MCP의 랭체인 팀: AI 에이전트 도구 확장을 위한 새로운 방향은?

최근에는 모델 컨텍스트 프로토콜(MCP)는 AI 분야에서 많은 관심을 불러일으켰습니다. 이 기술은 핵심적인 문제를 해결하는 것을 목표로 합니다:사용자가 기본 에이전트를 제어하지 않고도 툴링 기능을 확장할 수 있도록 하려면 어떻게 해야 하나요? MCP의 실질적인 유용성에 대해 LangChain의 CEO 해리슨 체이스는 다음과 같이 말했습니다. LangGraph 조직의 책임자인 누노 캄포스가 심도 있게 논의합니다.

MCP의 핵심 가치: 제어할 수 없는 에이전트를 위한 도구 확장

해리슨 체이스는 사용자가 직접 제어할 수 없는 상담원에게 도구를 추가할 수 있는 방법을 제공한다는 점에서 MCP의 가치를 높게 평가합니다. 그는 다음과 같이 말합니다. Claude 데스크톱, 커서 및 윈드서핑 예를 들어, 이러한 제품을 사용할 때 사용자가 기본 에이전트의 로직을 직접 수정할 수 없고, 에이전트가 사용할 수 있는 도구가 몇 가지 기본 제공 도구로 제한된다는 지적이 있었습니다.

그러나 사용자는 보다 개인화된 요구를 충족하기 위해 이러한 상담원에게 추가 도구를 추가할 수 있습니다. 예를 들어 코드 편집기에 다음과 같은 도구를 추가할 수 있습니다. 커서 특정 코드 분석 툴을 통합하거나 사용자 지정 지식창고 액세스 툴을 클로드 데스크톱에 추가하세요. 이 목표를 달성하려면 에이전트가 이러한 외부 도구를 인식하고 호출할 수 있는 공통 프로토콜이 필요하며, MCP는 이 문제를 해결하도록 설계되었습니다.

또한 해리슨은 MCP가 에이전트를 구축하는 비개발자에게도 중요하다고 언급했습니다. 에이전트 구축이 대중화됨에 따라 점점 더 많은 도메인 전문가들이 에이전트 구축 프로세스에 참여하기를 원합니다. 이러한 전문가들은 프로그래밍에 대한 깊은 지식은 없지만 광범위한 도메인 지식과 특정 툴링 요구 사항을 가지고 있으며, MCP는 에이전트의 핵심 로직을 수정하지 않고도 필요한 툴을 구성할 수 있도록 함으로써 에이전트 구축의 장벽을 낮춰줍니다.

해리슨은 기존 에이전트 툴 생태계의 중요한 격차를 메울 수 있는 MCP의 잠재적 가치를 인식했습니다. 빠르게 진화하는 에이전트 기술 세계에서 개인화된 에이전트 기능에 대한 수요가 증가하고 있습니다. MCP가 툴 통합의 복잡성을 효과적으로 줄일 수 있다면 에이전트 기술의 대중화를 가속화하고 더욱 혁신적인 애플리케이션 시나리오를 탄생시킬 수 있을 것입니다. 특히 비개발자의 경우 도구를 보다 친숙하게 확장할 수 있는 방법은 창의력을 크게 발휘하고 AI 애플리케이션의 대중화를 촉진할 것입니다.

실용적인 과제: 상담원 사용자 지정 및 도구 통합

누노 캄포스는 MCP의 유용성에 의문을 제기했습니다. 그는 에이전트의 설계가 사용되는 툴과 긴밀하게 통합되어야 한다고 주장합니다. 에이전트의 시스템 힌트나 아키텍처를 조정하지 않고 단순히 에이전트에 도구를 추가하는 것만으로는 원하는 결과를 얻기에 충분하지 않은 경우가 많습니다.

누노는 사용자가 단순히 윈드서핑과 같은 앱에 내장된 웹 검색 도구를 대체하고자 하는 경우 MCP가 효과가 있을 수 있다고 인정합니다. 하지만 이는 MCP의 가장 가치 있는 사용 사례는 아니라고 그는 주장합니다. 정말 매력적인 사용 사례는 사용자가 커서와 같은 앱 개발자가 상상조차 하지 못했던 새로운 기능을 제공하는 '마법의 도구'를 도입하는 것입니다. 하지만 실제로는 이런 일이 일어날 가능성은 거의 없습니다.

누노는 대부분의 프로덕션 환경에서 에이전트가 도구를 효과적으로 사용할 수 있도록 하려면 에이전트의 시스템 메시지와 전체 아키텍처를 사용 가능한 도구 세트에 맞게 미세 조정해야 한다고 강조했습니다.

Nuno의 관점은 좀 더 기술적으로 실용적입니다. 그는 도구 통합은 단순히 '플러그 앤 플레이'가 아니며 에이전트의 성능은 도구와 얼마나 잘 작동하는지에 따라 크게 달라진다고 지적합니다. 이는 사실 현재 AI 에이전트 기술 개발의 공통적인 과제, 즉 도구 확장의 높은 유연성과 에이전트 성능 최적화 사이의 균형을 맞추는 방법을 지적합니다. 많은 개발자가 대규모 언어 모델로 작업할 때 신속한 엔지니어링의 중요성과 시스템 아키텍처가 최종 결과에 미칠 수 있는 막대한 영향을 경험했기 때문에 Nuno의 고민은 결코 헛된 것이 아닙니다.

신뢰성과 사용자 기대치 사이의 절충점

해리슨은 MCP 통합 도구 기반의 에이전트가 99%의 신뢰성을 달성하지 못할 수도 있다는 점을 인정합니다. 그러나 그는 에이전트의 신뢰성이 그보다 조금 떨어지더라도 여전히 가치가 있을 수 있다고 믿습니다. 그는 도구 설명과 지침도 중요하지만 다음 사항을 간과해서는 안 된다고 지적합니다:

1. MCP에는 도구 정의가 포함되어 있으며, 좋은 MCP 서버는 사용자가 직접 작성하는 것보다 더 나은 도구 설명을 제공할 수 있습니다.
2. MCP를 사용하면 사용자가 상담원에게 툴 사용 방법을 안내하는 데 사용할 수 있는 프롬프트를 포함할 수 있습니다.
3. 기본 모델의 기능이 계속 개선됨에 따라 에이전트를 호출하는 도구의 기본 제공 성능은 점점 더 향상될 것입니다.

해리슨은 MCP 통합과 일반 툴 콜 에이전트만으로는 커서만큼 완벽한 제품을 구축할 수는 없지만 내부 또는 개인 에이전트 구축과 같은 특정 시나리오에서는 MCP가 여전히 유용할 수 있다고 주장합니다.

누노의 질문에 대해 해리슨은 좀 더 낙관적인 답변을 내놓았습니다. 그는 MCP가 모든 시나리오에서 완벽하지 않을 수 있다는 점을 인정하면서도 "충분하면 충분하다"는 실용적인 원칙을 강조했습니다. 기술 개발의 초기 단계에서는 완벽을 추구하다 보면 혁신이 제한되는 경우가 많습니다. 해리슨의 견해는 사용 가능한 버전을 빠르게 출시한 다음 실제로 개선하는 반복적인 기술의 특성과도 일치합니다. 또한 모델의 개선 능력에 대한 그의 자신감은 AI 분야의 일반적인 공감대를 반영하는 것으로, 모델의 지속적인 능력 향상은 에이전트의 활용 범위를 계속 확장할 것입니다.

모델 기능과 사용자 기대치의 동기화

누노는 LangGraph의 도구 호출 벤치마크에 따르면 아키텍처와 프롬프트가 특정 도구 세트에 맞게 조정된 에이전트를 사용하더라도 현재 모델은 올바른 도구를 호출할 때 성공률이 약 50%에 불과하다고 반박했습니다. 절반의 시간이 제대로 작동하지 않는 개인 에이전트는 유용성이 의심스럽습니다.

Nuno는 모델 기능이 계속 향상될 것이지만 사용자의 기대치도 높아질 것이라는 점을 잘 알고 있습니다. 그는 "고객은 항상 현 상태에 불만을 품고 있으며, 기대치는 끝이 없습니다."라는 제프 베조스의 말을 인용합니다. 개발자가 UI, 힌트, 아키텍처 및 도구를 포함한 전체 기술 스택을 숙달했다면 사용자의 높아지는 기대치를 충족할 수 있을 것입니다. 그렇지 않다면 전망은 암울합니다.

누노는 데이터에서 더 나아가 툴 호출 측면에서 현재 모델의 한계를 지적했습니다. 특히 효율성과 안정성이 요구되는 프로덕션 환경에서 50%의 성공률은 분명 우려스러운 수치입니다. 동시에 누노는 사용자의 기대치도 높였습니다. 기술 발전은 기능을 개선할 뿐만 아니라 높아지는 사용자 기대치에 부응해야 합니다. 이는 실제로 MCP와 모든 AI 에이전트 기술에 대한 더 높은 기준을 설정합니다. 즉, 작동할 뿐만 아니라 잘 작동하고 사용자의 증가하는 요구 사항을 지속적으로 충족해야 한다는 것입니다.

롱테일 효과와 재피어 비유

해리슨은 이 모델의 기능이 개선될 것이라고 확신합니다. 그는 현재 에이전트의 성공률이 어떻든 앞으로 계속 향상될 것이라고 믿습니다. 그는 MCP의 가치를 잘 다듬어진 에이전트와 비교하여 평가해서는 안 된다고 강조합니다. MCP의 진정한 가치는 수많은 롱테일 연결과 통합을 가능하게 하는 능력에 있습니다.

해리슨은 이메일, Google 스프레드시트, Slack과 같은 애플리케이션을 연결하여 사용자가 각각에 대한 정교한 에이전트를 개발할 필요 없이 수많은 워크플로를 만들 수 있는 Zapier와 MCP를 비교합니다. MCP를 사용하면 사용자가 자신만의 Zapier 버전을 만들어 다양한 맞춤형 통합을 수행할 수 있습니다. 개인화된 통합.

해리슨은 MCP의 포지셔닝을 '고성능 범용 에이전트 툴링 플랫폼'에서 '롱테일 시나리오를 위한 커넥터'로 영리하게 전환했습니다. MCP의 잠재적 활용은 기존 상담원 솔루션을 대체하는 것이 아니라 보다 광범위한 개인화된 롱테일 요구사항에서 그 가치를 활용하는 데 있다는 점을 지적한 Zapier의 비유는 적절합니다. 이러한 사고의 전환은 실제로 MCP 기술 성숙도에 대한 요구 사항을 줄이고 단기간에 애플리케이션을 더 쉽게 찾을 수 있게 해줍니다. 롱테일 이론은 인터넷 분야에서 반복적으로 검증되어 왔으며, MCP가 롱테일 수요를 포착할 수 있다면 성공할 가능성도 높습니다.

LangChain 도구와의 차이점

누노는 LangChain이 이미 500개의 도구 라이브러리를 보유하고 있지만, 프로덕션 환경에서는 자주 사용되지 않는다고 지적했습니다. 이러한 도구는 모두 동일한 프로토콜에 따라 구현되고, 모든 모델과 호환되며, 자유롭게 교체할 수 있습니다. 그는 MCP의 장점이 무엇인지 의문을 가졌습니다. 단순히 사용자가 로컬 터미널에서 많은 수의 서버를 실행해야 하고 데스크톱 애플리케이션과만 호환되는 '독특한 형태'를 취하는 것이 MCP의 장점일까요? 그가 보기에 이것은 이점이 아니었습니다. 그는 Zapier가 MCP의 잠재력의 상한선일 수 있다고 믿었습니다.

해리슨에 따르면 랭체인 도구와 MCP 도구의 차이점은 랭체인 도구는 주로 에이전트 개발자를 대상으로 하는 반면, MCP는 주로 다음을 대상으로 한다는 점입니다.불가능상담원을 개발하는 사용자. MCP의 목표는 사용자가 통제할 수 없는 에이전트에 도구를 추가할 수 있는 방법을 제공하는 것입니다. 또한, MCP는 개발자가 아닌 사용자도 자신이 사용하는 에이전트에 도구를 추가할 수 있는 반면, LangChain 도구는 개발자에게 더 초점을 맞추고 있습니다. 비개발자의 수가 개발자보다 훨씬 많으며, 이는 MCP의 잠재적인 시장입니다.

해리슨은 현재 MCP의 단점도 인정합니다. 하지만 그는 MCP가 계속 개선될 것이라고 믿습니다. 그는 클릭 한 번으로 MCP 애플리케이션을 설치할 수 있고 로컬 터미널에서 서버를 실행할 필요가 없으며 웹 애플리케이션을 통해 액세스할 수 있는 미래를 상상하고 있습니다. 이것이 바로 MCP가 나아갈 방향입니다.

누노는 랭체인 자체 툴링 생태계의 관점에서 MCP의 필요성에 의문을 제기했습니다. 그의 질문은 간단합니다. LangChain이 이미 활용도가 낮은 수많은 툴을 제공하고 있는데, MCP가 이 문제를 어떻게 해결할 수 있을까요? 해리슨은 사용자 기반을 차별화하여 MCP가 LangChain의 도구 사용자와는 다른 사용자층을 타겟으로 한다고 답했습니다. 이러한 차별화는 MCP 시장을 보다 정확하게 타겟팅하고 기존 도구 생태계와의 직접적인 경쟁을 피하는 데 도움이 됩니다. "비개발자" 그룹은 실제로 매우 크며, MCP가 이 사용자 그룹에 효과적으로 서비스를 제공할 수 있다면 시장 잠재력은 여전히 상당합니다.

MCP의 미래: 커스텀 GPT 및 플러그인에 대한 비유

해리슨의 주장을 요약하면, 현재의 과대광고를 정당화하기 위해서는 MCP가 OpenAI의 커스텀 GPT와 비슷해져야 한다는 것입니다. 하지만 커스텀 GPT는 그다지 인기가 없습니다. 그는 수사학적인 질문을 던지며 MCP에는 없는 커스텀 GPT는 무엇일까요?

해리슨은 MCP를 한때 OpenAI가 출시했지만 결국 실패한 플러그인과 비슷하다고 생각합니다. 그는 플러그인에 대한 자신의 경험이 흐릿해졌다고 인정하지만, 이렇게 생각합니다:

• MCP 에코시스템은 이미 플러그인 에코시스템보다 훨씬 더 큰 규모입니다.
• 이러한 도구를 더 잘 활용할 수 있도록 모델의 용량이 크게 향상되었습니다.

누노는 MCP 생태계의 규모에 대해 회의적인 시각을 가지고 있습니다. 그는 무작위로 찾은 디렉토리에서 893개의 MCP 서버만 발견했습니다. 그는 해리슨이 단순히 트위터 타임라인에서 MCP를 언급하는 트윗의 수로 생태계의 규모를 판단하는 것일 수 있다고 생각합니다.

누노는 MCP가 AI 개발의 역사에서 각주에 그치지 않으려면 다음과 같은 개선이 이루어져야 한다고 믿습니다:

• 복잡성 감소툴링 프로토콜이 프롬프트와 LLM 완료를 모두 처리해야 하는 이유는 무엇인가요?
• 실현 난이도 단순화서비스 도구의 프로토콜이 양방향 통신을 해야 하는 이유는 무엇인가요? 누노는 서버 로그를 받는 것만으로는 충분하지 않다고 생각합니다.
• 서버 배포 지원상태 비저장 프로토콜이 핵심이며, LLM 애플리케이션을 구축한다고 해서 온라인 확장을 위한 모범 사례를 잊어서는 안 됩니다. 서버 배포가 지원되면 인증과 같은 다른 문제가 발생합니다.
• 품질 손실 보완하기아무것도 모르는 상담원에게 무작위로 도구를 삽입하면 필연적으로 품질이 떨어질 수밖에 없으므로 이를 보완할 방법을 찾아야 합니다.

해리슨은 누노의 질문이 일리가 있다고 인정하고 트위터 커뮤니티에 다시 질문을 던져 사람들이 MCP가 일시적인 현상이라고 생각하는지 아니면 미래의 표준이라고 생각하는지 묻는 설문조사를 시작했습니다.

요약하자면 모델 컨텍스트 프로토콜(MCP)은 상담원 도구의 확장성에 새로운 지평을 열려고 시도하는 떠오르는 기술입니다. MCP는 아직 많은 과제에 직면해 있지만 그 잠재적 가치와 향후 방향성은 여전히 주목할 가치가 있습니다.

뷰포인트

모델 컨텍스트 프로토콜 (MCP)가 미래의 표준이 될 가능성은 낮습니다. 개인적으로 저는 MCP의 미래에 대해 비관적입니다.

MCP가 해결하려는 문제는 일리가 있지만 실제로는 그다지 효과적이지 않을 수 있습니다. MCP가 사용자가 상담원 도구를 확장하는 데 도움이 될 것이라는 해리슨 체이스의 생각은 좋은 의도가 있지만, 사용자에게 필요하지 않을 수도 있습니다. 사용자들은 자신만의 툴을 추가하는 것보다 잘 개발된 제품을 사용하는 것을 선호할 수도 있습니다.

누노 캄포스의 말이 일리가 있습니다. 그는 도구와 상담원이 함께 잘 작동해야 효과적이라는 점을 지적했습니다. MCP 프로토콜은 이를 충분히 고려하지 않을 수 있으며, 단순히 도구를 연결하는 것만으로는 에이전트를 효과적으로 활용하기에 충분하지 않을 수 있습니다. 현재의 대형 모델은 여전히 도구 호출 측면에서 한계가 있으며, MCP가 효율적인 도구 플랫폼을 구축할 것으로 기대하는 것은 너무 낙관적입니다.

MCP는 구현하기도 복잡합니다. 서버를 로컬에서 실행하고 데스크톱 애플리케이션으로 제한하면 사용자 환경이 좋지 않습니다. AI 애플리케이션은 클라우드 기반에 경량화되는 경향이 있기 때문에 MCP가 개선되지 않으면 사용자들에게 받아들여지지 않을 것입니다.

OpenAI의 플러그인과 커스텀 GPT의 실패는 플랫폼을 확장하는 것이 쉽지 않다는 것을 보여주었습니다. MCP는 이를 뛰어넘으려고 노력하고 있지만, 그렇게 하지 못하고 플러그인처럼 빨리 잊혀질까 두렵습니다.

따라서 MCP는 AI 개발에서 단기적인 현상일 수 있으며 향후 주류가 될 가능성은 낮습니다. 실험적 가치는 있지만 해리슨 체이스의 목표는 달성하기 어렵습니다. 반대로 빅 모델 자체의 기능을 향상시키거나 더 수직적인 에이전트 애플리케이션을 구축하는 것이 더 실용적이고 효과적일 수 있습니다.

대체로 MCP는 성공할 가능성이 낮으며 과대광고일 가능성이 높습니다. 저는 MCP의 미래에 대해 매우 회의적입니다. MCP를 살펴보는 것은 유용하지만 궁극적인 성공 가능성은 낮습니다.