이미 OpenAI나 앤트로픽(Anthropic) API에 함수 호출(Function Calling) 기능이 있는데, 왜 MCP(Model Context Protocol)라는 프로토콜이 따로 필요했을까요?
겉보기에는 둘 다 모델이 외부 함수를 부르게 해 준다는 점에서 비슷해 보여요. 그런데 풀려는 문제가 달라요. 기존 도구 호출은 모델에게 “이런 JSON 스키마를 줄 테니 필요한 인자값을 채워 달라”고 부탁하는 모델 API의 기능이에요. 반면 앤트로픽이 2024년 11월 25일 오픈소스로 공개한 MCP는 AI 애플리케이션과 외부 데이터·도구 사이의 연결 방식을 통일하려는 개방형 프로토콜이고요. 발표문의 표현을 빌리면 “파편화된 연동을 하나의 프로토콜로 대체”하는 게 목표였죠.
USB-C 단자가 나오기 전을 떠올려 보면 이해가 쉬워요. 기기마다 단자가 제각각이던 시절에는 케이블을 종류별로 들고 다녀야 했잖아요. AI 도구도 비슷했어요. Claude Desktop, VS Code, 사내 에이전트가 각자 GitHub나 PostgreSQL에 붙으려면 앱마다 전용 커넥터를 따로 만들어야 했거든요. 앱 N개와 도구 M개가 만나면 연동 코드가 N×M개 쌓이는 셈이에요. 공통 프로토콜이 있으면 앱은 MCP 클라이언트만, 도구는 MCP 서버만 한 번씩 만들면 되니 N+M으로 줄어들죠. (USB-C 비유와 N×M 계산은 이해를 돕기 위한 설명이고, 공식 문서의 표현은 아니에요.)
기존 함수 호출과 MCP는 어디서 갈라지나
둘을 같은 기준으로 맞대 보면 차이가 잘 보여요.
| 구분 | 기존 함수 호출(Function Calling) | MCP(Model Context Protocol) |
|---|---|---|
| 본질 | 모델 API 요청에 도구 스키마를 실어 보내는 기능 | 애플리케이션과 외부 서버 사이의 통신 규약 |
| 결합도 | 각 서비스 연동 로직이 애플리케이션 코드 안에 들어감 | 클라이언트와 서버가 독립된 프로세스나 원격 서비스로 분리 |
| 통신 규약 | 각 모델 제공사 API의 요청 형식을 따름 | JSON-RPC 2.0 기반의 상태 비저장(Stateless) 교환 |
| 제공 요소 | 실행 함수(Tools) 중심 | 서버 프리미티브 Tools, Resources, Prompts |
| 도구 목록 | 개발자가 요청마다 사용할 도구 스키마를 직접 넣음 | 클라이언트가 tools/list로 서버에서 받아 옴(도구가 많으면 점진적 탐색) |
함수 호출은 모델에게 도구가 있다고 알려 주는 데까지예요. 그 도구가 어디서 돌고, 어떤 인증을 거치고, 무엇을 돌려줄지는 개발자가 애플리케이션마다 직접 짜야 했죠. MCP는 이 뒷단을 서버라는 독립된 프로그램으로 떼어 내고, 주고받는 메시지 형식을 표준으로 정한 거예요.
도구만 표준화한 게 아니에요
MCP를 “도구 호출 표준”으로만 기억하는 경우가 많은데, 사양을 열어 보면 서버가 내놓을 수 있는 기본 단위(프리미티브)가 세 가지예요. 공식 문서는 각각을 누가 제어하는지까지 표로 나눠 두었더라고요.
Tools(도구)는 모델이 제어해요. 파일 수정, 데이터베이스 쿼리, 외부 API 호출처럼 실제로 무언가를 바꾸는 작업이 여기에 들어가고, 모델이 대화 맥락을 보고 언제 부를지 정하죠. 실행은 클라이언트가 tools/call 요청을 서버에 보내는 방식으로 이뤄져요.
Resources(리소스)는 애플리케이션이 제어하는 읽기 전용 데이터예요. 파일 내용, 데이터베이스 스키마, API 문서 같은 것들이 file:///path/to/document.md 같은 고유 URI로 제공되고, 애플리케이션이 그중 무엇을 골라 모델에 넘길지 정해요. 모델이 스스로 실행하는 대상이 아니라는 점이 도구와 가장 크게 다른 부분이에요.
Prompts(프롬프트)는 사용자가 직접 불러야 동작하는 템플릿이에요. 공식 문서 예시로는 여행 계획을 돕는 plan-vacation 같은 템플릿이 있고, 애플리케이션은 이걸 /plan-vacation 같은 슬래시 명령어나 버튼으로 보여 줄 수 있어요. 아키텍처 문서는 시스템 프롬프트나 few-shot 예시를 대표적인 쓰임으로 들어요.
이렇게 나눠 두면 “모델이 알아서 실행해도 되는 것”, “앱이 골라 읽혀 주는 것”, “사람이 눌러야 시작되는 것”의 경계가 프로토콜 수준에서 생겨요. 참고로 이 세 가지는 서버 쪽 프리미티브이고, 클라이언트 쪽에도 서버가 사용자에게 추가 정보나 확인을 요청하는 Elicitation이 있어요. 서버가 클라이언트에게 모델 응답을 요청하던 Sampling은 2026-07-28 버전부터 지원 중단(deprecated)으로 표시됐고요.
호스트, 클라이언트, 서버, 그리고 전송 방식
MCP 아키텍처에는 참여자가 셋 있어요. 사용자가 마주하는 AI 애플리케이션이 호스트(Host)예요. 공식 문서는 Claude Code, Claude Desktop, VS Code를 예로 들어요. 호스트는 연결할 서버마다 클라이언트(Client)를 하나씩 만들고, 각 클라이언트가 서버(Server) 하나와 전용 연결을 유지하죠. VS Code가 Sentry 서버와 로컬 파일시스템 서버에 동시에 붙으면 클라이언트 객체도 두 개가 생기는 식이에요.
서버와 주고받는 메시지는 모두 JSON-RPC 2.0이에요. 요청마다 _meta 필드에 프로토콜 버전과 기능(capabilities)을 실어 보내서, 서버가 이전 요청을 기억하지 않아도 요청 하나만 보고 처리할 수 있어요. 서버가 어떤 버전과 기능을 지원하는지는 server/discover 요청으로 물어보고, 실제 도구 목록은 앞의 표처럼 tools/list로 받아 와요.
전송 계층은 두 가지예요. Stdio 전송은 같은 머신 안의 프로세스끼리 표준 입출력으로 통신해서 네트워크 오버헤드가 없어요. Claude Desktop이 파일시스템 서버를 띄울 때 이 방식을 쓰고, 이런 로컬 서버는 보통 클라이언트 하나만 상대해요.
Streamable HTTP 전송은 원격 서버용이에요. 클라이언트가 서버로 보내는 메시지는 HTTP POST로 가고, 스트리밍이 필요하면 Server-Sent Events(SSE)를 선택적으로 써요. Sentry의 공식 MCP 서버가 이 방식으로 Sentry 플랫폼에서 돌아가고, 원격 서버는 보통 여러 클라이언트를 상대하죠. 인증은 베어러 토큰, API 키, 커스텀 헤더 같은 일반 HTTP 방식을 지원하고, 토큰을 받는 방법으로는 OAuth를 권장하고 있어요.
도구가 수백 개로 늘어나면 생기는 일
서버 두세 개에 도구 몇 개라면 체감하기 어렵지만, 연결한 서버가 늘수록 문제가 하나 커져요. 도구 정의가 컨텍스트를 차지하는 문제예요.
MCP 클라이언트 모범 사례 문서는 호스트가 서버 수십 개, 도구 수백~수천 개에 접근하게 되면 도구 정의만으로 사용자 메시지를 읽기도 전에 컨텍스트 창의 대부분을 쓸 수 있다고 경고해요. 문서에 실린 비교 그림에서는 모든 도구를 미리 싣는 방식이 정의만으로 약 150,000토큰을, 필요한 것만 불러오는 방식은 약 2,000토큰을 써요. 이 숫자는 문서가 패턴을 설명하려고 넣은 예시 그림이지 독립적인 측정 결과는 아니에요. 그래도 규모 차이를 감 잡기에는 충분하죠. 문서는 토큰 낭비 외에도 지연이 늘고 모델 성능이 떨어진다고 적었어요.
그래서 권하는 게 점진적 탐색(Progressive Tool Discovery)이에요. 도구 정의가 컨텍스트 창의 일정 비율, 예를 들어 1%에서 5% 사이 기준선을 넘으면 이 방식으로 바꾸라고 하더라고요. 문서가 든 검색 기반 구현은 세 단계예요.
- 카탈로그: 처음에는 도구 정의를 싣지 않고
search_tools같은 검색용 메타 도구만 둬요. 모델이 자연어로 검색하면 맞는 도구의 이름과 한 줄 설명만 돌아와요. - 점검: 후보를 골랐으면
get_tool_details로 그 도구 하나의 전체 정의(입력·출력 스키마, 설명)를 가져와요. - 실행: 불러온 정의대로 도구를 호출해요.
이렇게 하면 모델은 관련 없는 도구 수백 개를 훑지 않고 몇 개에만 집중할 수 있어요. 문서도 토큰을 크게 줄이고 도구 선택 정확도를 “높일 수 있다”고 쓰지, 반드시 높아진다고 하지는 않아요. 검색 방식은 키워드, 임베딩, 작은 모델에게 고르게 하는 방식 중에서 고를 수 있고, OpenAI와 앤트로픽은 도구 검색 기능을 자체적으로 제공한다고 덧붙였어요.
공식 서버 네 개를 붙이면 몇 토큰일까
1%에서 5%라는 기준선이 실제로 얼마나 가까운지 궁금해서, MCP 프로젝트가 공개한 레퍼런스 서버 네 개를 직접 띄워 재 봤어요. 측정은 2026년 11월 10일 npm 최신 버전 기준이고, MCP 공식 TypeScript SDK(1.32.2) 클라이언트로 각 서버에 Stdio로 붙어 tools/list 응답을 받은 뒤, 모델에 넘기는 형태(이름, 설명, 입력 스키마)의 JSON으로 바꿔 토큰을 셌어요.
| 서버(버전) | 도구 수 | 도구 정의 크기 |
|---|---|---|
| filesystem (2.2.0) | 16개 | 2,200토큰 안팎 |
| everything (2.2.1) | 16개 | 1,700토큰 안팎 |
| memory (2.1.0) | 9개 | 1,500토큰 안팎 |
| sequential-thinking (2.1.1) | 1개 | 500토큰 안팎 |
| 네 개 합계 | 42개 | 5,900토큰 안팎 |
먼저 밝혀 둘 점이 있어요. 토큰은 OpenAI의 토크나이저(o200k)로 센 값이에요. 토큰을 나누는 방식은 회사마다 달라서 Claude나 다른 모델에 넣으면 숫자가 조금 달라지거든요. 그래서 표의 숫자는 정확한 값이 아니라 대략적인 크기로 봐 주세요. 몇백 토큰이 틀려도 아래 결론은 바뀌지 않아요.
컨텍스트 창이 20만 토큰인 모델이라고 치고 계산해 보면 1%는 2,000토큰, 5%는 10,000토큰이에요. filesystem 서버 하나만 붙여도 1% 기준선을 살짝 넘는다는 얘기죠. 네 개를 다 붙이면 3% 언저리예요. 도구 하나당 평균은 140토큰 안팎이라, 이 평균대로라면 도구 70개쯤에서 5%에 닿아요. 거꾸로 문서 예시의 150,000토큰을 이 평균으로 나누면 도구 1,000개 정도가 나와요. 문서가 “수백~수천 개”라고 쓴 규모가 과장이 아니라는 거죠. (모두 측정값으로 직접 해 본 계산이에요.)
하나 더 눈에 띈 게 있어요. 처음에 실수로 받은 filesystem 1.0.0 버전은 도구 14개에 1,700토큰 안팎이었는데, 2.2.0은 도구 16개에 2,200토큰 안팎이었어요. 같은 서버도 업데이트되면서 정의가 30% 넘게 무거워진 거예요. 서버를 업데이트하면 대화마다 깔리는 비용도 조용히 늘어날 수 있다는 뜻이죠.
참고로 이 레퍼런스 서버들은 저장소 안내문에 “교육용 예시”이지 운영용이 아니라고 적혀 있어요. 실제로 쓰는 서버는 도구가 더 많거나 설명이 더 길 수 있으니, 자기 환경에서는 클라이언트로 tools/list를 한 번 받아 길이를 재 보는 게 가장 정확해요.
언제 도입하고, 무엇을 지켜야 하나
모든 시스템을 당장 MCP로 바꿀 필요는 없어요. 모델 하나에 정해진 함수 몇 개만 붙이는 백엔드라면 기존 함수 호출이 더 단순하죠. 서버 프로세스를 따로 관리하거나 프로토콜 메시지를 주고받는 수고를 굳이 질 이유가 없으니까요.
반대로 Claude Desktop, VS Code, 사내 챗봇 등 여러 AI 도구가 같은 데이터베이스나 사내 시스템에 접근해야 한다면 계산이 달라져요. 커넥터를 MCP 서버로 한 번 만들어 두면 MCP를 지원하는 클라이언트는 모두 그대로 가져다 쓸 수 있거든요.
다만 도구는 모델이 스스로 부르는 프리미티브라서 사양도 안전장치를 꽤 구체적으로 적어 두었어요. 도구 사양은 신뢰와 보안을 위해 도구 호출을 거부할 수 있는 사람이 항상 중간에 있어야 한다(SHOULD)고 하고, 클라이언트에게는 민감한 작업 전에 사용자 확인을 받고, 서버를 부르기 전에 도구 입력을 사용자에게 보여 줘 데이터 유출을 막고, 도구 결과를 모델에 넘기기 전에 검증하라고 권해요. 서버 쪽에는 모든 입력 검증, 접근 제어, 호출 횟수 제한이 필수(MUST)예요. 도구 설명에 붙는 annotations도 신뢰하는 서버에서 온 게 아니면 믿지 말라고 못 박아 두었고요.
결국 MCP 서버를 하나 붙인다는 건 모델이 부를 수 있는 기능을 하나 늘리는 일이에요. 출처를 모르는 서버를 연결하기 전에, 쓰는 클라이언트가 도구 호출마다 승인 창을 띄우는지부터 확인해 보세요.