Model Context Protocol (MCP) - provided by Antrophic

Created on April 15, 2025

2025   ·   language-model   llm   paper-review   ·   paper-reviews

논문 정보

  • Date: 2025-04-15
  • Reviewer: 준원 장

1. What is MCP

MCP가 왜 필요한가?

  • Agent 논문 (Self-Reflection/React)를 보면 LLM이 api call/function call을 통해 response의 정확도를 높히곤 하는데, 여러 api call/function call와 통신하는데 있어 ‘규격화된 프로토콜’이 존재하지 않았음

⇒ 각 api마다 프로토콜을 개발해줘야했음 (예를 들어, 날씨검색을 위한 api call full pipeline을 api 제공자마다 설계해줘야 했음)

MCP란?

  • Model Context Protocol(MCP)은 LLM(Large Language Model) 애플리케이션과 외부 데이터 소스 및 도구들 (api call/function call) 간의 원활한 통합을 가능하게 하는 개방형 프로토콜이다.

Protocol: 서로 다른 시스템 간 상호작용을 위해 정의된 규칙과 절차

⇒ api call/function call마다 개발하는걸 일종의 ‘abstraction’화 하여, LLM 사용자/개발자들에게 확장성을 키워줌

⇒ 여러 api call들을 제공하는 tool provider로 존재하는 github이 MCP server를 개발하면, LLM이 protocol에 맞게 통신만 해주면 손쉽게 api call하고 response를 받아 실행가능해짐!

  • MCP 구조는 아래와 같음

    • MCP Hosts: Claude Desktop, IDE 또는 AI 도구와 같이 사용자가 직접 사용하는 프로그램. MCP를 통해 데이터에 접근하고자 하는 최종 사용자 애플리케이션.

⇒ 가장 상위 레벨의 어플리케이션으로 사용자가 prompt 날리는 대상 (Claude Desktop, Cursor)

  • MCP Clients: 호스트 내부에서 서버와의 1:1 통신을 담당하는 기술적 구성요소. 프로토콜 규칙에 따라 메시지를 주고받는 통신 관리자 역할을 담당.

⇒ Host 내부에서 작동하는 구성 요소

- 메시지 변환 및 처리

- 프로토콜에 맞게 요청을 포맷팅

- 서버와의 통신 관리 (연결 유지, 오류 처리 등)
  • MCP Servers: 특정 기능을 표준화된 Model Context Protocol을 통해 제공하는 경량 프로그램.

⇒ 각 서버는 특정 기능(api call/function call)이나 데이터 접근을 담당.

  • Local Data Sources (로컬 데이터 소스): 사용자 컴퓨터에 있는 파일, 데이터베이스, 서비스 등으로 MCP 서버가 안전하게 접근할 수 있는 정보 저장소 (local database)

  • Remote Services (원격 서비스): 인터넷을 통해 접근 가능한 외부 시스템(API 등)으로, MCP 서버가 연결하여 정보를 가져올 수 있는 외부 자원 (web search results)

  • MCP Protocol: 클라이언트와 서버 간의 표준화된 통신 방식으로, 데이터 형식, 요청/응답 구조, 오류 처리 등을 정의 (pip install mcp 로 설치되는 것)

MCP 통신 흐름

  1. 초기화 (Initialization)

  • 능력 협상 (Capability Negotiation)

  • 버전 확인

  • 서버 정보 교환

  1. 일반 통신

  • 요청/응답 (Request/Response)

  • 알림 (Notification)

  • 에러 처리

  1. 종료

  • 정상 종료

  • 에러 복구

  • 리소스 정리

  • Protocol까보면 사실상 client ↔ server는 json 구조로 통신함

// 기본 JSON-RPC 2.0 메시지 형식
interface JSONRPCMessage {
    jsonrpc: "2.0";
    id?: string | number;  // 요청/응답 식별자
    method?: string;       // 메서드 이름
    params?: object;       // 매개변수
    result?: object;       // 응답 결과
    error?: {
        code: number;
        message: string;
        data?: unknown;
    };
}

  • 그렇다면 Model Context Protocol은 왜 각광을 받을까?

    • 대 AI-Agent시대에 모델만으로 구현할 수 있는 action의 정교함에는 한계가 있고, 외부 툴을 활용하는건 어느정도 필연적.

    • **모듈성과 호환성의 압도적 향상**

      • 프로토콜에 맞게 개발된 모든 모델과 서버/도구는 서로 쉽게 교체가 가능해짐!

(LLM / MCP server의 자유로운 플러그인 아웃)

- USB 규격만 맞추면 어떤 USB 장치든 어떤 컴퓨터에도 연결할 수 있는 것처럼, Model Context Protocol을 따르는 모든 모델과 도구는 서로 원활하게 연결될 수 있음!

- 그만큼 보안을 보다 더 신경써서 client/server side를 개발해야한다고 함.

2. Practical Information

MCP Marketplace

→MCP client나 Server를 open src로 베포해놓는 platform

https://mcp.so/

https://smithery.ai/

MCP Client

⇒ claude가 어떻게 MCP로 server랑 통신할 것인가, 이런거를 정의해주는 건데

(이미 cursor등등에는 알아서 잘 정의가 되어있음)

MCP Servers

⇒ 여러가지 tool들을 사용하게 해놓은 Server (MCP를 따름)

https://github.com/smithery-ai/reference-servers/tree/main/src/github

3. Examples

Cursor - Github MCP Server

  1. Github Token 발급 후 각 권한들 (Tool들)에 대한 권한 부여

⇒ Issues & PR 권한 부여한 Token

  1. 1.에서 입력한 token을 기반으로 지정해준 MCP client에서 MCP server를 사용하기 위해 추가적인 configuration을 전달
  1. Cursor > MCP > add to MCP > github json을 추가하면 아래와 같이 MCP server가 추가됨
  1. Cursor (AI agent)에게 Github Token의 권한 아래 있는 repo에 대해서 tool 실행 (e.g., issue를 실행해줘)를 요청하면, (1) LLM이 특정 MCP server가 필요하다고 판단 → 특정 Tool 실행이 필요하다고 판단 (2) MCP에 맞는 입력 생성
  1. Agent를 통해 성공적으로 Tool 실행 (Run tool)

Cursor - Personal MCP Server (MCP Market Place에 내가 원하는 MCP Server가 없는 경우)

⇒ pip install mcp

  • 수동으로 MCP Server 생성: https://modelcontextprotocol.io/quickstart/server

  • FactMCP 인스턴스 생성

  • decorator를 활용해 @mcp.tool()을 활용해 tool 정의

  • server가 independent하게 동작하는지 확인

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run(transport='stdio')
  • 서버의 경로를 mcp.json 에 추가해주면 됨
  • AI Agent (LLM)에게 prompt를 날리면 추가된 mcp server를 쓴다고 요청이 옴.
  • Run tool 실행하면 tool 실행하고, 그 결과를 LLM result에 통합해서 최종 chat completion을 반환
  • LLM으로 MCP Server 생성: https://modelcontextprotocol.io/tutorials/building-mcp-with-llms

⇒ Example

  • https://modelcontextprotocol.io/llms-full.txt 사이트를 방문하여 전체 문서 내용을 복사

  • MCP TypeScript SDK 또는 Python SDK 저장소로 이동

SDK: 특정 플랫폼, 프레임워크 또는 시스템을 위한 개발 도구 모음

  • README 파일과 기타 관련 문서들을 복사 (e.g., mcp-python-sdk readme)

  • 해당 문서를 이 문서들을 Claude(AI Agent)와의 대화창에 복붙

Cursor - Client Server

async def connect_to_server(self, server_script_path: str):
    """Connect to an MCP server

    Args:
        server_script_path: Path to the server script (.py or .js)
    """
    is_python = server_script_path.endswith('.py')
    is_js = server_script_path.endswith('.js')
    if not (is_python or is_js):
        raise ValueError("Server script must be a .py or .js file")

    command = "python" if is_python else "node"
    server_params = StdioServerParameters(
        command=command,
        args=[server_script_path],
        env=None
    )

    stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
    self.stdio, self.write = stdio_transport
    self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))

    await self.session.initialize()

    # List available tools
    response = await self.session.list_tools()
    tools = response.tools
    print("\nConnected to server with tools:", [tool.name for tool in tools])

  • MCP server 동작에 필요한 parameter를 준비하는 과정

  • MCP server initializer

  • MCP server내 tool들 load

async def process_query(self, query: str) -> str:
    """Process a query using Claude and available tools"""
    messages = [
        {
            "role": "user",
            "content": query
        }
    ]

    response = await self.session.list_tools()
    available_tools = [{
        "name": tool.name,
        "description": tool.description,
        "input_schema": tool.inputSchema
    } for tool in response.tools]

    # Initial Claude API call
    response = self.anthropic.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1000,
        messages=messages,
        tools=available_tools
    )

    # Process response and handle tool calls
    final_text = []

    assistant_message_content = []
    for content in response.content:
        if content.type == 'text':
            final_text.append(content.text)
            assistant_message_content.append(content)
        elif content.type == 'tool_use':
            tool_name = content.name
            tool_args = content.input

            # Execute tool call
            result = await self.session.call_tool(tool_name, tool_args)
            final_text.append(f"[Calling tool {tool_name} with args {tool_args}]")

            assistant_message_content.append(content)
            messages.append({
                "role": "assistant",
                "content": assistant_message_content
            })
            messages.append({
                "role": "user",
                "content": [
                    {
                        "type": "tool_result",
                        "tool_use_id": content.id,
                        "content": result.content
                    }
                ]
            })

            # Get next response from Claude
            response = self.anthropic.messages.create(
                model="claude-3-5-sonnet-20241022",
                max_tokens=1000,
                messages=messages,
                tools=available_tools
            )

            final_text.append(response.content[0].text)

    return "\n".join(final_text)

⇒ tool results를 통합해 최종 chat completion를 도출

⇒ async 로 정의하는 이유?

  • 비동기 프로그래밍을 위해

  • 동시성 처리: 여러 작업을 동시에 처리할 수 있다. 한 작업이 I/O 작업(네트워크 요청, 파일 읽기 등)으로 대기하는 동안 다른 작업을 수행이 가능.

  • 블로킹 방지: 서버가 한 클라이언트 요청을 처리하느라 다른 요청을 처리하지 못하는 상황을 방지

→ 여러 클라이언트를 타고 들어오는 요청이 엄청 많을텐데 비동기 처리를 해놔야 MCP 서버가 안정적으로 돌아감

4. Conclusion

  • MCP) 이전에 사용되던 여러 방식들에 비해 확실한 장점이 존재

    • 커스텀 API 통합 (일회성 커넥터)

      • 서비스마다 별도의 커스텀 코드나 SDK를 개발하는 방식 (AI가 Google Drive와 SQL 데이터베이스에 접근하려면 각각 다른 API와 데이터베이스 드라이버를 통합)

⇒ 제일 노동력 많음

  • 언어 모델 플러그인 (OpenAI Plugins)

    • 모델이 외부 API를 쉽게 호출할 수 있게 해주는 프레임워크

⇒ 대부분의 플러그인은 모델이 API를 호출할 형태를 만드는 방식에 초점

  • 프레임워크 기반 도구 사용 (LangChain의 Tools, Agents)

    • LLM에 “도구”를 설명하고 모델이 상황에 맞게 도구를 호출하는 방식

⇒ 개발자가 각 도구를 자신의 요구에 맞게 연결하거나 수정해야 함

→ MCP는 모델이 직접 관련된 도구를 발견하고 사용하는 프로토콜

→ 필요한 도구를 위해 에이전트 코드를 작성하지 않아도 모델이 MCP를 통해 해당 도구를 실시간으로 발견하고 사용 가능

→ MCP를 통해 data provider와 지속적인 양방향 통신이 가능

  • MCP가 사실상 Tool Usage의 표본으로 자리 잡아 가는중

  • 앞으로 단기의 미래는 MCP Server내의 필요한 모든 기능을 Tool로 때려넣고 LLM Response에 통합시키는 방향으로 발전하지 않을까?

  • 하지만, 미래에는 인간이 컴퓨터와의 I/O를 키보드&모니터로만 스마트폰과의 I/O를 화면&손가락으로 하지만 그 안의 수많은 tool들을 제어할 수 있듯이.. 궁극에는 가장 상위-level의 tool들만 남고, 나머지 기능들은 현재처럼 완전 세부적으로 호출을 요구하진 않지 않을까? (여러분의 생각이 궁금합니다!)

References

https://www.anthropic.com/news/model-context-protocol

https://modelcontextprotocol.io/introduction

https://wikidocs.net/book/17027

https://www.youtube.com/watch?v=zVSZ2gXvhVE

https://www.youtube.com/watch?v=0f3fTTXqTps

Model Context Protocol (MCP) - provided by Antrophic