meng shao(@shao__meng)의 스레드

[인류공학 블로그] MCP를 통한 코드 실행 달성: 더욱 효율적인 AI 에이전트 구축 – AI의 코딩 능력을 활용하여 에이전트가 비효율적인 "도구 호출-대기-재호출" 패턴에 의존하지 않고 프로그래머처럼 작동할 수 있도록 합니다. 핵심 이슈 MCP는 AI 에이전트를 외부 시스템에 연결하기 위한 개방형 표준입니다. 1년 전 출시 이후 커뮤니티는 수천 대의 MCP 서버를 구축했습니다. 그러나 연결 도구의 수가 증가함에 따라 두 가지 주요 효율성 문제가 발생했습니다. 1. 도구 정의가 너무 많은 컨텍스트를 소모합니다. 에이전트가 수천 개의 도구에 연결할 때, 기존 방식은 모든 도구 정의를 컨텍스트 창에 한꺼번에 로드합니다. 이러한 도구 설명은 에이전트가 요청을 처리하기 전에 수십만 개의 토큰을 소모할 수 있습니다. 2. 중간 결과의 반복 전달: 에이전트가 도구 간에 데이터를 전달해야 하는 경우(예: Google Drive에서 회의록을 다운로드하여 Salesforce 레코드에 첨부하는 경우), 전체 데이터가 모델을 여러 번 통과해야 합니다. 2시간 분량의 회의록은 5만 개의 토큰을 추가로 소모할 수 있으며, 대용량 문서는 컨텍스트 창 제한을 초과할 수도 있습니다. 솔루션: 코드 실행 + MCP 핵심 아이디어는 MCP 서버를 직접적인 도구 호출이 아닌 코드 API로 제공하는 것입니다. 에이전트는 코드를 작성하여 MCP 서버와 상호 작용합니다. 구현 방법은 사용 가능한 모든 도구에 대한 파일 트리 구조를 생성합니다. 예: 서버 ├── 구글 드라이브 │ ├── getDocument.ts │ └── index.ts ├── 세일즈포스 │ ├── updateRecord.ts │ └── index.ts 에이전트는 파일 시스템을 탐색하여 현재 작업에 필요한 정의만 로드하여 도구를 검색합니다. 이전에는 15만 개의 토큰이 필요했던 시나리오가 이제는 2,000개의 토큰만 필요하게 되어 비용과 시간을 98.7% 절약할 수 있습니다. 5가지 핵심 장점 1. 에이전트의 점진적 검색을 통해 도구 정의를 한꺼번에 로드하지 않고도 필요에 따라 읽을 수 있습니다. 또한, 관련 도구만 로드하는 검색 기능을 추가할 수도 있습니다. 2. 컨텍스트 효율적인 데이터 처리: 데이터는 모델로 반환되기 전에 코드 실행 환경 내에서 필터링 및 변환됩니다. 10,000개 행의 테이블을 처리할 때 에이전트는 전체 데이터 대신 5개 행만 확인하면 됩니다. 3. 더욱 강력한 제어 흐름 루프, 조건문, 오류 처리는 개별 도구 호출을 연쇄적으로 처리하는 대신 익숙한 코딩 패턴을 사용하여 구현할 수 있습니다. 예를 들어, Slack 알림 폴링은 단일 while 루프로 수행할 수 있습니다. 4. 개인정보 보호: 중간 결과는 기본적으로 실행 환경에 보관되며, 모델은 명시적으로 기록되거나 반환된 콘텐츠만 볼 수 있습니다. 민감한 데이터는 모델 컨텍스트에 들어가지 않고도 이동할 수 있습니다. MCP 클라이언트는 개인 정보를 자동으로 토큰화할 수도 있습니다. 5. 상태 지속성 및 기술 축적: 에이전트는 작동 코드를 재사용 가능한 함수로 저장할 수 있습니다. 효과적인 코드가 개발되면 나중에 사용할 수 있도록 저장할 수 있습니다. 이는 Anthropic의 "기술" 개념과 밀접한 관련이 있으며, 에이전트는 이를 통해 자신만의 고급 기능 툴킷을 지속적으로 구축할 수 있습니다. 코드 실행으로 인해 발생하는 복잡성을 고려해야 합니다. 에이전트가 생성한 코드를 실행하려면 적절한 샌드박싱, 리소스 제한 및 모니터링을 포함한 안전한 실행 환경이 필요합니다. 코드 실행의 이점(토큰 비용 절감, 지연 시간 단축, 툴킷 개선)을 구현 비용과 비교하여 평가해야 합니다. 이 글은 중요한 통찰을 제공합니다. 컨텍스트 관리, 툴킷 구성, 상태 지속성과 같은 문제들은 새로운 것처럼 보일 수 있지만, 소프트웨어 엔지니어링 분야에서는 이미 알려진 해결책들이 있습니다. 코드 실행은 이러한 성숙한 패턴을 에이전트에 적용하여, 에이전트가 익숙한 프로그래밍 구조를 사용하여 MCP 서버와 더욱 효율적으로 상호 작용할 수 있도록 합니다. 블로그 주소