이제 예전 방식으로 AI 에이전트를 만들 수 없는 이유

Arseny Shatokhin 구독자 62,400명

요약

이 영상에서는 MCPS가 기존 OpenAPI를 대체하며 AI 에이전트 개발의 새로운 표준으로 떠오른 이유를 설명합니다. MCPS는 런타임에 동적으로 도구 연결 스키마를 갱신하고 에이전트 핵심 요소(도구·지식·프롬프트)와 직접 매핑되기 때문에 수동 업데이트 부담을 완전히 없앴습니다. 또한 누구나 간단히 로컬에서 MCP 서버를 실행해 공유할 수 있어 협업과 개발 속도가 비약적으로 향상됩니다. 후반부에서는 대표적인 MCP 서버 5곳을 소개하고 Cursor 플랫폼을 활용한 코드 작성 없는 에이전트 구축 실습을 진행합니다.

주요 키워드

MCP OpenAPI AI 에이전트 런타임 Discoverable 도구 연결 프롬프트 Cursor GitHub 테스트 자동화

하이라이트

🔑 MCPS가 AI 업계의 새로운 표준으로 자리 잡고 있으며, 협업의 언어를 통일해 에이전트 호환성을 극대화합니다.
🚀 MCPS는 런타임에 스키마를 동적으로 가져와 API 업데이트 시에도 에이전트를 자동으로 최신 상태로 유지합니다.
⚡️ MCPS 구성요소(도구·리소스·프롬프트)가 에이전트 핵심 요소(액션·지식·지시)와 일대일 대응해 설계되어 직관적입니다.
🌟 누구나 로컬에서 MCP 서버를 쉽게 실행하고 공유할 수 있어, 개발 및 테스트 과정이 매끄러워집니다.
📌 곧 모든 SaaS 플랫폼이 MCP 서버를 지원하게 되면, 에이전트는 별도 개발 없이 다양한 서비스와 즉시 연동 가능합니다.
🚀 Zapier, BrowserBase, FireCrawl, Figma Context, GPT Researcher 등 상위 5개 MCP 서버를 바로 활용해 보세요.
🔍 Cursor 플랫폼을 이용하면 코드 한 줄 작성 없이도 GitHub 연동부터 에이전트 생성·테스트까지 원스톱 구축이 가능합니다.
💡 향후 MCP 서버 제작 및 배포로 수익화 기회가 열리며, “금광시대에 삽을 파는” 비즈니스 모델이 기대됩니다.

용어 설명

MCP

AI 에이전트와 도구를 연결하는 새로운 표준 프로토콜로, 런타임에 동적 스키마를 제공

OpenAPI

기존 소프트웨어 간 연결을 위한 공개 API 규격으로, 에이전트에는 정적 스키마 한계가 있음

AI 에이전트

LLM 기반으로 독자적으로 작업을 수행하도록 설계된 소프트웨어

도구(tool)

MCPS에서 에이전트가 특정 작업을 수행하도록 모델이 제어하는 컴포넌트

리소스(resource)

MCPS에서 데이터나 파일 같은 지식 요소를 애플리케이션 로직으로 관리하는 컴포넌트

프롬프트(prompt)

사용자가 에이전트에 전달하는 지시문으로, MCPS에서는 행동 기준을 제공

[00:00:00] MCPs 개요와 중요성

MCPS는 AI 에이전트 도구 연결을 표준화합니다. 향후 협업 언어를 통일해 줍니다.

[00:01:03] MCPS vs OpenAPI 차별점

OpenAPI는 정적 스키마 기반입니다. MCPS는 런타임에 자동 갱신됩니다.

[00:03:19] MCPS 핵심 구성요소

도구·리소스·프롬프트가 에이전트 요소에 대응합니다. 각 컴포넌트 권한 범위가 명확합니다.

[03:25] MCP의 런타임 검색 가능성과 Open API의 정적인 특성의 차이점을 설명합니다.

[03:58] API 업데이트 시 발생하는 문제점과 MCP의 동적 스키마 업데이트 방식의 장점을 소개합니다.

[04:26] MCP의 핵심 구성 요소(도구, 리소스, 프롬프트)가 AI 에이전트의 기본 구성 요소와 어떻게 매핑되는지 설명합니다.

[05:02] 도구, 리소스, 프롬프트의 제어 주체와 실제 사용 예시를 구체적으로 설명합니다.

[05:49] 플랫폼 소개와 무료 AI 에이전트 개발자 학교 커뮤니티에 대해 안내합니다.

[00:06:00] MCPS 서버 로컬 실행과 공유

MCPS 서버를 로컬에서 쉽게 실행할 수 있습니다. 파일 공유와 테스트가 간편해집니다.

[00:06:44] AI 에이전트 개발의 변화

MCPS 도입으로 개발 속도가 크게 빨라집니다. SaaS 플랫폼 간 연동이 즉시 지원됩니다.

[00:08:29] Top 5 MCP 서버 추천

Zapier, BrowserBase, FireCrawl, Figma Context, GPT Researcher 서버를 살펴봅니다. 각 특징과 활용법을 안내합니다.

[00:09:50] Cursor로 AI 에이전트 구축 실습

GitHub 레포 생성부터 엔진 연동까지 Cursor가 자동화합니다. 코드 작성 없이 에이전트를 완성합니다.

[09:52] Cursor를 사용한 AI 에이전트 개발 시작: 코드 작성 없이 Cursor가 모든 작업을 수행하는 방식 소개

[10:18] PRD(제품 연구 문서) 설명: 에이전트와 기능을 명시하는 문서 체계와 MCP 통합 문서 업데이트 소개

[10:49] GitHub 저장소 생성 과정: 새로운 저장소 생성 및 기본 설정 방법 설명

[11:00] YouTube 분석 에이전시 프로젝트 소개: 콘텐츠 공백 파악과 경쟁사 영상 성과 분석을 위한 에이전시 구축 계획

[12:11] MCP 서버 선택: Smithery, MCP market, MCP.so 등 다양한 마켓플레이스 소개와 Smithery의 장점 설명

[12:35] 유튜브 관련 서버를 검색하며, 트랜스크립트 기능이 포함된 다양한 서버들을 살펴봅니다.

[12:57] 영상 통계, 댓글, 트랜스크립트 등 종합적인 기능을 제공하는 서버를 발견하고 이를 선택합니다.

[00:13:00] 테스트 및 배포 팁

Cursor 내부 테스트 기능을 활용합니다. Git 푸시 후 플랫폼 배포를 준비합니다.

[13:40] GPT4.1 모델과 자동 실행 모드를 활성화하여 개발 효율을 높이기 위한 설정을 진행합니다.

[14:50] YouTube 분석 에이전시의 목적과 기능을 정의하고, 콘텐츠 개선을 위한 인사이트 도출 계획을 설명합니다.

[15:28] YouTube 댓글을 가져오는 사용자 도구 추가와 Python 가상환경 설정 방법을 설명합니다. Command+Shift+P를 사용하여 인터프리터를 선택하고 venv를 생성하는 과정을 보여줍니다.

[15:57] Cursor가 PRD 파일을 생성하고, YouTube 분석기 에이전시용 단일 도구와 에이전트를 만드는 과정을 설명합니다.

[16:22] PRD 파일의 목적과 중요성을 설명하며, 특히 대규모 에이전시에서 이 파일이 필수적인 이유를 다룹니다.

[16:58] MCP 서버 GitHub 링크와 문서 링크의 중요성을 강조하고, Cursor가 이를 활용하여 에이전트를 생성하는 과정을 설명합니다.

[17:54] Cursor가 자동으로 매니페스트, requirements 파일, env 파일을 생성하고 테스트까지 시도하는 놀라운 기능을 소개합니다.

[18:27] YouTube API 키와 OpenAI 키를 설정하여 에이전트를 실행할 준비를 합니다.

[19:04] 에이전트 테스트를 위해 agency.py 파일을 직접 실행하거나 Cursor를 통해 실행할 수 있습니다.

[19:40] 서버 시작 후 발생한 import 오류는 사용하지 않는 도구이므로 무시할 수 있습니다.

[20:10] 에이전트가 채널의 인기 동영상 분석과 댓글 데이터를 성공적으로 수집했습니다.

[20:51] AI 에이전트 관련 새로운 콘텐츠 아이디어를 생성하고 향후 방향을 제시했습니다.

[21:26] 에이전트 사용을 위한 지침 작성과 GitHub 배포 방법을 설명했습니다.