모델 컨텍스트 프로토콜(MCP)이란 무엇일까요? 개발자와 AI 팀을 위한 간단한 가이드

AI 모델이 똑똑하지만 기억력이 떨어진다고 느낀 적이 있나요?

그것:

• 질문에 답합니다
• 코드를 작성합니다
• 데이터를 요약하지만… 더 큰 그림을 완전히 놓칩니다. 

지난 대화에 대한 기억이 없고, 프로젝트 목표에 대한 인식이 없으며, 맞춤형 지침을 고수할 능력이 없습니다.

70% 이상의 개발자가 대규모 언어 모델을 사용할 때 가장 큰 과제 중 하나는 작업 전반에 걸쳐 일관된 컨텍스트를 유지하는 것이라고 답했습니다.

여기서 모델 컨텍스트 프로토콜(MCP)이 등장합니다.

이 간단한 가이드에서는 다음 내용을 설명합니다. 

• 인류학적 MCP란 무엇인가요?
• 오늘날 빠르게 변화하는 AI 분야에서 이것이 중요한 이유
• 기술적인 어려움 없이 개발자와 조직이 상황에 맞는 유연하고 효율적인 모델을 구축하는 데 어떻게 도움이 되는지 알아보세요.

AI를 처음 접하는 분이든, 차세대 대형 제품을 준비하고 있는 분이든, 이 글은 클로드 MCP를 이해하기 쉽게 설명해 드릴 것입니다.

클로드 MCP란 무엇이며 AI에서 가장 과소평가된 파워 무브일 수 있는 이유

요즘 사람들은 MCP로 엄청난 짓을 하고 있습니다.
한 개발자는 클로드에게 Blender에서 3D 아트를 만들게 했는데, 이는 순전히 분위기와 최소한의 촉구에 의해서만 가능했습니다.

하지만 MCP는 정확히 무엇일까요?

MCP는 앱이 LLM에 컨텍스트를 전달하는 방식을 바꾸는 개방형 프로토콜입니다.

이를 범용 포트라고 생각하면 됩니다. 사용자 정의 코드 없이도 AI 모델을 모든 소스, 도구 또는 앱에 연결하고 플러그인할 수 있습니다.

MCP 이전에는 모든 AI 도구가 각 서비스에 대한 개별 연결을 하드코딩해야 했습니다. 이는 복잡하고 수동적이며 시간이 많이 소요되는 작업이었습니다.

지금?
MCP를 사용하면 Claude나 Windsurf와 같은 에이전트를 Slack, GitHub 또는 로컬 파일에 연결할 수 있으며, 이 모든 것이 단일의 표준화된 인터페이스를 통해 가능합니다.

더 이상 모든 통합을 위해 새로운 API 커넥터를 구축할 필요가 없습니다.

플러그 앤 플레이 방식의 AI 시대가 공식적으로 도래했습니다.

이를 브리지라고 생각하면 됩니다. 클로드를 실시간 도구, API, 로컬 파일 및 원하는 모든 데이터 소스에 원활하게 연결해 주는 것이죠.

그렇다면... 실제로 무엇을 할 수 있을까요?

몇 가지 실제 사례를 살펴보겠습니다.

• 피에트로 쉬라노는 EverArt AI의 API에 연결되는 서버를 만들어 클로드가 요구에 따라 이미지를 생성할 수 있게 했습니다.
• Anthropic의 클로드 관계 책임자인 알렉스 앨버트는 클로드에게 Brave Search의 API를 연결하여 인터넷 접속을 제공했습니다.
  

"잠깐만, ChatGPT가 이미 Bing과 DALL·E에서 그런 기능을 제공하고 있지 않은가?"라고 생각하신다면, 맞습니다.

하지만 클로드의 MCP가 가장 돋보이는 부분은 바로 이 부분입니다.

MCP가 다른 곳보다 나은 이유

하드코딩된 플랫폼별 통합과 달리 MCP는 개방적이고 유연합니다.
이는 클라이언트-서버 아키텍처를 기반으로 구축되었습니다. 즉,

• 클라이언트 = Claude Desktop, IDE 또는 AI 기반 앱과 같은 도구
• 서버 = 데이터 소스를 노출하는 가벼운 어댑터
  

이러한 소스는 다음과 같습니다.

• 원격(예: GitHub, Slack 등을 위한 API)
• 또는 로컬(시스템 파일, 폴더 및 데이터베이스와 같은)
  

피에트로가 한 일이 바로 그것입니다. 클로드에게 로컬 파일을 만들고 상호작용할 수 있는 권한을 준 거죠. 더 이상 읽기 전용이 아닙니다. 

물건을 만들고, 저장하고, 나중에 그걸 이용해서 작업할 수도 있습니다.
정말 심각한 자율성이에요.

하지만 MCP는 단지 인류학적 문제일까요?

Anthropic은 MCP를 도입했지만 미래는 아직 밝혀지지 않았습니다.

개방형 표준으로 자리매김했지만, Anthropic이 주도하는 방향으로 나아갈지, 아니면 AI 생태계 전반에 널리 채택된 크로스 플랫폼 프로토콜로 발전할지는 불확실합니다.

이건 중요할 거예요.

MCP가 AI 컨텍스트 공유를 위한 보편적인 형식이 되면 기업, 클라우드, 사용 사례 전반에 걸쳐 모델과 도구가 협업하는 방식이 형성될 수 있습니다.

결론은?

MCP는 완벽한 컨텍스트 게이트웨이로, Claude를 공급업체에 종속되지 않고도 도구, 데이터, 워크플로를 활용할 수 있는 실무형 비서로 전환합니다.

MCP는 AI 모델이 제대로 작업을 수행하는 데 필요한 모든 것을 깔끔하고, 반복 가능하며, 유연한 형식으로 제공하는 새로운 방식입니다.

학교 점심 도시락에 라벨을 붙이는 것과 비슷합니다.
샌드위치 = 점심. 

주스 = 휴식을 위해. 

사과 = 간식.”

따라서 혼란이 발생하지 않습니다. MCP는 AI 작업에서 혼란을 제거합니다.

MCP가 왜 필요했을까? 간단한 배경 이야기

잠깐 되돌아가 봅시다.

ChatGPT와 같은 대규모 언어 모델(LLM)은 다음 단어를 예측하는 데 매우 뛰어납니다. 

정말 그게 전부예요.

예를 들어, "My Big Fat Greek..."이라고 말하면 LLM은 학습에 사용된 모든 데이터를 기반으로 "Wedding"이라고 추측할 수 있습니다. 

현명한 결정이긴 하지만 매우 제한적인 범위 내에서만 그렇습니다. 

LLM 자체로는 실제로 아무것도 할 수 없습니다. 

그들은 인터넷을 검색할 수 없고, 일정을 업데이트할 수 없으며, 이메일을 읽을 수도 없습니다. 

그들은 단지 텍스트를 생성할 뿐입니다.

따라서 다음 논리적 단계는 LLM에게 도구를 제공하는 것이었습니다.

여기서부터 흥미로운 일이 시작되었습니다.

개발자들은 LLM을 다음과 같은 외부 도구 및 서비스에 연결하기 시작했습니다.

• 검색 엔진
• 이메일 클라이언트
• 데이터베이스
• 아피스. 

마치 챗봇에 팔과 다리를 달아주는 것과 같다고 생각해보세요. 

이제 다음과 같은 작업을 수행할 수 있습니다.

• 실시간 정보 가져오기(Perplexity와 유사)
• Zapier를 통해 트리거 작업
• 이메일을 받으면 스프레드시트를 자동으로 업데이트합니다.

이제 LLM은 단순히 채팅만 하는 것 이상의 일을 하게 되었습니다. 

그들은 조치를 취하고 있었습니다.

하지만 문제는 다음과 같습니다.

각 도구는 자체의 언어를 사용합니다.

한 API는 영어처럼 보이고, 다른 API는 스페인어처럼 보이고, 세 번째 API는 일본어처럼 보입니다. 

• 모든 것을 하나로 묶으려면 많은 코드를 작성해야 했습니다. 
• 디버깅하세요. 
• 유지하세요. 

만약 단 하나의 서비스라도 API를 변경한다면? 

모든 것이 깨질 수 있습니다.

이것이 우리가 아직도 Jarvis와 같은 AI 비서를 갖지 못한 이유입니다. 

LLM이 강력하지 않기 때문이 아니라 

이 모든 도구를 연결하는 것은 복잡하고 깨지기 쉬운 과정이기 때문입니다.

바로 그때 모델 컨텍스트 프로토콜(MCP)이 등장했습니다. 

인류학적 MCP의 새벽

여기서 모델 컨텍스트 프로토콜(MCP)이 등장합니다.

이를 LLM과 이를 위해 필요한 모든 외부 도구 및 서비스 간의 범용 번역기라고 생각해 보세요.

10개의 서로 다른 API 언어를 사용하는 대신, MCP는 하나의 공통 언어를 만듭니다. 

LLM과 도구 사이에 위치하여 한쪽에서 상황이 바뀌더라도 양측이 서로를 이해할 수 있도록 합니다.

따라서 "안녕, AI, 내 Supabase 데이터베이스에 새 항목을 만들어줘"라고 말하면 LLM은 MCP가 어떻게 해야 할지 처리하기 때문에 정확히 무엇을 해야 할지 압니다.

이는 웹 서비스에 REST API가 적용한 것과 유사합니다. 즉, 모든 사람이 따를 수 있는 공통 표준을 만든 것입니다.

MCP를 사용하면 개발자는 단일 API가 변경되어도 중단되지 않는 더욱 스마트하고 유능한 도우미를 마침내 개발할 수 있습니다. 

그것은 마법도 아니고 복잡한 이론도 아닙니다. 그저 혼돈 속에 질서를 가져오는 꼭 필요한 한 단계일 뿐입니다.

간단히 말해서?
LLM → LLM + 도구 → LLM + 도구 + MCP(모든 것을 작동하게 하는 접착제).

왜 MCP가 중요한가요?

솔직히 말해서, 오늘날 AI 모델을 다루는 것은 로켓에 덕트 테이프를 붙이고 날아가기를 바라는 것과 비슷합니다.

개발자가 AI에게 다음과 같은 작업을 수행하도록 요청할 때마다:

• 이메일 보내기
• 웹 검색
• 스프레드시트에서 데이터를 가져오려면 여러 도구를 수동으로 붙여야 하고 동일한 컨텍스트를 계속 반복해야 합니다.

바로 그때 MCP가 상쾌한 공기처럼 등장합니다.

MCP를 AI를 위한 LEGO 블록처럼 생각하세요

매번 길고 지저분한 지침을 쓰는 대신에…

"안녕, AI. 고객에게 답변하는 중이야. 정중하게. 이 데이터를 활용하고, 말투도 잊지 마." 

아, 그리고 여기에 사용자 이름도 적어주세요. 필요한 도구는 저기에 있어요…

이제 재사용 가능하고 깔끔한 작은 지침 블록을 만들었습니다.

그러니 매번 바퀴를 새로 만드는 대신, 적절한 블록을 끼우기만 하면 됩니다.

MCP 전 vs 후: MCP 없는 삶 vs MCP 있는 삶

MCP 없이	MCP와 함께
매번 반복되는 정보가 담긴 길고 지저분한 프롬프트	재사용 가능한 컨텍스트 블록을 사용한 깔끔하고 모듈식 프롬프트
모든 도구/API는 종종 서로 다른 형식으로 수동으로 통합됩니다.	도구는 통합된 표준 인터페이스를 통해 연결됩니다.
API가 업데이트되면 모든 것이 중단될 수 있으며 디버깅을 시작하게 됩니다.	MCP는 변경 사항을 보다 우아하게 처리하여 손상을 줄입니다.
톤이나 목표를 바꾸시나요? 여러 개의 프롬프트를 다시 작성해야 합니다.	MCP 계층에서 한 번만 변경하면 모든 곳에 업데이트됩니다.
개발자들은 새로운 기능을 구축하는 것보다 시스템을 개선하는 데 더 많은 시간을 소비합니다.	개발자는 코드 접착이 아닌 논리와 창의성에 집중합니다.
확장은 좌절스럽고 오류가 발생하기 쉽습니다.	확장이 더 쉽고, 일관되고, 유연해졌습니다.
해킹된 해결책 같아요	깔끔하고 확장 가능한 시스템 같아요

표준화 = 스트레스 없음

MCP는 기본적으로 AI 모델과 해당 모델에 필요한 도구 간의 보편적인 언어입니다.

로켓공학이 필요한 건 아니고, 그저 좋은 건축물일 뿐이에요.

생각하다:

• 더 깨끗한 개발(덕트 테이프 감소, 논리성 증가)
• API가 변경되면 버그가 줄어듭니다.
• 더 빠른 실험과 더 쉬운 확장
• 똑똑해 보이는 채팅봇이 아닌, 유용한 AI 도우미를 구축하기 위한 진정한 한 걸음
  

이것은 무슨 뜻인가요? 

아이언맨의 자비스 같은 것을 만들고 싶다면, 인간처럼 맥락을 이해하는 AI가 필요합니다. 모든 것을 10번이나 반복하거나 2주마다 고장나는 일은 없어야 합니다.

MCP는 그 잃어버린 연결고리입니다.

화려하지 않아요. 그냥 똑똑할 뿐이에요.

개발자들이 좋아하는 표준이자 AI에 절실히 필요한 표준입니다.

MCP 작동 방식 

당신이 좋아하는 샌드위치를 만드는 법을 누군가에게 가르쳐 준다고 상상해보세요.

다음과 같이 모든 것을 매번 반복하는 대신:

• 어떤 빵을 사용해야 하나요?
• 마요네즈 얼마나
• 어떤 종류의 충전물
• 대각선으로 자르든 안 자르든, 그냥 작은 사용 설명서만 건네주면 됩니다. 

닭고기에서 참치로 바꾸고 싶으시다면? 

매뉴얼의 한 섹션만 업데이트합니다.

MCP는 정확히 이런 방식으로 AI에 적용됩니다.

이미지 출처: The New Stack

자세히 살펴보겠습니다.

• 작고 재사용 가능한 맥락의 덩어리를 만듭니다.
  생각하다:
  • 톤: AI는 친절하게 들려야 할까요, 아니면 격식을 차려야 할까요?
  • 사용자 정보: 누가 묻고 있나요? 무엇을 원하는 건가요?
  • 목표: 이메일을 작성하는 건가요, 블로그를 작성하는 건가요, 아니면 코드를 작성하는 건가요?
    
• 이런 덩어리들은 레고 블록과 같습니다.
  여러 작업에 걸쳐 쌓거나, 바꾸거나, 재사용할 수 있습니다.
  
• 모든 정보를 하나의 지저분한 프롬프트에 집어넣는 대신, AI는 이해하기 쉽고 맞춤화된 일련의 명확하고 체계적인 지침을 받습니다.
  

그럼 간단히 말해서?
MCP를 사용하면 반복해서 말하지 않고, 문제를 일으키지 않고, 무언가가 변경될 때마다 정신을 잃지 않고도 전문가처럼 AI와 대화할 수 있습니다.

MCP의 혜택을 받는 사람

MCP는 그저 화려한 약어가 아닙니다. 

이는 다양한 사람, 특히 AI를 활용하여 구축하는 사람들에게 도움이 되는 실용적인 솔루션입니다.

그러면 이것으로부터 가장 큰 이익을 얻는 사람이 누구인지 살펴보겠습니다.

1. AI 앱을 개발하는 개발자:

MCP가 출시되기 전에는 AI를 다양한 도구(API, 데이터베이스, 파일 등)와 통합하려면 사용자 지정 코드를 계속해서 작성해야 했습니다. 

그것은 반복적이고 답답했습니다.

MCP를 사용하면 마침내 Claude와 같은 모델을 외부 도구에 연결할 수 있는 일관된 방법이 생겨서 매번 다시 만들 필요가 없습니다. 

이를 통해 시간이 절약되고, 오류가 줄어들며, 개발이 더욱 깔끔하고 확장 가능해집니다.

2. 모델을 교육하거나 미세 조정하는 회사:

AI 모델을 비즈니스에 더 적합하게 만들기 위해 노력하는 경우(더 전문적이고 캐주얼하며 브랜드와 일치하는 것처럼 들리도록) 맥락이 중요합니다. 

많이.

MCP는 사용 사례 전반에 걸쳐 해당 컨텍스트를 표준화하는 데 도움이 됩니다. 

모든 프롬프트를 수동으로 조정하는 대신, 팀은 "톤", "사용자 정보" 또는 "작업 목표"와 같은 재사용 가능한 모듈을 구축할 수 있습니다.

이를 통해 미세 조정이 더 쉬워지고 결과의 신뢰성이 높아집니다.

3. 개인화된 AI 경험을 만드는 팀:

사용자 경험의 관점에서 볼 때 MCP는 획기적인 변화를 가져왔습니다. 

소매 사이트를 위한 챗봇을 구축하든 생산성 도우미를 구축하든, 서로 다른 사용자는 서로 다른 톤, 목표, 선호도를 필요로 합니다.

MCP를 사용하면 이 모든 것이 모듈화됩니다. 핵심 로직을 건드리지 않고도 사용자별 컨텍스트에 맞춰 구성 요소처럼 교체할 수 있습니다. 

이를 통해 AI는 추가적인 복잡성 없이도 진정으로 개인화된 느낌을 줍니다.

실제 사례: "수동 설정"에서 "모듈식 제어"로

한 개발자가 코드 편집기 AI를 만드는 방법을 공유했습니다. 

이전 설정에서는 코드 파일을 수동으로 업로드하고 모델을 단계별로 안내해야 했습니다. 

속도가 느렸고 토큰이 모두 소진되었습니다.

그런 다음 MCP를 시도했습니다.

그들은 간단한 구성을 사용하여 Claude에게 GitHub과 로컬 파일에 대한 액세스 권한을 부여했습니다. 

이제 클로드는 다음을 할 수 있습니다.

• 코드를 직접 읽어보세요
• 편집 제안
• 지침을 반복하거나 파일을 다시 업로드하지 않고도 코드를 린트할 수 있습니다.

그들의 말에 따르면, "마치 클로드에게 키보드와 마우스를 준 것과 같았습니다."

갑자기 컨텍스트를 수정하거나 파일을 처리하는 데 시간을 허비하는 대신 실제로 중요한 것, 즉 더 나은 AI 경험을 구축하는 데 집중할 수 있게 되었습니다.

사람들이 인터넷에서 공유한 실제 사용 사례

사용 사례	무슨 일이에요
도메인 검사기	클로드는 MCP 도구를 사용하여 가용성에 따라 도메인 이름 제안을 필터링했습니다.
코드 편집기	한 사용자가 Claude에게 전체 코드 환경에 대한 접근 권한을 부여했습니다. 이 환경은 코드를 읽고, 쓰고, 심지어 Lint까지 실행할 수 있었습니다.
대시보드 빌더	Claude를 Grafana에 연결했습니다. 몇 가지 수정 후 Claude는 스스로 대시보드를 만들기 시작했습니다.
GitHub 액세스	토큰과 MCP를 사용하여 Claude는 실제 GitHub 저장소 내부의 코드를 관리했습니다.
구글 시트	공식을 설명하는 대신, 원하는 것을 말하면 되고 클로드가 논리를 처리합니다.

간단히 말해서:

개발자, 연구원, 제품 팀 등 어떤 사람이든 MCP는 더욱 스마트하고 빠르며 개인화된 AI를 구축하는 데 도움을 줍니다.

복잡성을 더하는 것이 아니라, 마침내 혼란을 정리하는 것입니다.

인터넷에서는 MCP에 대해 무엇이라고 말하고 있나요?

AI에 대한 관심이 뜨겁습니다. 그럴 만한 이유가 있습니다.

MCP(모델 컨텍스트 프로토콜)는 클로드에게 엄청난 초능력을 제공하고 개발자들은 이를 좋아합니다. 

하지만 새로운 것이 늘 그렇듯, 아직은 모든 게 다 좋은 것은 아닙니다.

자세히 살펴보겠습니다.

사람들이 Anthropic MCP에 대해 좋아하는 점

1. 표준화된 통합:

이전: AI가 도구나 데이터를 사용할 때마다 사용자 지정 코드를 작성해야 했습니다.

이제 MCP를 통해 Claude를 파일, API, 브라우저, 데이터베이스 등 모든 것에 연결할 수 있는 표준적인 플러그 앤 플레이 방식이 있습니다. 더 이상 바퀴를 다시 발명할 필요가 없습니다.

2. 클로드가 "손"을 갖습니다: 

MCP를 사용하면 Claude가 외부 도구에서 읽고, 쓰고, 작업을 수행할 수 있습니다.
사람들이 공유한 실제 사례:

• GitHub 코드를 읽고 편집하는 Claude
• 로컬 파일 읽기 및 쓰기
• Google Drive, 데이터베이스, Slack 등과 상호 작용합니다.
  

사실, 클로드는 더 이상 단순히 채팅만 하는 게 아니에요. 마치 팔과 키보드가 달린 것 같아요.

3. 더 이상 수동 업로드가 필요하지 않습니다.

Claude는 채팅에 파일을 끌어서 놓는 대신, 사용자 시스템의 파일에 직접 액세스할 수 있습니다.

업로드도 없고, 추가 토큰도 없습니다. 원활하고 끊김 없는 접속만 가능합니다.

4. 시간(및 토큰)을 절약합니다.

MCP는 파일 업로드나 "아티팩트" 사용과 같은 토큰을 많이 사용하는 모든 해결 방법을 건너뜁니다.
그 결과, 응답 속도가 빨라지고 토큰 소모량이 줄었습니다.

5. 오픈 소스 및 확장 가능:

누구나 MCP를 기반으로 구축할 수 있습니다.
사람들은 이미 그것을 다음과 연결했습니다.

• 개념
• 그라파나
• 깃허브
• 포스트그레스큐엘
• Google Maps 등.

그리고 개방형 프로토콜이기 때문에 한 회사의 생태계에 갇히지 않습니다.

6. 자율 AI 에이전트의 힘:

MCP를 통해 클로드는 단순히 반응하는 데 그치지 않고 주도권을 잡을 수 있게 됐습니다.
다음과 같은 작업이 가능합니다.

• 도구 전반에 걸쳐 컨텍스트 유지
• 스스로 조치를 취하세요
• 미니 프로젝트 관리자처럼 여러 단계로 구성된 작업을 처리합니다.
  

7. AI를 위한 앱 스토어와 같습니다.

어떤 사람들은 이것이 클로드에게 앱과 인터넷에 접속할 수 있는 휴대전화를 주는 것과 같다고 말합니다.
원하는 것을 말하면, 그 안에서 어떤 "도구"(앱)를 사용할지 알고 있습니다.

사람들이 확신하지 못하거나 비판하는 것

1. 조금 추상적으로 느껴집니다.

많은 사용자는 MCP가 이해하기 어렵다고 말합니다. 직접 사용해 보거나 데모를 시청하기 전까지는요.

강력하지만 초보자에게는 항상 친화적인 것은 아닙니다.

2. 속도가 항상 좋은 것은 아닙니다.

일부 사람들은 MCP가 OpenAI의 함수나 Perplexity의 HTTP 호출과 같은 다른 도구보다 느릴 수 있다는 점을 지적했습니다. 

특히 Brave Search와 같은 API를 사용할 때 그렇습니다.

3. 아직 주류가 아니다:

많은 화제에도 불구하고 MCP는 아직 널리 채택되지 않았습니다.
사람들은 더 많은 타사 도구, 프런트엔드, 커뮤니티에서 구축된 기능을 기다리고 있습니다.

4. 고급 모델과 가장 잘 호환됩니다.

Claude Opus를 사용한다면 MCP가 빛을 발합니다.
하지만 가벼운 모델에서는? 경험이 좀 더 제한적일 수도 있겠네요.

마지막 생각

MCP는 클로드에게 범용 도구 상자와 그 사용 방법에 대한 명확한 지침을 제공하는 것과 같습니다.
더 이상 단순히 질문에 답하는 것이 아닙니다. 일을 처리하는 것이죠.

AI 도구나 스마트 어시스턴트를 만드는 데 관심이 있다면 MCP는 꼭 주목해야 할 사항입니다.

결론

모델 컨텍스트 프로토콜(MCP)은 AI 세계의 약어 중 하나일 뿐이라고 생각할 수 있지만, 여러분이 보셨듯이 실제로는 게임의 판도를 바꾸는 제품입니다.

대규모 언어 모델을 다루는 데 따르는 번거로움을 없애고, AI를 더욱 스마트하고 일관되게 만들며, 작업을 훨씬 쉽게 만들어줍니다.

단독 개발자이든 성장하는 AI 팀의 일원이든, Claude MCP는 여러분이 같은 내용을 반복하지 않고, 도구를 그대로 붙여 넣는 일을 멈추고, 실제적이고 확장 가능한 경험을 구축할 수 있도록 도와줍니다.

그러니 다음에 AI가 전체적인 그림을 잊어버리거나 무언가 바뀌어서 제대로 작동하지 않을 때, 그건 모델의 잘못이 아니라는 걸 기억하세요. 중요한 건 맥락이 부족하다는 겁니다.

이제 그 문제를 해결하는 방법을 알게 됐죠.

Anthropic MCP를 사용하면 단순히 지침을 제공하는 것이 아니라 AI에게 플레이북을 제공하는 것입니다.