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

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

[00:00] MCP는 혁신적인 기술은 아니지만, AI 업계에서 지속적으로 성장하며 새로운 표준으로 자리잡고 있습니다.

[00:35] 이 영상에서는 MCP의 중요성, 최고의 MCP 서버, 그리고 초보자도 할 수 있는 AI 에이전트 구축 방법을 설명합니다.

OpenAPI는 정적 스키마 기반입니다. MCPS는 런타임에 자동 갱신됩니다.

[01:03] MCP는 AI 애플리케이션을 위한 USB-C 포트와 같은 표준으로, LLM을 도구와 연결하는 역할을 합니다.

[01:33] 이전의 Open API 표준은 개발자들이 앱을 서로 연결하는데 사용되었으며, 이는 당시 혁신적인 접근이었습니다.

[02:00] MCP는 AI 에이전트를 위한 특별한 표준으로, 개발자들 간의 협업을 가능하게 만드는 게임 체인저입니다.

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.

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

[06:11] MCP 서버의 로컬 실행 용이성과 그 장점에 대해 설명합니다.

[06:31] MCP 문서가 하나로 통합되어 ChatGPT나 Claude에서 손쉽게 활용 가능

[06:38] AI 에이전트 개발자들에게 미치는 두 가지 중요한 영향: MCP 표준화와 SaaS 플랫폼 통합

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

[06:59] 과거 Open API처럼 모든 소프트웨어 플랫폼이 AI 에이전트를 위한 MCP 서버 제공 필요

[07:15] 커스텀 도구 개발 대신 MCP 연결만으로 간편한 통합 가능

[07:31] 개발자 간 도구 공유와 다중 플랫폼 통합 솔루션 제작 가능

[07:59] MCP의 수익화 가능성과 비즈니스 기회 논의

[08:26] 주요 MCP 서버 5개 소개: Zapier, Browser Base, Fire Crawl, Figma Context, GPT Researcher

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

[09:32] E2B 플랫폼 소개: Python과 JavaScript 코드를 안전한 원격 환경에서 실행할 수 있으며, OpenAI의 코드 인터프리터보다 더 많은 기능과 인터넷 접속이 가능한 플랫폼

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.

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.

[00:00] MCP는 AI 분야에서 모든 것을 바꾸는

[00:02] 혁신적인 신기술은 아닙니다.

[00:05] 하지만 오늘날 AI의 다른 기술들과는 달리,

[00:08] MCP는 계속 살아남을 것입니다.

[00:12] Menus나 Genpark와 같은 다른 AI 기술들과는 달리,

[00:15] MCP의 인기는 꾸준히 증가해왔습니다.

[00:18] 이는 MCP가 실제로

[00:21] AI 업계의 새로운 표준으로 자리잡고 있다는 의미입니다.

[00:25] 이것은 여러분이 생각하는 것보다

[00:28] 훨씬 더 중요한 의미를 가집니다.

[00:30] MCP가 새로운 표준이 되어가고 있다는 사실이

[00:32] 프로토콜 자체보다 더 중요하기 때문입니다.

[00:35] 이 영상에서는

[00:38] MCP가 왜 진정으로 중요한지를 설명하겠습니다.

[00:42] 이는 아직 다른 곳에서는 논의되지 않은 내용입니다.

[00:44] 현재 사용할 수 있는 최고의 MCP 서버들을 공유하고,

[00:46] 코딩 경험이 전혀 없더라도

[00:49] MCP를 사용하여 AI 에이전트를

[00:52] 직접 구축하는 방법을 보여드리겠습니다.

[00:56] 시작해보겠습니다.

[00:58] 먼저, MCP가 왜 그렇게 중요할까요?

[01:03] 여러분은 아마도 MCP가

[01:04] AI 애플리케이션을 위한 USB-C 포트 같은 것이라고 들어보셨을 겁니다.

[01:08] 이는 LLM을 도구와 연결하는 표준입니다.

[01:10] 하지만 여러분이 모르실 수 있는 점은

[01:14] 우리가 이미 이와 비슷한 표준을 가지고 있었다는 것입니다.

[01:17] 그렇다면 왜 새로운 것을 개발했을까요?

[01:19] OpenAI가 출시하지 않은 유명한

[01:22] GPT 스토어를 발표했을 때,

[01:24] 이미 커스텀 GPT 앱을

[01:27] Open API라는 다른 표준을 사용해

[01:30] 외부 도구와 연결할 수 있었습니다.

[01:33] 솔직히 말하자면,

[01:35] 당시에는 꽤 천재적인 움직임이었습니다.

[01:37] 거의 모든 온라인 소프트웨어 플랫폼이

[01:40] 이 Open API 표준을 사용해 공개 API를 제공했기 때문입니다.

[01:43] 모르시는 분들을 위해 설명하자면, API는

[01:46] 개발자들이 자신의 앱을 다른 앱과

[01:48] 코드로 연결하는 방법입니다.

[01:51] Open API는 단순히 API를 표준화하여

[01:54] 모든 개발자가 자신의 앱을

[01:56] 다른 개발자의 앱과 더 쉽게 연결할 수 있게 했습니다.

[02:00] MCP도 본질적으로 같은 목적을 가지고 있지만

[02:02] 특별히 AI 에이전트를 위한 것입니다.

[02:06] Open API가 개발자들에게

[02:08] 모든 타사 소프트웨어와의 연결을 제공하듯이,

[02:11] MCP는 에이전트가 타사 도구와 연결되도록 합니다.

[02:14] 이것이 핵심적인 차이점입니다.

[02:16] 하지만 가장 중요한 측면은

[02:18] 프로토콜 자체가 아닙니다.

[02:20] 이것이 AI 업계의 새로운 표준으로

[02:23] 채택되고 있다는 사실입니다.

[02:27] 만약 아무도 같은 프로토콜을 사용하지 않는다면,

[02:29] 사실상 쓸모가 없겠죠.

[02:32] 하지만 모든 사람이 사용한다면, 즉시

[02:35] 엄청난 힘을 발휘하게 됩니다.

[02:37] AI 에이전트 개발자들이 모두

[02:39] 다른 언어를 사용하는 것을 상상해보세요.

[02:41] 이전에는 이랬습니다.

[02:43] 에이전트와 도구를 연결하는

[02:45] 표준이 없었기 때문에

[02:47] 협업이 사실상 불가능했죠.

[02:50] 하지만 이제 모든 AI 에이전트 개발자들이

[02:52] MCP라는 같은 언어를 배울 수 있게 되어

[02:55] 드디어 원활한 협업이

[02:57] 가능해졌습니다.

[03:00] 이것이 진정한 게임 체인저이며

[03:03] MCP 프로토콜을 배워야 하는 이유입니다.

[03:06] 단순한 방관자가 되지 않고

[03:08] 실제로 AI 에이전트

[03:10] 개발자 커뮤니티의 적극적인 구성원이

[03:13] 되고 싶다면, MCP를 배워야 합니다.

[03:15] 이제 이 프로토콜에 대해 알아야 할

[03:19] 핵심 사항들을 설명하겠습니다.

[03:21] 먼저, Open API와는 달리 MCP는

[03:25] 실행 시점에 검색이 가능합니다.

[03:27] 이게 무슨 의미일까요?

[03:29] 이를 이해하기 위해서는

[03:31] Open API 표준의 가장 큰 문제점을

[03:33] 먼저 이해해야 합니다. 바로 정적이라는 점입니다.

[03:35] 개발자들을 위해 설계되었지만,

[03:38] AI 에이전트는 개발자처럼 작동하지 않습니다.

[03:40] 더 동적인 무언가가 필요합니다.

[03:42] Open API에서는 스키마가 한 번만 생성됩니다.

[03:45] 따라서 API가 업데이트될 때마다,

[03:48] 예를 들어 개발자가

[03:50] 새로운 엔드포인트를 추가할 때,

[03:52] 해당 API에 연결된 모든 에이전트도

[03:55] 업데이트해야 합니다.

[03:58] 이는 우리 AI 에이전시에서

[04:00] 많은 문제를 일으켰습니다.

[04:02] API가 업데이트될 때마다

[04:04] 모든 에이전트를 수동으로

[04:07] 업데이트해야 했기 때문입니다. 하지만 MCP는 다릅니다.

[04:10] MCP가 업데이트되면 에이전트는

[04:13] 아무 일도 없었던 것처럼 계속 작동합니다.

[04:15] 각 작업 전에 새로운 스키마를

[04:18] 가져오기 때문입니다. 이를 통해

[04:21] 지속적인 수동 에이전트 업데이트를

[04:23] 완전히 잊을 수 있습니다.

[04:26] 두 번째이자 아마도 가장 중요한 차이점은

[04:28] MCP의 모든 핵심 구성 요소가 AI 에이전트의

[04:32] 핵심 구성 요소와 직접 매핑된다는 것입니다.

[04:34] 제 채널을 보셨다면 아시겠지만

[04:36] 이는 instructions(지시사항),

[04:39] knowledge(지식), actions(행동)입니다. MCP에서는

[04:43] actions에 직접 매핑되는 도구들이 있어

[04:47] git 저장소 가져오기와 같은

[04:49] 특정 작업을 수행할 수 있습니다.

[04:52] 리소스는 knowledge와 직접 연결되어

[04:54] 에이전트를 위한 특정 데이터와

[04:57] 파일을 가져올 수 있게 하고, 프롬프트는

[04:59] 지시사항 구성 요소를 처리합니다.

[05:02] 여기서 알아야 할 중요한 점은 도구는

[05:05] 모델이 제어하고, 리소스는

[05:07] 애플리케이션이 제어하며, 프롬프트는

[05:10] 사용자가 제어한다는 것입니다.

[05:12] 예를 들어 설명해 드리겠습니다.

[05:14] GitHub 저장소를 가져오는 도구를 사용할 때

[05:16] AI 모델이 모든 매개변수와

[05:19] 가져올 저장소를 선택합니다.

[05:21] 저장소 문서가 포함된 파일과 같은

[05:24] 리소스를 사용할 때는

[05:26] 애플리케이션, 즉 개발자가 만든

[05:29] 로직이 파일 사용 방법을

[05:31] 처리합니다. 예를 들어,

[05:33] 앱을 코딩하여 이러한 파일을 처리하고

[05:36] 에이전트에 연결된 벡터

[05:38] 데이터베이스에 업로드할 수 있습니다.

[05:40] 그리고 프롬프트 사용 시에는 일반적으로

[05:43] 최종 사용자가 선택합니다.

[05:45] 이는 본질적으로 오늘날 많은

[05:47] AI 앱에서 볼 수 있는

[05:49] 대화 시작 기능입니다. 참고로 이 앱은

[05:52] 우리 플랫폼에서 개발되었으며,

[05:54] 다른 독점 리소스들과 함께

[05:57] 무료 AI 에이전트 개발자 학교 커뮤니티에서

[06:00] 무료로 이용할 수 있습니다.

[06:02] 첫 고객을 얻을 때즈음

[06:03] 우리 플랫폼의 유료 플랜을

[06:06] 고려해 주시길 바랄 뿐입니다.

[06:08] MCP에 대해 알아야 할 세 번째 중요한 점은

[06:11] MCP 서버를 로컬에서 매우 쉽게 실행할 수 있다는 것입니다.

[06:14] 이는 AI 에이전트 개발과

[06:16] 테스트 과정을 훨씬 더 원활하게 만듭니다.

[06:19] 또한 MCP 공유도 더 쉬워집니다.

[06:22] 누구나 쉽게 로컬에서

[06:24] 실행해볼 수 있기 때문입니다.

[06:26] MCP에 대해 더 자세히 알고 싶다면,

[06:29] Andropy가 작성한 훌륭한 MCP.txt 파일에

[06:31] 문서를 모두 한데 모아두었습니다.

[06:33] 이걸 다운로드해서 ChatGPT나

[06:35] Claude에 넣고 질문하시면 됩니다. 이제

[06:38] AI 에이전트 개발자인 여러분에게

[06:41] 이것이 어떤 의미인지 설명드리겠습니다. 첫째,

[06:44] 이 프로토콜이 표준화되면서

[06:46] 곧 모든 SaaS 플랫폼에서

[06:49] 이 표준을 필수적으로 사용하게 될 것입니다.

[06:52] 머지않아 AI 에이전트가 인간보다 많아질 세상에서

[06:54] 모든 소프트웨어 플랫폼은

[06:57] AI 에이전트를 위한 MCP 서버를 제공해야 합니다.

[06:59] 마치 과거에 개발자들을 위해 Open API를 제공했던 것처럼요.

[07:03] 이제 우리는 자체 도구를 만들지 않고도

[07:05] MCP 서버를 통해

[07:08] 서드파티 플랫폼에 쉽게 연결할 수 있습니다.

[07:10] 이는 AI 에이전트 개발 과정을

[07:13] 훨씬 더 빠르고 매끄럽게 만들어줍니다.

[07:15] 도구를 계속 업데이트하거나

[07:18] 서드파티 플랫폼마다

[07:20] 일일이 커스텀 도구를 만드는 대신,

[07:23] 이 영상 마지막에 보여드릴

[07:24] MCP만 연결하면 됩니다.

[07:26] 그게 전부입니다.

[07:29] 둘째로, 이제 여러분의 도구를

[07:31] 같은 분야의 다른 개발자들과

[07:33] 원활하게 공유할 수 있습니다.

[07:36] MCP를 사용하면 단순히 다른 SaaS 플랫폼의

[07:38] 래퍼 도구만 만드는 것에 그치지 않습니다.

[07:41] 여러 플랫폼을 결합한

[07:43] 완전히 새로운 커스텀 도구를

[07:45] 만들어 공유할 수 있습니다.

[07:48] 예를 들어, 암호화폐 시장을 분석하여

[07:50] Coinbase, Binance 등

[07:52] 여러 플랫폼의 데이터를 활용해

[07:54] 리포트를 생성하는 MCP를 만들 수 있죠.

[07:56] Anthropic이 곧 이 프로토콜에

[07:59] 수익화 기능을 도입하길 바랍니다.

[08:01] 이는 이 영상을 보시는 분들에게

[08:03] 엄청난 기회가 될 수 있기 때문입니다.

[08:05] 골드러시 때 삽을 파는 것이 돈을 번다는

[08:07] 말처럼 말이죠.

[08:10] 여러분은 MCP 서버를 구축하고

[08:11] UI 없이도 AI 에이전트에게 서비스를 제공하며

[08:14] 수익을 창출할 수 있습니다.

[08:16] 다음 주에는 우리 플랫폼에서도

[08:19] 에이전트에 MCP를 연결할 수 있고,

[08:21] 더불어 실제 배포 방법에 대한

[08:23] 무료 플레이북도 제공할 예정입니다.

[08:26] 지금 바로 연결 가능한 최고의 MCP 서버 5개를

[08:29] 소개해드리겠습니다.

[08:31] 첫 번째는 Zapier MCP입니다.

[08:34] Zapier의 훌륭한 전략으로,

[08:36] 이제 여러분의 에이전트를

[08:38] 6,000개 이상의 앱과 자동화에 즉시 연결할 수 있습니다.

[08:41] 에이전트에게 필요한 작업을 쉽게 설정하고

[08:43] 링크를 받아서

[08:45] 에이전트나 Cursor에

[08:47] 복사-붙여넣기만 하면 됩니다. 두 번째는

[08:51] Browser Base입니다. 잠재 고객 조사와 같은

[08:53] 복잡한 웹 브라우징 작업을 자동화하는

[08:55] 외부 브라우저를 만들 수 있습니다.

[08:58] 이는 Open Operator 에이전트와

[09:01] 유사하게 작동합니다. 세 번째는 Fire Crawl입니다.

[09:04] 거의 모든 웹사이트를 크롤링하여

[09:07] LLM이 읽을 수 있는 데이터로 변환합니다.

[09:10] AI 에이전트를 위한 간단한 웹 브라우징이죠. 네 번째는

[09:13] Figma Context입니다. 웹 개발자 에이전트를 위한

[09:16] 제가 가장 좋아하는 도구 중 하나로,

[09:18] 에이전트가 코딩을 시작하기 전에

[09:20] 디자이너가 제공한 Figma 레이아웃을

[09:23] 이해할 수 있게 해줍니다. 다섯 번째는 GPT Researcher입니다.

[09:26] OpenAI의 딥 리서치 에이전트와 유사하지만

[09:28] 완전히 오픈소스로

[09:30] 구조화된 심층 연구가 가능합니다.

[09:32] 그리고 6번째로 작은 보너스로,

[09:35] E2B 플랫폼을 소개하겠습니다.

[09:37] Python과 JavaScript 코드를 안전한

[09:40] 원격 환경에서 실행할 수 있으며,

[09:42] OpenAI의 코드 인터프리터와 비슷하지만

[09:45] 더 많은 기능과 인터넷 접속이 가능합니다.

[09:48] 이제 MCP를 사용한 AI 에이전트

[09:50] 개발을 시작해보겠습니다.

[09:52] 이 영상에서는 Cursor를 사용할 건데요,

[09:54] 실제로 우리는 코드를 전혀

[09:56] 작성하지 않을 겁니다.

[09:59] 제가 직접 코드를 작성하지 않고,

[10:00] Cursor가 모든 작업을 수행하도록

[10:03] 할 것입니다. 이를 위해 먼저

[10:06] 새로운 Cursor 규칙 파일을 복사할 건데,

[10:08] 이는 AI 에이전시에서 사용하는

[10:11] PRD 생성과 함께 에이전트를 만드는

[10:14] 새로운 프로세스로 업데이트되었습니다.

[10:18] PRD는 제품 연구 문서로,

[10:21] 모든 에이전트와 그들의

[10:23] 기능을 상세히 명시합니다.

[10:26] 또한 최근에 문서를

[10:28] 업데이트했는데,

[10:30] 여기서 확인할 수 있으며 MCP 통합

[10:33] 문서는 tools MCP integration에 있습니다.

[10:35] 이것이 우리의 새로운 문서이며

[10:38] MCP 서버 통합 방법에 대한

[10:40] 멋진 새 페이지가 추가되었습니다. 하지만

[10:43] 실제로는 이 페이지를

[10:44] 읽을 필요도 없습니다. Cursor가

[10:47] 대신 해줄 테니까요. 시작하기 위한

[10:49] 첫 단계는 GitHub 저장소를 만드는 것입니다.

[10:51] 새 GitHub 저장소를 만들어봅시다.

[10:53] 계정을 만들고, 저장소로 가서

[10:55] new를 클릭하면 됩니다. 그 다음

[10:58] 에이전시 이름으로 저장소를 만듭니다.

[11:00] 저는 YouTube 분석

[11:02] 에이전시를 만들 건데, 이는 기본적으로

[11:04] 콘텐츠 공백을 찾고 내 영상과

[11:07] 경쟁사 영상의 성과를

[11:10] 분석하는 데 도움을 줄 것입니다.

[11:12] 이전에 이미 만들어본 적이 있는

[11:14] 에이전시인데, 이번에는 MCP 서버로

[11:16] 만들어보려고 합니다. 이 에이전시는

[11:19] 실제로 매우 유용했습니다.

[11:21] 공유하고 싶지 않다면

[11:23] private으로 설정하세요. 그리고

[11:25] Python .gitignore 파일을 추가하고

[11:28] 저장소 생성을 클릭하세요. 저장소를

[11:30] 만드는 이유는 변경사항을 추적하고

[11:32] 다른 사람들과 더 쉽게 협업할 수

[11:34] 있기 때문입니다. 이제

[11:37] 저장소 링크를 복사하고

[11:38] Cursor로 가서 여기에 붙여넣기 하세요.

[11:41] 그런 다음 이 저장소를 복사할

[11:44] 폴더를 선택하고 열기를 클릭하세요.

[11:47] 좋습니다. 이제 방금 만든 저장소 안에

[11:52] 들어와 있는 것을 볼 수 있습니다.

[11:54] 이제 이 Cursor 규칙 파일을 다운로드하고

[11:56] 이 저장소에 넣기만 하면 됩니다.

[11:59] 그리고 이름을 변경해야 합니다.

[12:02] 파일 이름은 다른 것 없이

[12:04] .cursor-rules로 지정해야

[12:05] 합니다. 이렇게 하면 Cursor가

[12:08] 이 파일을 인식하고 Cursor 에이전트의

[12:11] 프롬프트로 사용할 수 있습니다. 이제

[12:14] 다음 단계는 우리에게 가장 적합한 MCP

[12:16] 서버를 찾는 것입니다. 최고의 MCP 서버를

[12:19] 찾을 수 있는 여러

[12:21] 마켓플레이스가 있습니다. 예를 들어

[12:23] Smithery, MCP market,

[12:26] 그리고 MCP.so가

[12:28] 있습니다. 현재 제가 가장 선호하는 것은

[12:30] Smithery인데, 모든 서버가

[12:32] 더 잘 테스트되어 있고 또한

[12:35] 그래서 제가 하려는 것은

[12:37] 단순히 유튜브를 검색해서

[12:40] 유튜브용 최상의 서버가 무엇인지

[12:42] 확인하는 것입니다. 여기 유튜브

[12:44] 트랜스크립트 서버가 있고, 고급

[12:46] 유튜브도 있네요. 또 유튜브 트랜스크립트도 있고요.

[12:48] 트랜스크립트 기능이 꽤나

[12:50] 인기가 있는 것 같습니다. 하지만 저는

[12:53] 트랜스크립트뿐만 아니라 더 포괄적인

[12:55] 유튜브 서버를 찾고 있어요.

[12:57] 제 영상의 모든 통계도 볼 수 있고

[13:01] 가능하다면 영상의 댓글까지도

[13:04] 볼 수 있는 것으로요. 이 서버가

[13:06] 제게 잘 맞을 것 같네요. 보시다시피

[13:08] 제가 필요한 모든 도구가

[13:10] 있습니다. 트랜스크립트 가져오기, 영상 검색

[13:12] 영상 상세 정보, 관련 영상 보기

[13:15] 심지어 채널 통계도 볼 수 있고

[13:17] 채널의 인기 영상, 영상 참여도

[13:20] 비율, 트렌딩 영상, 그리고 영상

[13:22] 비교까지 가능합니다. 정말 멋진 건

[13:24] 이 모든 도구를 직접 개발하려면

[13:26] Cursor를 사용하더라도 한두 시간은

[13:27] 걸렸을 텐데 말이죠.

[13:30] 이제 이 모든 도구가 준비되어 있고

[13:32] 제가 해야 할 일은

[13:34] 이 서버가 호스팅된 GitHub 저장소에 가서

[13:37] 링크를 복사하는 것뿐입니다.

[13:40] 저는 GPT4.1 모델을 사용할 건데요

[13:42] 이 모델이 긴 지시사항을

[13:45] 매우 잘 따른다는 걸 발견했기 때문입니다.

[13:48] 또한 프롬프트를 보내기 전에

[13:50] 자동 실행 모드를 활성화할 겁니다.

[13:52] 기능으로 가서 채팅 아래에서

[13:55] 체크 표시를 클릭하면

[13:58] 자동 실행 모드가 활성화되고

[14:00] 그러면 Cursor가 모든 명령을

[14:02] 권한 요청 없이

[14:04] 실행할 것입니다. 이렇게 하면

[14:06] 개발 속도가 빨라질 거예요. 다음으로

[14:08] Cursor 채팅을 에디터로 열건데요

[14:12] 제가 말씀드렸듯이 우리는

[14:13] 코드를 직접 작성하지 않을 거거든요.

[14:15] 자 이렇게 하고 이 프롬프트를

[14:17] 전송하겠습니다. 보시다시피 Cursor가

[14:19] 몇 가지 질문을 합니다. 말씀드렸듯이

[14:21] 이 모델은 지시사항을 따르는 데

[14:23] 정말 뛰어납니다. 이전 모델들은

[14:25] 에이전트 개발 과정에서 설명된

[14:28] 단계들을 때때로 건너뛰곤

[14:29] 했는데, 이 모델은 실제로

[14:32] 매번 완벽하게 따라합니다. 첫 번째

[14:34] 단계는 사용자에게

[14:36] 에이전시의 목적과

[14:37] 커뮤니케이션 흐름, 에이전트에 대해

[14:39] 설명하도록 요청하는 것인데

[14:41] 이는 Cursor가 PRD 파일을 만드는 데

[14:44] 필요한 정보입니다. 지금부터

[14:46] 이 모든 질문에 대한 제 답변을

[14:48] 전사하도록 하겠습니다.

[14:50] 에이전시 이름은 YouTube 분석 에이전시입니다.

[14:53] 에이전시의 목적은 제 유튜브 채널과

[14:56] 영상 성과를 분석하고

[14:58] 경쟁사의 영상 성과도 분석해서

[15:01] 콘텐츠 간극을 찾고 인사이트를 얻어

[15:04] 향후 콘텐츠 개선 방안과 게시할 내용에 대한

[15:07] 새로운 아이디어를 얻는 것입니다.

[15:10] 커뮤니케이션 흐름은

[15:11] 단일 에이전트이기 때문에 필요 없고

[15:14] 에이전트의 이름도 마찬가지로

[15:16] 유튜브 분석 에이전트가 될 것 같습니다.

[15:18] 여기서 중요한 점은 도구와 관련해서

[15:21] 에이전트가 제가 나중에 제공할 MCP 서버를

[15:24] 반드시 사용해야 한다는 것입니다.

[15:25] 그래서 도구를 따로 정의할 필요가 없고

[15:28] 제가 추가하고 싶은 유일한 사용자 도구는

[15:31] YouTube 댓글을 모두 가져오는 도구입니다.

[15:34] 그리고 제가 했던 것처럼 패키지 설치도 잊지 마세요.

[15:36] Command+Shift+P를 누른 다음

[15:38] Python 인터프리터를 선택하고

[15:41] 가상 환경 생성을 선택하세요

[15:44] venv를 선택한 다음

[15:46] 설치된 최신 Python을 선택하세요

[15:48] 만약 이미 requirements 파일이 있다면

[15:50] 그것을 설치할 수도 있지만

[15:52] 없어도 괜찮습니다.

[15:53] Cursor가 여러분을 위해

[15:55] 생성해줄 것이기 때문입니다.

[15:57] 자, 이제 전송을 눌러보면

[15:59] Cursor가 PRD 파일을 생성하기 시작합니다

[16:02] 보시다시피 Cursor가

[16:04] YouTube 분석기 에이전시 폴더 안에 PRD 파일을 만들었습니다

[16:07] 보시는 것처럼

[16:09] 제가 요청한 대로 YouTube 댓글 가져오기라는

[16:12] 하나의 사용자 도구만 만들었고

[16:14] 에이전트 간 통신 흐름이 없는

[16:17] 단일 에이전트만 생성했습니다

[16:19] 아주 좋습니다. 이 PRD 파일의

[16:22] 전체 목적은 에이전트의

[16:24] 전체 구조를 확인할 수 있게 하는 것입니다

[16:26] 물론 이 예제에서는

[16:28] MCP를 사용하기 때문에 그렇게 중요하지는 않습니다

[16:30] 하지만 더 큰 규모의 에이전시에서

[16:33] 여러 에이전트와 각 에이전트마다

[16:35] 여러 사용자 도구가 있을 때는

[16:37] 이 파일이 필수적입니다

[16:39] 모든 입력을 확인할 수 있기 때문입니다

[16:41] 예를 들어, 여기서 보면

[16:43] YouTube 댓글 가져오기의 입력이

[16:46] API 키로 되어 있는데, 이는 올바르지 않습니다

[16:48] 도구의 입력에 API 키를

[16:50] 제공해서는 안 되죠

[16:51] 그래서 이렇게 제거하겠습니다

[16:53] 이제 에이전트가 여러분이 실제로

[16:55] 필요로 하는 것에 더 가까운 결과를 만들 것입니다

[16:58] 하지만 반드시 Cursor와 함께 사용하고 싶은

[17:00] MCP 서버의 GitHub 링크와

[17:04] agency swarm의 MCP 문서

[17:06] 링크를 모두 제공해야 합니다

[17:09] 이 두 링크를 복사해서

[17:12] 다음 프롬프트에 삽입하세요

[17:14] 완벽합니다.

[17:16] 이제 Cursor가 MCP 통합 방법에 대한

[17:19] 프레임워크 문서와

[17:21] MCP 서버 자체의 문서를 읽을 것입니다

[17:24] 그러면 첫 시도에

[17:26] 이것을 생성할 수 있을 것입니다

[17:29] 이미 터미널 명령을 사용하여

[17:31] 에이전트 템플릿을 만들었고

[17:33] 제가 요청한 YouTube 댓글 가져오기 도구를

[17:36] 생성하고 있습니다

[17:38] 보시다시피 하단의 테스트 케이스와 함께

[17:41] 우리 프레임워크 형식을 완벽하게 따르고 있습니다

[17:43] 나중에 Cursor가 자체 테스트를 할 수 있죠

[17:46] 정말 멋집니다

[17:48] 그다음 지침과 MCP 통합이 포함된

[17:51] 에이전트를 생성합니다

[17:54] 이건 정말 놀라운 일입니다

[17:57] 단일 프롬프트로 무엇이든 만들 수 있죠

[17:59] 마지막으로 에이전시의 매니페스트를 생성했고

[18:02] requirements 파일도 생성했습니다

[18:06] 그리고 YouTube API 키를 삽입할

[18:09] env 파일도 생성했습니다

[18:12] 그런 다음 바로 도구 테스트를 진행했습니다

[18:16] 제가 아무것도 하지 않았는데도

[18:18] 전체 에이전시를 구축하고

[18:20] 테스트를 시도했습니다

[18:22] 하지만 YouTube API 키가 없어서

[18:25] 중단되었습니다

[18:27] YouTube API 키를 얻는 방법을 모르신다면

[18:29] 다시 Cursor에게 다른 채팅으로 물어보시면

[18:31] 자세한 설명을 제공해 줄 것입니다.

[18:34] 하지만 저는 이미 YouTube API 키와

[18:36] OpenAI 키를 가지고 있습니다.

[18:39] 이제 이 env 파일을 적절한 것으로 교체하겠습니다.

[18:42] 그러면 이 에이전트가 예상대로 작동할 것입니다.

[18:48] 이제 Cursor에게 OpenAI와 YouTube API 키를

[18:50] 추가했다고 알려주겠습니다.

[18:54] 그러면 나머지 도구들을 테스트할 수 있습니다.

[18:59] 보시다시피 YouTube 댓글 가져오기 도구가

[19:02] 모든 댓글을 성공적으로 가져왔습니다.

[19:04] 다음 단계는 에이전트 자체를 테스트하는 것입니다.

[19:06] 이를 위한 두 가지 방법이 있습니다.

[19:08] 직접 agency.py 파일을 실행하거나

[19:11] python 파일 실행 버튼을 누르면 됩니다.

[19:13] 아니면 Cursor에게 이 작업을 요청할 수도 있죠.

[19:15] 저는 두 번째 방법을 선택하겠습니다.

[19:17] 하나의 import 오류가 발생했네요.

[19:20] Cursor가 예제 도구를 제거하는 것을 잊은 것 같습니다.

[19:22] 한번 수정해볼까요.

[19:24] 그리고 권한 문제도 있는 것 같네요.

[19:26] Mac에서 슈퍼유저 권한을 의미하는

[19:36] sudo로 실행하라고 지시하겠습니다.

[19:40] 보시다시피 YouTube MCP 서버가 이제 시작되었습니다.

[19:43] 여전히 import 오류가 있지만

[19:45] 우리가 그 도구를 사용하지 않기 때문에

[19:47] 중요하지 않습니다.

[19:49] 이제 제 채널의 최근 성과가 어떤지

[19:51] 물어보고 채널 ID도 복사하겠습니다.

[19:54] 채널 ID를 찾으려면 YouTube 홈페이지로 가서

[19:56] 하단에서 채널 ID를 복사할 수 있습니다.

[19:59] 그럼 최근 영상들의 성과에 대해

[20:01] 물어보도록 하겠습니다.

[20:10] 완벽합니다. 보시다시피 에이전트가

[20:12] 제 채널의 모든 인기 동영상들을

[20:15] 직접 링크와 함께 제공해주고 있습니다.

[20:18] 이제 이 인기 동영상의 모든 댓글을 가져와서

[20:20] 향후 콘텐츠 제작에 도움이 될만한

[20:23] 인사이트를 추출해달라고 하겠습니다.

[20:28] 아주 좋습니다. 보시다시피

[20:30] 상당히 많은 댓글을 가져왔고

[20:32] 맥락도 충분히 있어서

[20:34] 새로운 고성과 아이디어를 만드는 데

[20:36] 매우 유용할 것 같습니다.

[20:39] 한 가지 더 이 에이전트에게 물어보고 싶은 것은

[20:42] 이 댓글들과 제 인기 동영상들을 바탕으로

[20:44] YouTube 채널을 위한 비슷한 아이디어를

[20:46] 생성해달라고 하는 것입니다.

[20:51] 보시다시피 아이디어들이 정말 훌륭합니다.

[20:53] 'AI 에이전트가 비즈니스를 혁신하는 방법'

[20:55] '초보자를 위한 AI 에이전트 제작 가이드'

[20:57] 이건 꼭 계획해야겠네요.

[20:59] '2025년에 구축하고 판매할 Top 3 AI 에이전트'

[21:01] 이 아이디어는 정말 멋집니다.

[21:05] 댓글로 알려주세요.

[21:07] 제가 이 영상을 만들었으면 좋겠는지

[21:09] Top 3 수직 AI 에이전트 구축과

[21:12] 2025년을 위한 에이전트 팁과 트릭 같은

[21:14] 더 많은 아이디어들도 있습니다.

[21:16] 이미 말씀드렸듯이 매우 강력하지만

[21:19] 한 단계 더 발전시키려면

[21:21] 이 에이전트와 어떻게 작업하는지

[21:22] 지침에 설명해야 합니다.

[21:24] 지침은 아마도 Cursor가 현재

[21:26] VIP 코딩에서 부족한 유일한 영역일 것입니다.

[21:29] 때로는 지침이 현실적이지 않습니다.

[21:31] 지침을 더 개선하려면

[21:33] 일반적으로 이 에이전트와 어떻게

[21:35] 작업하는지 설명하면 됩니다.

[21:37] 제가 에이전트에게 이 세 단계를

[21:39] 순서대로 지시한 것처럼

[21:41] 이것이 바로 지침에 넣어야 할 내용입니다.

[21:43] 에이전트를 GitHub에 푸시하려면

[21:45] 소스 컨트롤로 가서

[21:47] AI로 커밋 메시지를 생성한 다음

[21:49] 커밋하고 푸시하면 됩니다.

[21:51] 완벽합니다. 이제 모든 코드가 GitHub에 있어서

[21:54] 잃어버릴 걱정이 없습니다.

[21:56] 곧 우리 플랫폼에서는

[21:59] 매우 멋진 기능을 출시할 예정입니다.

[22:01] GitHub 앱을 에이전트가 있는

[22:02] GitHub 저장소에 연결하면

[22:05] 즉시 우리 플랫폼에

[22:07] 배포할 수 있게 될 것입니다.

[22:09] 곧 우리 프레임워크로 만든 에이전트를

[22:11] 몇 번의 클릭만으로 Slack과 같은

[22:14] 채널에 직접 배포할 수 있게 됩니다.

[22:16] 우리 플랫폼에 가입하시고

[22:18] 무료 스쿨 커뮤니티에 참여하세요.

[22:20] 그리고 전체 에이전트 개발 프로세스와

[22:23] 수직 AI 에이전트 확장 방법에 대해

[22:25] 더 알아보고 싶으시다면

[22:28] 다음 영상을 시청해주세요.

[22:29] 감사합니다.