만 달러에 불과합니다. 동전의 수명이 끝났다고 판단할 수 있습니다.
Flock은 분산형 AI 훈련 플랫폼입니다. 그는 현재 MCP는 여전히 외부 AI 모델에서 실행되고 있으며 중앙 집중식 LLM으로 처리된다고 지적했습니다. Flock은 Web3 프록시 모델을 제공하며, AI 기반 블록체인 작업은 로컬에서 실행될 수 있어 사용자에게 더 많은 제어권을 제공합니다.
2. 리라
전체 이름이 LYRA MCP-OS인 LYRAOS는 AI 에이전트가 Solana 블록체인과 직접 상호 작용하고 암호화폐 매매와 같은 작업을 수행할 수 있도록 하는 다중 AI 에이전트 운영 체제입니다.
그들은 현재 MCP-OS를 사용하여 수천 개의 "AI16ZDAO"를 구축하는 방법을 모색하고 있습니다. "AI16ZDAO"는 암호화폐 투자를 위한 AI 기반 분산 자율 조직입니다. LYRAIOS는 2025년 3월 21일~22일 사이에 데모를 출시하고, 다음 주에 공식 제품을 출시할 계획입니다.
현재 토큰 시장 가치는 923,000이며, 최고는 264만, 24시간 거래량은 300만, 암호화폐 보유 주소 수는 2,922개입니다.
결론: AI 이야기가 다시 등장하지만 관찰하는 데는 시간이 걸릴 것입니다.
MCP는 AI가 외부 도구와 보다 쉽고 안전하게 상호작용할 수 있도록 하는 표준화된 규칙을 제공하며, Web 3 분야에서 큰 잠재력을 가진 것처럼 보이지만 성공 사례는 상대적으로 제한적입니다. 이러한 현상의 이유는 다음과 같습니다.
기술 통합은 아직 성숙되지 않았습니다. Web 3 생태계에서는 각 체인과 각 DApp의 계약 로직과 데이터 구조가 다릅니다. AI가 호출할 수 있는 MCP 서버로 캡슐화하려면 여전히 많은 개발 리소스가 필요합니다.
보안 및 규제 위험: AI가 계약을 직접 조작하고 금융 거래를 처리할 수 있도록 하려면 포괄적인 개인 키 관리 및 권한 제어 메커니즘을 설계해야 하는데, 이는 어렵고 비용이 많이 듭니다.
사용자 습관 및 경험: 대부분의 사람들은 AI가 지갑을 관리하거나 투자 결정을 내리는 것에 대해 여전히 회의적이며, 블록체인 자체의 운영 문턱도 높습니다. 경험이 너무 복잡하거나 명확한 적용 시나리오가 부족하면 초보자가 장기간 사용하거나 투자하기 어려울 것입니다.
미적 피로와 시장의 무관심: 이전에 AI Agent는 암호화폐 시장에서 트렌드를 시작했습니다. 실행되지 않은 프로젝트 중에는 정점에 1억 위안 이상의 가치가 평가된 경우가 많았습니다. 하지만 최근 AI 버블이 터지는 단계에 직면해 있습니다. 대부분 프로젝트가 90% 이상 감소했는데, 이는 AI에 대한 두려움으로 간주됩니다.
MCP 이야기로 돌아가면, 이는 AI Agent의 대폭 강화된 버전으로 이해할 수 있습니다. 시장은 이전에도 암호화폐 AI 열풍을 경험했고, 점차 개념적 과장과 실제 적용이 무엇인지 이해하게 되었습니다. 진정으로 혁신적이고 실용적인 애플리케이션이 부족하다면, 투자자와 사용자는 쉽게 비용을 지불하지 않을 것입니다. BORK와 같은 선구적인 MCP 프로젝트는 결국 주목을 받지 못했습니다. 그 이유는 뚜렷한 차별화 요소나 응용 프로그램 구현이 없었기 때문입니다. 이는 저자가 현재의 MCP 개념이 아직 대중화되지 않았다고 생각하는 가장 중요한 핵심 요소이기도 합니다.
MCP와 블록체인을 결합하면 잠재력이 있지만, 기술적 장벽과 시장 압력이라는 두 가지 과제에 직면하게 됩니다. 앞으로 더욱 성숙한 보안 메커니즘을 통합하고, 더욱 직관적인 사용자 경험을 창출하며, 진정한 가치를 제공하는 혁신적인 애플리케이션을 발견한다면, '웹 3+MCP'는 '과대광고 주제'에서 벗어나 새로운 라운드의 주요 내러티브가 될 수 있을 것입니다.
