모델 컨텍스트 프로토콜(MCP) 설명 (그리고 멋진 코드 예제 하나)

채널 아이콘
Underfitted 구독자 59,700명

요약

영상은 기존의 복잡한 API 통합 문제를 해결하기 위해 MCP가 왜 필요한지, 그리고 그 활용법에 대해 설명합니다. 에이전트가 제한된 기능만 수행하도록 조율하는 기존 방식과 달리, MCP는 표준화된 인터페이스로 여러 시스템 간의 연결을 간소화합니다. 또한, MCP 서버를 이용해 도구와 프롬프트를 공유하고, 머신러닝 모델을 실시간으로 평가하는 과정을 코드 예제와 함께 시연합니다. 이를 통해 다양한 개발 환경(Cursor, WindServe 등)에서 재사용 가능한 통합 솔루션의 가능성을 강조합니다.

주요 키워드

mCP 모델 API 통합 에이전트 호스트 클라이언트 도구 표준 프로토콜 재사용성 통합 솔루션

하이라이트

  • 🔑 MCP의 중요성: 기존 API 통합의 복잡성을 줄이고, 에이전트가 필요 기능만 수행하도록 제한하는 문제를 해결합니다.
  • 🚀 재사용성 증대: MCP 표준을 통해 한 번의 구현으로 여러 에이전트와 클라이언트에서 동일한 연결 방식 및 기능을 재사용할 수 있습니다.
  • 🌟 도구 및 프롬프트 공유: MCP 서버는 API 기능, 도구, 그리고 필요한 문서(프롬프트)를 공유하여 효율적인 인터페이스를 제공합니다.
  • 📌 실시간 모델 평가: 머신러닝 모델을 테스트하고, 예측 과정을 실시간으로 시연함으로써 개발 시간을 크게 단축시킵니다.
  • ⚡️ 다중 환경 통합: Cursor, WindServe, Cloud Desktop 등 다양한 플랫폼에서 동일한 MCP 서버를 활용하여 통합 솔루션을 구현합니다.

용어 설명

mCP (Model Context Protocol)

모델과 API, 에이전트 간 통합을 표준화하여 재사용 가능한 인터페이스를 제공하는 프로토콜.

에이전트

특정 기능을 수행하도록 설계된 소프트웨어 구성 요소로, MCP를 통해 외부 API와 통신함.

호스트

MCP 프로토콜을 구현하는 애플리케이션으로, 예를 들어 IDE(Cursor) 등이 이에 해당됨.

클라이언트

MCP 서버와 통신하여 기능을 호출하는 구조 또는 도구를 의미함.

도구 (Tool)

MCP 서버에서 제공하는 기능적 인터페이스로, 예를 들어 모델 호출이나 데이터 처리 등 특정 작업을 수행함.

[00:00:00] MCP 개요 및 필요성

초반에는 기존 API 통합의 복잡성과 에이전트 제한 문제를 소개합니다. MCP가 등장하게 된 배경과 그 필요성을 설명합니다.

[00:00] MCP의 중요성과 지속가능성에 대해 소개하며, 현재는 불가능한 많은 기능들을 가능하게 할 것이라고 설명합니다.
[00:17] 현재 MCP 없이 에이전트를 만들 때의 문제점을 설명합니다. 에이전트가 API와 통신하기 위해서는 모든 통합 기능을 처음부터 구축해야 하며, API 접근 권한 제한도 수동으로 구현해야 합니다.
[01:25] 에이전트 구현의 재사용성 문제를 설명합니다. 한 플랫폼에서 만든 구현을 다른 플랫폼에서 사용할 수 없어 중복 작업이 필요한 현재의 한계를 지적합니다.
[00:02:21] 통합 간소화를 위한 MCP 활용

여러 에이전트와 시스템 간의 재구현 부담을 줄이기 위해 MCP 서버를 이용하는 방법을 논의합니다. 이를 통해 기존 통합 방식을 혁신합니다.

[02:34] MCP의 해결책을 제시합니다. 표준화된 프로토콜을 통해 여러 플랫폼과 API들을 쉽게 연결할 수 있는 방법을 설명합니다.
[03:08] MCP 서버의 실제 구현 예시를 설명하며, 다양한 서비스(슬랙, 지메일, 데이터베이스 등)와의 통합 가능성을 보여줍니다.
[03:33] MCP 프로토콜을 통해 다양한 에이전트와 서버 간의 통신이 가능하며, 이는 복잡성을 줄이고 재사용성을 높입니다.
[00:04:00] MCP 서버 구조 및 핵심 개념

MCP를 구성하는 호스트, 클라이언트, 서버의 역할을 설명합니다. 또한, 도구와 프롬프트 공유 기능에 대해 소개합니다.

[04:04] Slack과 같은 회사가 MCP 서버를 제공하면, IDE나 다른 클라이언트 애플리케이션에서 쉽게 연결하여 서비스를 이용할 수 있습니다.
[04:52] MCP의 세 가지 핵심 구성요소인 호스트(클라이언트 애플리케이션), MCP 클라이언트(통신 도구), 서버(기능 구현체)에 대한 설명
[05:34] MCP 서버에서 제공하는 도구들의 예시와 활용 방법에 대한 설명. 계산기, 날씨 서비스 등 다양한 도구를 구현하고 공유할 수 있습니다.
[06:14] MCP 서버를 통해 프롬프트와 문서 등의 리소스를 공유하여 에이전트가 API 호출이나 코드 작업을 수행할 수 있습니다.
[06:43] MCP 서버의 특성과 활용 방안에 대한 설명을 시작합니다. 각 회사의 MCP 서버가 독립적으로 운영되며, 슬랙, Gmail, 데이터베이스 등 다양한 서비스를 위한 개별 서버를 가질 수 있다고 설명합니다.
[07:12] MCP 서버의 강력한 기능을 소개합니다. 여러 서비스(슬랙, Gmail, 데이터베이스)를 동시에 처리할 수 있는 통합 서버를 구현할 수 있으며, 이를 통해 LLM에 의존하지 않고 안정적인 기능 수행이 가능하다고 설명합니다.
[00:08:00] 모델 평가 및 데모 시연

머신러닝 모델을 실제로 실행하고 평가하는 과정을 시연합니다. 데이터 샘플을 활용해 예측 수행 및 결과를 확인하는 장면이 포함됩니다.

[08:05] Anthropic의 MCP 서버 디렉토리와 Compos의 250개 이상의 플러그 앤 플레이 MCP 서버에 대해 소개하며, 많은 기업들이 이 방식으로 기능을 제공하고 있다고 설명합니다.
[08:41] 현재 개발 중인 머신러닝 프로젝트를 소개하기 시작합니다. 여러 파이프라인과 서버를 관리해야 하는 복잡한 프로젝트임을 설명합니다.
[09:30] 실제 모델 실행 데모를 보여줍니다. 모델을 메모리에 로드하고 예측 요청을 처리하는 과정을 시연합니다.
[10:10] 모델 테스트 작업이 시간이 많이 소요되는 문제점을 설명하고, 다양한 실험과 테스트를 위해 매번 새로운 스크립트를 작성해야 하는 불편함을 언급합니다.
[10:56] Cursor를 사용하여 모델을 테스트하면 시간을 절약할 수 있다는 해결책을 제시합니다.
[11:13] MCP 서버의 간단한 구현 방법을 설명하면서, invoke_model 도구의 기능과 페이로드 처리 방식을 상세히 설명합니다.
[12:17] 도구의 문서화 중요성을 강조하고, 프로토콜의 일부로서 에이전트가 이해해야 할 페이로드 형식과 함수 목적을 설명합니다.
[13:05] Cursor 설정에서 MCP 서버를 추가하는 방법과 다양한 서비스(Slack, Gmail, Google 등)와의 통합 가능성을 설명합니다.
[13:33] MCP 서버 설정에 대해 설명하며, 로컬 컴퓨터에서 실행되는 스크립트임을 소개합니다.
[13:55] Cursor에 두 가지 도구(엔드포인트 실행과 모델 호출)를 등록하고, MCP 서버가 정상적으로 연결되었음을 확인합니다.
[00:14:00] 실시간 도구 호출과 환경 통합

Cursor와 같은 클라이언트와 MCP 서버 간의 실시간 통신 과정을 보여줍니다. 다양한 환경에서 동일한 MCP 표준을 활용하는 사례를 다룹니다.

[14:28] Cursor의 에이전트 모드에서만 MCP 도구를 지원한다는 점을 강조하며, 모드 확인의 중요성을 설명합니다.
[14:49] CSV 파일에서 펭귄 데이터 샘플을 불러와 모델을 호출하는 과정을 시작합니다.
[15:29] Cursor가 자동으로 파일을 찾고, 데이터를 읽어 NA 값을 제외한 완전한 샘플만을 선택하여 페이로드를 구성합니다.
[16:22] 모델 호출 결과를 확인하고, 99%와 90%의 확신도를 가진 예측 결과를 얻습니다.
[16:59] 성공적인 모델 실행을 확인하고 다음 단계로 넘어갈 준비를 합니다.
[17:10] 펭귄 데이터셋의 체중을 표준편차만큼 증가시켜 모델의 반응을 테스트하기로 결정했습니다.
[17:44] 명령을 실행하여 평균 체중과 표준편차(801g)를 계산하고, 체중을 증가시킨 새로운 데이터로 모델을 테스트했습니다.
[18:18] 체중이 3750g에서 4552g로 증가했을 때, 모델은 여전히 펭귄을 아델리로 분류했지만 신뢰도는 낮아졌습니다.
[18:52] MCP 서버를 통해 인공지능과 모델이 효과적으로 통신하며, 다양한 IDE에서도 동일하게 작동합니다.
[00:00] 자, MCP에 대해 이야기해 봅시다.
[00:02] MCP가 왜 중요하고 왜 계속 유지될 것이라고 생각하는지,
[00:06] 그리고 이것이 어떻게 현재는 불가능한
[00:09] 많은 일들을 가능하게 할 것인지 설명하겠습니다.
[00:12] 우선, MCP가 없는 현재의
[00:14] 최첨단 기술 상태를 보겠습니다.
[00:17] MCP를 제외하고 생각해보면,
[00:20] 에이전트를 만들고 그 에이전트가
[00:23] 다양한 API들과 통신하기를 원한다고 해봅시다.
[00:25] 예를 들어 슬랙, 지메일 또는
[00:28] 커스텀 데이터베이스와
[00:30] 통신하고 싶다고 할 때
[00:34] 이를 구현하기 위해서는
[00:37] 이러한 통합 기능을
[00:39] 처음부터 구축해야 합니다.
[00:42] 모델이 API 문서를 이해하고
[00:45] 알아서 처리하게 하는 것은 불가능합니다.
[00:48] 예를 들어, Gmail API는
[00:50] 메시지 삭제를 허용할 수 있지만
[00:53] 여러분은 에이전트가 메시지를
[00:55] 삭제하는 권한을 갖길 원하지 않을 것입니다.
[00:58] 그래서 에이전트를
[01:00] 새 메시지 생성만 가능하도록 제한하고 싶을 것입니다.
[01:04] 또는 임시 저장만 허용하고
[01:06] 에이전트가 전체 API에
[01:08] 접근하지 못하게 하고 싶을 것입니다.
[01:11] 이를 구현하기 위해서는
[01:14] 커스텀 프롬프트나 특별한 구현이 필요합니다.
[01:19] 이를 통해 에이전트를 제한하거나
[01:21] 원하는 작업만 수행하도록 유도해야 합니다.
[01:25] 같은 맥락에서, 커스텀 메시지가
[01:28] 필요한 경우에도 마찬가지입니다.
[01:31] 에이전트가 특정 방식으로
[01:33] 메시지를 포맷팅하길 원한다면
[01:36] 그 통신 방식과 명세, 구현이
[01:39] 어떤 형태로든 존재해야 합니다.
[01:42] 이것을 에이전트의 일부로
[01:45] 구현했다고 가정해봅시다.
[01:48] 이제 에이전트는 슬랙, 지메일, 커스텀 데이터베이스를
[01:51] 사용할 수 있게 되었습니다. 하지만
[01:54] 이 에이전트를 공개하거나 공유했을 때
[01:56] 다른 사람들이 같은 구현을
[01:58] 자신들의 에이전트에서 사용하고 싶어합니다.
[02:01] 예를 들어, 이 에이전트가 Wind Serve IDE에서
[02:04] 코드를 작성할 때 사용되고, Wind Serve가
[02:08] 슬랙, 지메일, 데이터베이스와
[02:10] 통신할 수 있다고 합시다.
[02:13] 이제 사람들이 Cursor에서 이 에이전트를
[02:16] 사용하고 싶어한다면
[02:19] Wind Serve를 위해 만든
[02:21] 모든 커스텀 구현이
[02:24] Cursor에서는 작동하지 않을 것입니다.
[02:28] 그래서 모든 작업을
[02:31] Cursor용으로 다시 만들어야 합니다.
[02:34] 이것이 바로 MCP의 주요 아이디어가
[02:39] 복잡성을 줄이는 지점입니다.
[02:42] 이제 모든 연결을 다시 만들 필요가
[02:45] 없어집니다.
[02:47] 구현이나 명세를
[02:49] 모든 에이전트마다 다시 만들 필요가 없죠.
[02:52] 이 API들과 연결하고 싶은
[02:54] 각각의 에이전트를 위해 MCP를 통해
[02:58] 누구나 사용할 수 있는 표준을 가질 수 있습니다.
[03:02] LLM이나 에이전트를 백엔드나
[03:06] 다양한 API에 연결할 수 있죠.
[03:08] 이 특정 예시에서는
[03:10] 중앙에 MCP 서버가 있고
[03:12] 이 MCP 서버가
[03:14] 슬랙, 지메일과 통신하고
[03:16] 연결하는 방법을 알고 있다고 가정해보세요.
[03:19] 커스텀 데이터베이스와
[03:21] 연결할 수 있고, 위의 에이전트는
[03:24] 커스텀 에이전트일 수도 있고
[03:26] Clock Desktop이나 Cursor,
[03:28] 또는 Wind Serve일 수도 있습니다.
[03:30] 어떤 커스텀 에이전트든
[03:33] 이 프로토콜을 사용하여 MCP 서버와 통신하고
[03:36] 에이전트를 교체할 수 있습니다.
[03:39] 이것을 윈드서브에도 적용할 수 있고,
[03:42] 구현과 연결 부분,
[03:45] 즉 사용자 정의 명세는
[03:48] MCP 서버에 존재하므로
[03:50] 어떤 에이전트를 사용하더라도
[03:53] 전체 시스템이 작동합니다. 비록
[03:56] 추가 계층을 더하지만 복잡성을 늘리는 것이 아니라
[04:00] 오히려 복잡성을 줄이고 있습니다.
[04:02] 왜냐하면 이를 공유할 수 있기 때문이죠.
[04:04] 이제 Slack과 같은 회사를 상상해보세요.
[04:08] 그들이 MCP 서버를 제공하면
[04:11] 여러분의 클라이언트 애플리케이션,
[04:13] 예를 들어 IDE에서
[04:15] Slack용 MCP 서버에 연결할 수 있고
[04:19] 갑자기 Cursor로
[04:22] Slack에 접근할 수 있게 됩니다. 왜냐하면
[04:24] 명세가 있기 때문이죠.
[04:25] 같은 MCP 서버를 Cloud desktop이나
[04:29] 사용자 정의 에이전트 또는 윈드서브에 연결할 수 있고
[04:32] 더 이상 문제가 되지 않습니다.
[04:35] 공통 명세를 사용하기 때문이죠.
[04:37] 참고로 이 공통 명세는
[04:40] 구글에서 찾을 수 있습니다.
[04:42] 여기 웹사이트가 있고
[04:45] 핵심 개념들과 할 수 있는 모든 것들이
[04:47] 나와 있습니다. 간단히 설명하자면
[04:50] 세 가지 주요 개념이 있습니다.
[04:52] 먼저 호스트가 있는데, 호스트는
[04:55] Cursor나 IDE처럼 에이전트를 구현하는
[04:58] 애플리케이션입니다.
[05:00] 그 다음 클라이언트가 있는데,
[05:02] MCP 클라이언트는 기본적으로
[05:05] 서버와 통신하는
[05:06] 도구입니다. 그리고
[05:09] 마지막으로 서버가 있는데
[05:11] 이는 구현을 포함하는
[05:13] 부분입니다.
[05:14] 예를 들어 Slack의 MCP 서버나
[05:18] Gmail의 MCP 서버 또는 여러분만의
[05:21] 사용자 정의 MCP 서버가 될 수 있죠.
[05:24] 이것이
[05:26] 어떤 기능을 구현할 것이고
[05:28] MCP 서버에서 할 수 있는 일들 중
[05:30] 전부 설명하지는 않겠지만
[05:32] 가장 중요한 것은
[05:34] 도구일 것 같습니다. 계산기나
[05:36] 날씨 서비스를 구현하고 싶다면,
[05:38] 지금 제가 구현하고 있는
[05:40] 도구를 보여드리겠습니다.
[05:42] 이러한 도구들을 MCP 서버에서 제공할 수 있어서
[05:45] 클라이언트나 호스트 애플리케이션,
[05:49] 즉 Cursor가
[05:51] 제 MCP 서버에 연결하면
[05:54] 즉시 사용 가능한 모든 도구를
[05:57] 나열할 수 있습니다.
[05:59] 이걸 호출할 수 있고
[06:02] 이 도구와 저 도구를 사용할 수 있죠.
[06:04] 이는 새로운 개념이 아닙니다.
[06:06] LangChain이나 LlamaIndex에서
[06:08] 도구를 계속 사용해왔죠.
[06:11] MCP 서버에서도 같은 개념입니다.
[06:14] 프롬프트를 공유할 수 있고
[06:17] 이러한 프롬프트를 LLM이나 에이전트가
[06:20] 작업을 수행하는데 사용할 수 있습니다.
[06:23] 프롬프트도 공유하고
[06:25] 리소스도 공유할 수 있어서
[06:27] 문서가 있다면 그것을
[06:30] MCP 서버를 통해 공유할 수 있고
[06:33] 에이전트가 API를 호출하거나
[06:36] 코드에서 특정 작업을 수행하는 방법을
[06:39] 알 수 있습니다.
[06:41] Cursor를 예로 들면 말이죠.
[06:43] 여기에는 많은 유용한 정보가 있으니
[06:45] 참고해 보시기 바랍니다. 한 가지 더 말씀드리고
[06:47] 제가 만들고 있는 코드를 보여드리겠습니다.
[06:48] 제가 언급하고 싶은 것은
[06:51] 이 MCP 서버에 관한 것입니다.
[06:54] 여러분이 다른 회사들의 MCP 서버를
[06:58] 추가하더라도
[07:00] 각각의 MCP 서버는
[07:02] 독립적으로 동작할 것입니다.
[07:04] 슬랙용 MCP 서버 하나, Gmail용 MCP 서버 하나,
[07:07] 그리고 커스텀 데이터베이스용 MCP 서버가
[07:09] 있을 수 있습니다. 또한
[07:12] 정말 흥미로운 커스텀 기능을 수행하는
[07:15] MCP 서버를 구현할 수도 있습니다.
[07:19] 예를 들어, 여러분이 슬랙에 접근하고
[07:22] Gmail에 접근하고 데이터베이스에
[07:24] 로그를 작성하고 싶다고 가정해보죠.
[07:26] 이 모든 것을 동시에
[07:28] 처리하고 싶을 때, 프롬프트를 통해 LLM이
[07:32] 이를 처리하기를 기대하는 대신
[07:36] 이 모든 기능을
[07:39] MCP 서버에 캡슐화할 수 있습니다.
[07:42] 이 MCP 서버는 슬랙을 호출하고,
[07:45] Gmail을 호출하고, 커스텀 API와
[07:47] 데이터베이스를 호출하여 로깅을 수행하고
[07:50] 모든 작업을 처리할 것입니다.
[07:52] 이제 Cursor나 에이전트는 단순히
[07:55] 여러분의 MCP 서버와만 통신하면 됩니다.
[07:59] 모든 기능이 코드화되어 있어서
[08:01] 항상 신뢰할 수 없는 LLM에 의존할 필요가 없습니다.
[08:05] 여기에는 정말 많은 멋진 기능들이 있습니다.
[08:08] 저도 이제 막 배우는 중이라
[08:10] 가능성을 다 이해하지는 못하고 있지만
[08:13] 제가 말씀드릴 수 있는 것은
[08:17] Anthropic이 MCP 서버 디렉토리를
[08:20] 제공하고 있으니 확인해보시길 바랍니다.
[08:23] Compos에는
[08:26] 250개 이상의 MCP 서버가 있어서
[08:29] 클라이언트에 바로 연결해서 사용할 수 있습니다.
[08:32] 많은 기업들이 MCP 서버를 통해
[08:36] 자사의 기능을 제공하고 있어서
[08:38] 정말 멋진 일이라고 생각합니다.
[08:41] 이제 제가 현재 만들고 있는 것을
[08:43] 보여드리겠습니다. 아직 완성되지는 않았지만
[08:45] 지금까지 만든 것을 보여드릴 수 있습니다.
[08:48] 작동하는 것을 보여드릴 텐데
[08:49] 정말 멋집니다. 제가 작업 중인
[08:54] 이 프로젝트가 있는데
[08:57] 네, 바로 이 프로젝트입니다.
[08:59] 이 프로젝트가 맞나요?
[09:02] 네, 이것은 머신러닝 프로젝트인데
[09:05] 여러 다른 파이프라인들이 있고
[09:06] 실행해야 할 것들이 많으며
[09:08] 관리해야 할 서버들이 많이 있습니다.
[09:11] 제가 하는 일 중 하나는
[09:14] 머신러닝 모델을 서빙하는 것이고
[09:17] 그 모델을 평가할 수 있습니다.
[09:20] 그래서 표준 평가 방법이
[09:22] 있는데, 잠시 모델을
[09:24] 실행해보겠습니다. 이게 필요할 거거든요.
[09:29] 지금 기본적으로
[09:30] 모델을 메모리에 로드하고
[09:34] 요청을 받을 준비를 하고 있습니다.
[09:37] 예측 요청을 받을 준비를 하고 있죠.
[09:40] 모델이 실행 중인 것을 보여드리겠습니다.
[09:42] 새 콘솔을 열고
[09:44] 실행해보겠습니다.
[09:47] 이렇게 하면 모델에 요청이 전송됩니다.
[09:52] 모델로 돌아가보면
[09:54] 예측이 진행되는 것을 볼 수 있습니다.
[09:56] 요청을 받아서 예측을 수행하고 있고
[10:00] 여기서 모델의
[10:02] 예측 결과가 돌아오는 것을 볼 수 있습니다.
[10:05] 이런 방식으로 모델을 테스트할 수 있습니다.
[10:10] 하지만 이것은 제가 해야 할 일인데
[10:13] 시간이 많이 소요됩니다. 저는
[10:17] 모델을 가지고 실험을 해보고 싶은데
[10:21] 모델에 보내는 값을 변경하거나
[10:22] 어떤 것을 추가하고 싶습니다. 예를 들어
[10:26] 특정 필드를 보내지 않고
[10:29] 모델이 어떻게 반응하는지 보거나
[10:32] 특정 필드의 값을 표준편차의
[10:34] 2배로 변경해서 작동 방식을 보고 싶습니다.
[10:37] 이처럼 다양한
[10:39] 실험들이 있고, 이 모든 실험을
[10:41] 실행하려면 스크립트를 작성해야 합니다.
[10:44] 이 모든 것을 수행하는 스크립트를 작성해야 하고
[10:47] 새로운 아이디어가 생길 때마다
[10:49] 스크립트를 작성해야 하므로
[10:52] 이는 매우 빠르게 복잡해집니다. 그래서 만약
[10:56] Cursor를 사용해서 모델을 테스트할 수 있다면 어떨까요?
[11:00] Cursor에게 이렇게 모델을 테스트하라고
[11:04] 지시하고 Cursor가
[11:06] 그것을 대신 수행하도록 하면
[11:10] 엄청난 시간을 절약할 수 있습니다. 실제 구현은
[11:13] 매우 간단합니다. 제가
[11:16] 현재 작업 중인 MCP 서버를
[11:19] 보여드리겠습니다. 얼마나
[11:21] 간단한지 보실 수 있을 겁니다. 저는 하나의
[11:23] 도구만 보여드리겠습니다. 더 많은 도구가
[11:25] 이 MCP 서버에 있고, 시작하는 방법을
[11:28] 알고 싶으시다면
[11:31] Model Context Protocol 웹사이트에
[11:33] Python 샘플과 JavaScript 샘플 등의
[11:35] 문서가 있습니다.
[11:37] 이 하나만 보여드리겠습니다.
[11:39] 정말 정말 쉽습니다.
[11:42] 도구가 있는데, 이 도구를 저는
[11:45] 'invoke_model'이라고 부르고 페이로드를
[11:47] 받습니다. 이 도구가 하는 일은
[11:50] 특정 URL에 POST 요청을 보내는 것입니다.
[11:52] 테스트 목적으로만
[11:56] 이것을 실행할 것이기 때문에
[11:58] 모델이 로컬에서 서빙될 때만 실행됩니다.
[12:00] 요청을 localhost의
[12:04] 특정 URL로 보내고
[12:06] 기본적으로 받은 페이로드를
[12:09] 특정 JSON 형식으로 전송합니다. 이게 전부입니다.
[12:14] 이것이 이 도구가 하는 전부입니다. 보시다시피
[12:17] 이 도구에는 문서가 있습니다.
[12:19] 이 문서는 중요한데, 프로토콜의
[12:22] 일부가 될 것이기 때문입니다.
[12:25] 에이전트가 이 문서를 필요로 합니다.
[12:26] 에이전트가 페이로드를
[12:28] 어떻게 포맷해야 하는지,
[12:30] 이 함수가 무엇을 위한 것인지 이해하는데
[12:34] 필요하기 때문입니다. 문서가 있고
[12:37] 모델에 대해서도 설명합니다.
[12:40] 이것이 페이로드라고
[12:42] 인자라고 알려주고
[12:44] 페이로드를 어떻게 포맷해야 하는지,
[12:46] 제가 기대하는 특정 형식이
[12:49] 무엇인지 설명하고, 그 다음 반환값은
[12:51] 모델로부터 받은 예측값을
[12:53] 반환한다고 설명합니다. 이것이 제 도구입니다.
[12:57] 이것이 제 MCP 서버가 하는 일입니다.
[13:00] 이제 이것이 준비되었으니 Cursor로 와서
[13:05] Cursor의 설정으로 가보면
[13:08] Cursor 설정에서
[13:10] 기능 아래에 섹션이 있는데
[13:13] 이것을 좀 작게 만들어보겠습니다.
[13:16] 여기에 MCP 서버를
[13:18] 추가할 수 있는 섹션이 있습니다.
[13:21] Slack과 통신하고 싶다면
[13:23] MCP 서버를 찾아서 추가하면 되고
[13:26] Gmail이나 Google 등도 마찬가지입니다.
[13:28] 여기에 제 MCP 서버를 추가했는데
[13:31] 이것이 바로 그것입니다.
[13:33] 머신러닝 스쿨이라고 부르는데요.
[13:35] 여기 MCP 서버를 실행하는 명령어가 있습니다.
[13:38] 이건 제 컴퓨터에 있는 스크립트인데,
[13:41] 웹사이트나 API가 아니라
[13:43] 그냥 실행되는 스크립트입니다.
[13:45] 제 컴퓨터에서 실행되는 스크립트이고
[13:47] Cursor에게 모델을 호출하거나 도구들을 실행할 때
[13:51] 여기 보이는 도구들을 실행할 때
[13:53] 이 경우에는
[13:55] 두 가지 도구를 등록하고 있습니다.
[13:57] 엔드포인트 실행과 모델 호출인데요.
[14:00] Cursor에게 이 명령어를 실행하라고 지시하면
[14:03] 작업을 수행할 수 있습니다.
[14:06] 보시다시피 이 초록색 점은
[14:09] 작동 중임을 나타내는데요.
[14:12] Cursor가 MCP에 연결되어
[14:15] 도구들의 개수를 확인하고
[14:17] 사용할 준비가 되었다는 의미입니다.
[14:20] 이제 여기에서
[14:22] Cursor에게 MCP 서버를 사용해서 작업을 지시할 수 있습니다.
[14:26] MCP 서버를 사용해서
[14:28] 컴포저로 가서 확인할 건데요.
[14:31] 현재는 에이전트 모드인지 확인해야 합니다.
[14:36] Cursor에서는 에이전트 모드에서만 MCP 도구를 지원하거든요.
[14:41] 에이전트 모드인지 꼭 확인하시고
[14:44] 다음과 같이 진행하겠습니다.
[14:46] 여기 CSV 파일이 하나 있는데
[14:49] Cursor에게 다음을 요청할 겁니다.
[14:51] 모델을 호출하는 건데요.
[14:55] 기억하시죠? 모델이 여기서
[14:57] 로컬에서 실행 중입니다.
[14:59] 3개의
[15:01] 샘플을
[15:03] 펭귄.CSV 파일에서
[15:06] 가져올 건데요. 단순한 요청입니다.
[15:09] 스크립트로 만들었어야 했는데
[15:11] 스크립트로 하면 더 쉬웠을 텐데
[15:13] 잠시만 기다려주세요.
[15:15] 이걸 제출하면
[15:17] Cursor가 펭귄 파일을 찾아서
[15:20] 샘플들을 불러오고
[15:23] 결정을 하게 됩니다.
[15:27] MCP를 사용해서 서버와 통신할 거예요.
[15:29] 보세요, 파일을 검색해서
[15:33] Penguins 파일을 찾았고
[15:35] 제 경로에서
[15:37] 파일을 읽었네요. 이제 데이터 형식을 이해했다고 합니다.
[15:42] 데이터셋에서 3개의 샘플로
[15:45] 모델을 호출하겠다고 하네요.
[15:48] NA 값을 피해서 완전한 샘플만 사용하겠대요.
[15:50] Cursor가 이 모든 걸 결정했는데, 아주 좋습니다.
[15:54] 그리고 이걸 다
[15:56] 예상되는 페이로드 구조에 맞게
[15:59] 포맷팅했고, 이제 Cursor가
[16:02] MCP 도구를 호출하겠다고 하는데
[16:05] 모델을 호출할 때 보시면
[16:08] 정확히 어떻게 호출할지 알려줍니다.
[16:11] 페이로드 인자만 사용할 건데
[16:13] 페이로드가 올바르게 포맷팅되어 있습니다.
[16:16] 이 모든 걸 Cursor가 했고
[16:19] 제가 코딩할 필요가 없었죠.
[16:22] 이제 도구를 실행해보겠습니다.
[16:25] 보세요, 3개의 샘플로 모델을 호출했는데
[16:28] 여기 없었지만
[16:30] 있었다면 보였을 텐데요.
[16:34] 돌아가서
[16:36] 여기서 보셨어야 했는데
[16:39] 여기 없었지만
[16:41] 요청이 들어오는 걸
[16:43] 보셨어야 했어요. 어쨌든 Cursor가 모델을 호출했고
[16:47] 그 데이터로 모델을 실행했더니
[16:51] 예측 결과를 알려주네요.
[16:53] 첫 번째는 99% 확신도로
[16:56] 90%네요. 정말 멋지죠.
[16:59] 이제 재미있는 걸 해볼 텐데요.
[17:03] 예를 들어 다시 한 번
[17:08] 해보겠습니다.
[17:10] 이제 체중을 변경해보겠습니다
[17:15] 표준편차 하나만큼 바꿔보죠
[17:20] 이제 완전히 다른 것을 요청할 건데요
[17:22] 커서에게 데이터를 읽고
[17:26] 표준편차를 계산하여
[17:29] 그 특성 값을 변경한 샘플들을 다시 보내도록 요청합니다
[17:34] 제가 보고 싶은 건
[17:36] 더 뚱뚱한 펭귄들에 대한
[17:39] 모델의 반응입니다
[17:42] 이제 명령을 실행할 텐데
[17:44] 이 명령은 표준편차를 계산할 것입니다
[17:48] 실행해보도록 하겠습니다
[17:49] 자, 실행됐네요
[17:52] 평균 체중과
[17:55] 표준편차 801g을 얻었습니다
[17:59] 이제 같은 펭귄들에 대해
[18:01] 체중을 표준편차 하나만큼
[18:04] 증가시켜 모델을 실행합니다
[18:06] MCP 도구를 호출할 건데
[18:10] 이전과 비교해보면
[18:11] 차이를 볼 수 있습니다
[18:14] 이전 체중이 3750이었는데
[18:18] 새로운 체중은 4552입니다
[18:21] 커서가 자동으로 이 작업을 수행하고
[18:24] 제 도구를 통해 모델을 호출합니다
[18:27] 이제 이를 수락해서
[18:30] 필요한 작업을 수행하도록 하겠습니다
[18:33] 결과가 나왔는데
[18:35] 모델은 여전히 모든 펭귄을
[18:37] 아델리로 예측했지만
[18:39] 신뢰도는 더 낮아졌네요
[18:42] 이보다 더 나아가서
[18:46] 이제 커서에게 모델의
[18:50] 평균 예측값을 계산하도록
[18:52] 요청할 수도 있습니다
[18:55] 인공지능 덕분에
[18:57] 제 도구와 상호작용할 수 있고
[18:59] 이 모든 게 가능한 이유는 MCP 서버가
[19:02] 커서에게 모델과의 통신 방법을
[19:05] 알려주기 때문입니다
[19:08] 더 좋은 점은 이 MCP 서버를
[19:11] 윈서브에서도 사용할 수 있고
[19:14] 클라우드 데스크톱에서도
[19:16] 사용할 수 있다는 겁니다
[19:19] 커서에서 다른 IDE로 바꾸더라도
[19:22] 아무것도 수정할 필요가 없죠
[19:26] 이해가 되셨길 바랍니다
[19:28] 이를 통해 할 수 있는 것들에 대해
[19:30] 아이디어를 얻으셨길 바랍니다
[19:34] MCP 서버에 대해 더 많은
[19:37] 아이디어가 있는데
[19:38] 이 모든 모델들을 관리하고
[19:40] 멋진 작업을 수행하기 위한 것입니다
[19:43] 즐겁게 보셨길 바랍니다
[19:44] 다음에 뵙겠습니다. 안녕히 계세요