


MCP를 통해 다양한 AI 에이전트와 협업하기
smartmind
2025년 7월 31일
질의를 통해 AI 챗봇으로부터 결과물을 도출할 뿐만 아니라, 이제는 AI 에이전트와 시스템을 연결하거나 에이전트끼리의 소통을 통하여 AI가 스스로 행동하고 사용자의 목표를 달성할 수 있는 수준에 이르렀습니다. 단순히 답변을 얻어내는 행위에서 그치지 않고 태스크를 완수하는 과정까지 AI가 함께하게 된 것입니다.
여기서 에이전트, 특히 LLM Agent가 다른 시스템과 협업하기 위해서는 MCP라는 프로토콜이 필요합니다. MCP란 무엇인지, 왜 MCP를 사용했으며 어떤 이점을 얻을 수 있는지, Qurify에서는 어떤 방식으로 활용되었는지 알아보도록 하겠습니다.
1. MCP란?
MCP(Model Context Protocol)는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을 표준화한 프로토콜로, Claude를 개발한 Anthropic(앤트로픽)이 2024년 11월 공개했습니다. MCP는 AI 모델을 다양한 데이터 소스 및 도구에 연결할 수 있도록 표준화된 방식을 제공하는데, 이를 사용함으로써 LLM 기반의 에이전트나 복잡한 워크플로를 구축할 수 있습니다.
즉, MCP는 AI 시스템과 데이터 소스를 연결하는 과정을 더 쉽고 보편적으로 만들어 주는 기술이라고 할 수 있습니다.
2. MCP를 적용하는 이유
AI 에이전트는 사용자를 대신하여 스스로 계획하고 행동함으로써 목표를 완수해야 하는데, 학습된 데이터를 이용해 단순히 답을 생성하기만 하는 수준으로는 에이전트의 임무를 달성하기 어렵습니다. 그러나 MCP를 이용하면 여러 AI 툴과 협업하고 LLM 연결 컨텍스트를 유지할 수 있기 때문에, AI 에이전트가 작업을 스스로 수행하고 목표를 달성하기까지의 과정을 서포트할 수 있습니다.
또한 MCP는 LLM이 다른 시스템을 이해하고 연동하는 데 있어 어댑터와 같은 역할을 합니다. MCP를 적용하면 LLM이 다른 프로그램을 이용할 때마다 맞춤형 인터페이스를 구현하는 등의 상이한 연동 과정을 거칠 필요가 사라집니다. 표준화된 연결 방식으로써 MCP가 작용하기 때문에, AI 모델을 다양한 도구에 연결하는 과정이 한층 간편해진 것입니다.

(출처: https://norahsakal.com/blog/mcp-vs-api-model-context-protocol-explained/)
결론적으로 MCP를 이용하면 각 서비스의 개별적인 API를 관리할 필요 없이, 표준화된 방식으로 AI 모델이 서비스와 협업하는 과정을 간소화하며 AI 에이전트의 태스크 수행을 편리하게 도울 수 있습니다.
3. MCP 작동 원리
MCP는 클라이언트-서버 구조를 가집니다. MCP 호스트는 하나 이상의 MCP 서버와 연결을 설정하며, MCP 서버마다 하나의 MCP 클라이언트를 생성합니다. 즉, MCP 클라이언트와 MCP 서버는 1:1 대응 관계를 가집니다.

MCP 아키텍처의 주요 구성 요소들은 다음과 같습니다.
MCP 호스트: 하나 또는 그 이상의 MCP 클라이언트를 관리하는 AI 애플리케이션입니다.
MCP 클라이언트: MCP 서버와의 연결을 유지하고 컨텍스트를 가져와 MCP 호스트가 사용하도록 합니다.
MCP 서버: MCP 클라이언트에 컨텍스트를 제공하는 프로그램입니다.
MCP 호스트는 사용자에게 어떠한 요청을 받으면 이를 처리할 수 있는 서버에게 지시를 보냅니다. 클라이언트는 서버와 1:1로 소통하며 호스트로부터 받은 지시를 서버에 전달하고, 서버가 요청 처리를 완료하면 결과물을 다시 호스트에게 전달합니다. 서버는 로컬 또는 원격 데이터를 사용하여 요청을 처리합니다.
(출처: https://modelcontextprotocol.io/docs/learn/architecture)
4. Qurify에서의 MCP 서버 살펴보기
이번에는 Qurify에서 MCP 서버를 어떻게 적용했는지 직접 알아보도록 하겠습니다.

Chat input의 좌측 하단에 위치한 ‘MCP 서버 설정’ 버튼을 클릭하면 MCP 서버를 직접 관리할 수 있습니다. 좌측에서는 적용된 MCP 서버 목록을 확인 가능하며, 각 서버를 켜거나 끌 수 있습니다. 우측에서는 MCP 서버를 편집하거나 새로운 MCP 서버를 등록 가능합니다.
Qurify에 기본적으로 탑재된 MCP 서버로는 총 3가지가 있습니다.
Qurify MCP Server: 자연어 처리 기반의 데이터베이스 쿼리 및 분석 도구를 제공합니다.
PostgreSQL: ORDBMS(객체 관계형 데이터베이스 관리 시스템)의 일종으로, 오픈 소스 기반이기 때문에 자유롭게 사용이 가능하며 우수한 확장성을 가지고 있습니다. 자세한 내용은 여기를 참조하세요.
Perplexity: LLM과 웹 검색 기능을 결합한 대화형 AI 검색 엔진 서비스입니다.
4-1. Qurify에서 MCP 서버를 직접 활용해보기
3가지의 기본 MCP 서버를 활성화하여 Qurify를 직접 이용해보겠습니다.
데이터베이스 쿼리 요청
“주문한 고객들의 국적을 분석하여, 주문량이 가장 많은 국가 3곳을 알 수 있나요?”라는 질문을 Qurify에 입력했습니다.

우측의 ‘도구 실행 결과’를 참조하면 Qurify MCP Server와 PostgreSQL를 실행한 결과를 확인할 수 있습니다. 데이터베이스 쿼리를 원하는 사용자의 요청에 따라 적절한 MCP 서버를 활용하여 요청을 처리한 것입니다. PostgreSQL의 처리 결과와 Qurify의 답변을 보면 주문량이 가장 많은 국가 3곳은 독일과 미국, 그리고 브라질임을 알 수 있습니다.
웹 검색 요청
이번에는 “금일을 기준으로 미국과 한국의 증시를 검색하여 각각 분석한 후, 주요 이슈를 요약할 수 있나요?”라는 프롬프트를 Qurify에 입력했습니다.

우측의 ‘도구 실행 결과’를 참조하면 Perplexity를 실행하여 답변을 생성했다는 점을 확인할 수 있습니다. 직전의 경우와는 달리, 데이터베이스 쿼리 대신 웹 탐색이 필요한 질문이라고 판단하여 이를 수행할 수 있는 Perplexity가 요청을 처리했다는 것을 알 수 있습니다.
또한 사용자가 요청한 내용으로 검색을 진행한 뒤, 프롬프트에 따라 각각 분석을 거치고 주요 이슈를 포함하여 답변을 생성하였습니다. 즉 Perplexity를 활용하여 단순 검색뿐만 아니라 정보의 분석 및 가공 또한 Qurify를 통해 수행할 수 있습니다.
4-2. Qurify에서 새로운 MCP 서버 추가하기
앞서 언급했듯, Qurify는 기본 MCP 서버뿐만 아니라 사용자가 직접 추가한 MCP 서버를 이용할 수도 있습니다.

Qurify에서 클라이언트-서버 통신을 위해 적용 가능한 연결 방식은 3가지가 있습니다.
연결 방식 | 요약 |
---|---|
Streamable HTTP | 일반적인 웹 API처럼 요청-응답 구조이지만, 응답을 스트리밍 형태로 받기 때문에 더욱 유연한 활용이 가능함. |
SSE | 장시간 걸리는 작업의 실시간 상태 업데이트를 단방향으로, 그리고 지속적으로 받을 때 효과적임. |
STDIO | 로컬에서 도구를 가장 빠르고 간단하게 연동하는 방식. |
Streamable HTTP: 클라이언트(MCP 호스트)가 원격 MCP 서버에 단일 HTTP 요청을 보내면, 서버는 그 요청에 대한 응답을 스트리밍 형태로 조각(chunked) 전송합니다. SSE와 달리 지속적인 연결을 유지하지 않기 때문에, RESTful API 기반 도구나 서버리스 환경에서도 쉽게 적용할 수 있는 현대적인 통신 방식입니다.
SSE (Server-Sent Events): 원격 MCP 서버와 한 번 연결을 맺으면, 서버에서 클라이언트(MCP 호스트)로 단방향 스트리밍이 가능한 방식입니다. 예를 들어, 시간이 오래 걸리는 작업을 수행하면서 "분석 시작", "데이터 처리 중", "완료"와 같은 진행 상태를 실시간으로 전송할 수 있어 사용자 경험을 크게 향상시킵니다.
STDIO: MCP 호스트(Qurify)가 사용자의 로컬 컴퓨터에 설치된 도구(MCP 서버)를 직접 프로세스로 생성하고, 표준 입출력을 통해 통신하는 방식입니다. 네트워크 설정이 필요 없고 실행 환경이 동일하기 때문에 오버헤드가 거의 없어 응답 속도가 빠릅니다. 주로 로컬에서 스크립트나 CLI 기반 도구를 연동할 때 사용됩니다.
MCP 서버를 추가하기에 앞서, “제품별 평균 할인율을 분석하여 시각화한 내용을 리포트로 작성할 수 있나요?”라는 질문을 Qurify에게 해보겠습니다.

Qurify MCP Server와 PostgreSQL를 활용하여 제품별 평균 할인율을 성공적으로 분석하였지만, 사용자의 요청대로 분석 내용을 그래프 등으로 시각화하지는 않았습니다.
시각화 과정까지 만족할 수 있도록 ‘graph_generate’라는 이름의 MCP 서버를 직접 추가해보도록 하겠습니다.


Streamable HTTP 방식으로 ‘graph_generate’라는 이름의 MCP 서버를 추가 및 활성화했습니다. 이제 앞서 입력했던 프롬프트를 그대로 활용하여 Qurify에게 분석부터 시각화 리포트 작성까지 요청하도록 하겠습니다.

이번에는 사용자의 프롬프트에 따라 평균 할인율 분석부터 이를 시각화한 내용까지 모두 포함한 답변을 생성했습니다. 직전에 추가한 ‘graph_generate’ MCP 서버가 그래프를 생성한 사실을 확인할 수 있습니다.
5. 마치며
MCP의 등장으로 AI 에이전트를 활용하고 다른 서비스와 접목할 수 있는 기회가 많아졌습니다.
특히 Qurify의 경우에는 사용자의 기호에 따라 MCP 서버를 직접 추가 및 활성화할 수 있기 때문에, AI를 보다 유연하게 활용 가능합니다. 여러 종류의 MCP 서버와 함께 요청을 처리하며 데이터를 다방면으로 분석하거나 생각지 못한 인사이트 획득을 기대해볼 수 있습니다.
질의를 통해 AI 챗봇으로부터 결과물을 도출할 뿐만 아니라, 이제는 AI 에이전트와 시스템을 연결하거나 에이전트끼리의 소통을 통하여 AI가 스스로 행동하고 사용자의 목표를 달성할 수 있는 수준에 이르렀습니다. 단순히 답변을 얻어내는 행위에서 그치지 않고 태스크를 완수하는 과정까지 AI가 함께하게 된 것입니다.
여기서 에이전트, 특히 LLM Agent가 다른 시스템과 협업하기 위해서는 MCP라는 프로토콜이 필요합니다. MCP란 무엇인지, 왜 MCP를 사용했으며 어떤 이점을 얻을 수 있는지, Qurify에서는 어떤 방식으로 활용되었는지 알아보도록 하겠습니다.
1. MCP란?
MCP(Model Context Protocol)는 애플리케이션이 LLM에 컨텍스트를 제공하는 방식을 표준화한 프로토콜로, Claude를 개발한 Anthropic(앤트로픽)이 2024년 11월 공개했습니다. MCP는 AI 모델을 다양한 데이터 소스 및 도구에 연결할 수 있도록 표준화된 방식을 제공하는데, 이를 사용함으로써 LLM 기반의 에이전트나 복잡한 워크플로를 구축할 수 있습니다.
즉, MCP는 AI 시스템과 데이터 소스를 연결하는 과정을 더 쉽고 보편적으로 만들어 주는 기술이라고 할 수 있습니다.
2. MCP를 적용하는 이유
AI 에이전트는 사용자를 대신하여 스스로 계획하고 행동함으로써 목표를 완수해야 하는데, 학습된 데이터를 이용해 단순히 답을 생성하기만 하는 수준으로는 에이전트의 임무를 달성하기 어렵습니다. 그러나 MCP를 이용하면 여러 AI 툴과 협업하고 LLM 연결 컨텍스트를 유지할 수 있기 때문에, AI 에이전트가 작업을 스스로 수행하고 목표를 달성하기까지의 과정을 서포트할 수 있습니다.
또한 MCP는 LLM이 다른 시스템을 이해하고 연동하는 데 있어 어댑터와 같은 역할을 합니다. MCP를 적용하면 LLM이 다른 프로그램을 이용할 때마다 맞춤형 인터페이스를 구현하는 등의 상이한 연동 과정을 거칠 필요가 사라집니다. 표준화된 연결 방식으로써 MCP가 작용하기 때문에, AI 모델을 다양한 도구에 연결하는 과정이 한층 간편해진 것입니다.

(출처: https://norahsakal.com/blog/mcp-vs-api-model-context-protocol-explained/)
결론적으로 MCP를 이용하면 각 서비스의 개별적인 API를 관리할 필요 없이, 표준화된 방식으로 AI 모델이 서비스와 협업하는 과정을 간소화하며 AI 에이전트의 태스크 수행을 편리하게 도울 수 있습니다.
3. MCP 작동 원리
MCP는 클라이언트-서버 구조를 가집니다. MCP 호스트는 하나 이상의 MCP 서버와 연결을 설정하며, MCP 서버마다 하나의 MCP 클라이언트를 생성합니다. 즉, MCP 클라이언트와 MCP 서버는 1:1 대응 관계를 가집니다.

MCP 아키텍처의 주요 구성 요소들은 다음과 같습니다.
MCP 호스트: 하나 또는 그 이상의 MCP 클라이언트를 관리하는 AI 애플리케이션입니다.
MCP 클라이언트: MCP 서버와의 연결을 유지하고 컨텍스트를 가져와 MCP 호스트가 사용하도록 합니다.
MCP 서버: MCP 클라이언트에 컨텍스트를 제공하는 프로그램입니다.
MCP 호스트는 사용자에게 어떠한 요청을 받으면 이를 처리할 수 있는 서버에게 지시를 보냅니다. 클라이언트는 서버와 1:1로 소통하며 호스트로부터 받은 지시를 서버에 전달하고, 서버가 요청 처리를 완료하면 결과물을 다시 호스트에게 전달합니다. 서버는 로컬 또는 원격 데이터를 사용하여 요청을 처리합니다.
(출처: https://modelcontextprotocol.io/docs/learn/architecture)
4. Qurify에서의 MCP 서버 살펴보기
이번에는 Qurify에서 MCP 서버를 어떻게 적용했는지 직접 알아보도록 하겠습니다.

Chat input의 좌측 하단에 위치한 ‘MCP 서버 설정’ 버튼을 클릭하면 MCP 서버를 직접 관리할 수 있습니다. 좌측에서는 적용된 MCP 서버 목록을 확인 가능하며, 각 서버를 켜거나 끌 수 있습니다. 우측에서는 MCP 서버를 편집하거나 새로운 MCP 서버를 등록 가능합니다.
Qurify에 기본적으로 탑재된 MCP 서버로는 총 3가지가 있습니다.
Qurify MCP Server: 자연어 처리 기반의 데이터베이스 쿼리 및 분석 도구를 제공합니다.
PostgreSQL: ORDBMS(객체 관계형 데이터베이스 관리 시스템)의 일종으로, 오픈 소스 기반이기 때문에 자유롭게 사용이 가능하며 우수한 확장성을 가지고 있습니다. 자세한 내용은 여기를 참조하세요.
Perplexity: LLM과 웹 검색 기능을 결합한 대화형 AI 검색 엔진 서비스입니다.
4-1. Qurify에서 MCP 서버를 직접 활용해보기
3가지의 기본 MCP 서버를 활성화하여 Qurify를 직접 이용해보겠습니다.
데이터베이스 쿼리 요청
“주문한 고객들의 국적을 분석하여, 주문량이 가장 많은 국가 3곳을 알 수 있나요?”라는 질문을 Qurify에 입력했습니다.

우측의 ‘도구 실행 결과’를 참조하면 Qurify MCP Server와 PostgreSQL를 실행한 결과를 확인할 수 있습니다. 데이터베이스 쿼리를 원하는 사용자의 요청에 따라 적절한 MCP 서버를 활용하여 요청을 처리한 것입니다. PostgreSQL의 처리 결과와 Qurify의 답변을 보면 주문량이 가장 많은 국가 3곳은 독일과 미국, 그리고 브라질임을 알 수 있습니다.
웹 검색 요청
이번에는 “금일을 기준으로 미국과 한국의 증시를 검색하여 각각 분석한 후, 주요 이슈를 요약할 수 있나요?”라는 프롬프트를 Qurify에 입력했습니다.

우측의 ‘도구 실행 결과’를 참조하면 Perplexity를 실행하여 답변을 생성했다는 점을 확인할 수 있습니다. 직전의 경우와는 달리, 데이터베이스 쿼리 대신 웹 탐색이 필요한 질문이라고 판단하여 이를 수행할 수 있는 Perplexity가 요청을 처리했다는 것을 알 수 있습니다.
또한 사용자가 요청한 내용으로 검색을 진행한 뒤, 프롬프트에 따라 각각 분석을 거치고 주요 이슈를 포함하여 답변을 생성하였습니다. 즉 Perplexity를 활용하여 단순 검색뿐만 아니라 정보의 분석 및 가공 또한 Qurify를 통해 수행할 수 있습니다.
4-2. Qurify에서 새로운 MCP 서버 추가하기
앞서 언급했듯, Qurify는 기본 MCP 서버뿐만 아니라 사용자가 직접 추가한 MCP 서버를 이용할 수도 있습니다.

Qurify에서 클라이언트-서버 통신을 위해 적용 가능한 연결 방식은 3가지가 있습니다.
연결 방식 | 요약 |
---|---|
Streamable HTTP | 일반적인 웹 API처럼 요청-응답 구조이지만, 응답을 스트리밍 형태로 받기 때문에 더욱 유연한 활용이 가능함. |
SSE | 장시간 걸리는 작업의 실시간 상태 업데이트를 단방향으로, 그리고 지속적으로 받을 때 효과적임. |
STDIO | 로컬에서 도구를 가장 빠르고 간단하게 연동하는 방식. |
Streamable HTTP: 클라이언트(MCP 호스트)가 원격 MCP 서버에 단일 HTTP 요청을 보내면, 서버는 그 요청에 대한 응답을 스트리밍 형태로 조각(chunked) 전송합니다. SSE와 달리 지속적인 연결을 유지하지 않기 때문에, RESTful API 기반 도구나 서버리스 환경에서도 쉽게 적용할 수 있는 현대적인 통신 방식입니다.
SSE (Server-Sent Events): 원격 MCP 서버와 한 번 연결을 맺으면, 서버에서 클라이언트(MCP 호스트)로 단방향 스트리밍이 가능한 방식입니다. 예를 들어, 시간이 오래 걸리는 작업을 수행하면서 "분석 시작", "데이터 처리 중", "완료"와 같은 진행 상태를 실시간으로 전송할 수 있어 사용자 경험을 크게 향상시킵니다.
STDIO: MCP 호스트(Qurify)가 사용자의 로컬 컴퓨터에 설치된 도구(MCP 서버)를 직접 프로세스로 생성하고, 표준 입출력을 통해 통신하는 방식입니다. 네트워크 설정이 필요 없고 실행 환경이 동일하기 때문에 오버헤드가 거의 없어 응답 속도가 빠릅니다. 주로 로컬에서 스크립트나 CLI 기반 도구를 연동할 때 사용됩니다.
MCP 서버를 추가하기에 앞서, “제품별 평균 할인율을 분석하여 시각화한 내용을 리포트로 작성할 수 있나요?”라는 질문을 Qurify에게 해보겠습니다.

Qurify MCP Server와 PostgreSQL를 활용하여 제품별 평균 할인율을 성공적으로 분석하였지만, 사용자의 요청대로 분석 내용을 그래프 등으로 시각화하지는 않았습니다.
시각화 과정까지 만족할 수 있도록 ‘graph_generate’라는 이름의 MCP 서버를 직접 추가해보도록 하겠습니다.


Streamable HTTP 방식으로 ‘graph_generate’라는 이름의 MCP 서버를 추가 및 활성화했습니다. 이제 앞서 입력했던 프롬프트를 그대로 활용하여 Qurify에게 분석부터 시각화 리포트 작성까지 요청하도록 하겠습니다.

이번에는 사용자의 프롬프트에 따라 평균 할인율 분석부터 이를 시각화한 내용까지 모두 포함한 답변을 생성했습니다. 직전에 추가한 ‘graph_generate’ MCP 서버가 그래프를 생성한 사실을 확인할 수 있습니다.
5. 마치며
MCP의 등장으로 AI 에이전트를 활용하고 다른 서비스와 접목할 수 있는 기회가 많아졌습니다.
특히 Qurify의 경우에는 사용자의 기호에 따라 MCP 서버를 직접 추가 및 활성화할 수 있기 때문에, AI를 보다 유연하게 활용 가능합니다. 여러 종류의 MCP 서버와 함께 요청을 처리하며 데이터를 다방면으로 분석하거나 생각지 못한 인사이트 획득을 기대해볼 수 있습니다.