YouTube와 Inflearn에서 튜토리얼 수강하기
•
본 블로그에서 소개하는 MCP 튜토리얼은 6강으로 구성되어 있으며 사이오닉 유튜브 재생목록과 인프런을 통해 수강하실 수 있습니다.
•
아래 GitHub 튜토리얼을 참고하세요.
들어가며…
Model Context Protocol (MCP) 은 LLM 애플리케이션과 외부 데이터 소스 및 도구들 간의 원활한 통합을 가능하게 하는 개방형 프로토콜입니다. AI 기반 IDE, 채팅 인터페이스, 커스텀 AI 워크플로우 등에서 LLM 이 필요한 컨텍스트와 연결하기 위한 표준화된 방법을 제공합니다.
본 글에서 말하는 정확한 내용은 MCP 연동을 통한 Claude App 과 함께 하는 개발 입니다.
하지만 본 글에서는 MCP 에 집중하기 위해 MCP 개발로 표현 합니다.
2020년도 쯤 IntelliJ 를 처음 만났을 때 신세계를 느꼈습니다.
코딩을 이렇게 쉽게 도와주는 도구가 있다니!?
유료라서 아까운데 Eclipse 나 vscode 를 쓰자고? 개발자는 메모장에서도 코드를 짤 수 있어야 된다고?
그게 팀과 미션에 중요한 피쳐를 만들기 위한 생산성, 지속력보다 중요한가?
그렇게 시간이 지나 22년 쯤 일까요. ChatGPT 와 코딩을 하면서 또 다른 신세계를 느꼈습니다.
그리고 이 글을 쓰기로 결심한 25년 3월 18일 새벽에 MCP 를 경험하면서 또 다시 신세계를 느꼈습니다.
이 글에서는 MCP 와 함께하면 개발이 얼마나 쉬워지는지 보여드립니다.
1.
IntelliJ 에서 Kotlin Spring 기반으로 url-shorten 서비스를 만들고,
2.
Exposed 로 DB 연결을 하고,
3.
Kotlin Multiplatform 으로 View 를 만드는 과정을 보여드립니다.
저는 이 과정에 쓰인 기술 중 Exposed 는 튜토리얼만 해봤고, Kotlin Multiplatform 은 이름밖에 모를 정도로 숙련도가 매우 낮습니다. 하지만 충분히 기능을 완성할 수 있었습니다.
IntelliJ - Claude App MCP 연동하기
1. Claude Desktop App 설치
•
App 설치 후 설정 > 개발자 에 가면 아무런 설정이 없는 것을 확인할 수 있습니다.
2. JetBrains MCP Proxy Server 을 위한 JSON 정보 가져오기
•
JetBrains MCP Proxy Server 을 위한 json 을 복사합니다.
{
"mcpServers": {
"jetbrains": {
"command": "npx",
"args": ["-y", "@jetbrains/mcp-proxy"]
}
}
}
JSON
복사
3. Claude 에 JetBrains MCP Proxy Server 설정
•
설정 > 개발자 > 설정 편집 을 누르면 Claude 설정 파일 경로로 이동 합니다.
•
claude_desktop_config.json 파일에복사한 json 을 넣습니다.
•
Claude App 을 재기동을 하면 jetbrains 가 보입니다.
4. IntelliJ Plugins 설치 - MCP Server
5. MCP 연동 확인
•
IntelliJ 와 Claude App 이 동시에 기동되어 있는 상태에서 Claude 에 입력
check out my project in the ide and give me all the supported apis of the project
•
캡쳐와 같이 모달창이 뜨면 연동 완료
MCP 개발의 한계
AI 를 활용하기 위해서는 Prompt 가 필요 합니다.
하지만 Prompt 는 크기의 한계가 있기에 모든 지식과 히스토리를 담을 수 없습니다.
여기에서 고질적인 AI 개발의 한계가 나옵니다.
1. 0 to 1 가능. 1 to 10 흠.. 10 to 100 이건 좀..
영상은 0 to 1 의 개발 입니다. 그럼에도 불구하고 꽤 많이 틀리고 있습니다.
•
명세가 모호한 것일 수도 있고, 최신 정보를 가져오지 못하는 것일 수도 있고, AI 모델의 고질적인 문제인 헐루시네이션일 수도 있습니다.
•
범위가 조금만 커져도 생각보다 많이 틀려서 가이드가 필요 합니다.
2. 일관성이 부족한 코드 품질
AI 는 새로운 채팅이 열릴 때마다 컨텍스트를 잃습니다. 그렇기에 일관성 있는 코드 품질을 유지하기 힘듭니다.
그리고 장기간 유지되어야 하는 프로젝트는 보통 팀으로 관리 됩니다.
•
보통 약속된 컨벤션이 있으며, 필요에 따라서는 전통적인 클린 코딩에 반하는 내용도 충분히 허용 됩니다.
•
약속된 컨벤션은 백서보다는 무형적인, 표현하기 힘든 컨텍스트도 많이 존재 합니다.
3. 개발 외적인 문제로 인한 장기적 설계 어려움
AI 는 단기적이고 작은 개발에는 강하지만 미래지향적인 아키텍처와 점진적인 개발에는 약합니다.
•
미래 지향적인 개발과 점진적인 개발을 위한 판단은 개발 외적인 문제가 많습니다.
•
운영 인력, 마켓 타이밍, 기술 부채 청산 등 개발만으로는 판단할 수 없는 문제가 많습니다.
•
나아가 외부 연동이나 시스템 마이그레이션 등은 숙련된 개발자에게도 힘든 일 입니다.
4. 성능 최적화 문제
AI 는 기능 구현에는 강하지만 심층적인 분석과 튜닝 능력이 제한적입니다.
•
스파이크 트래픽을 위한 인프라 안배 라던가, 메모리 효율화 같은 튜닝 능력은 기대하기 힘듭니다.
5. 숨겨진 요건 표현의 어려움과 헐루시네이션
모든 요건이 정책으로 나오는 것은 불가능 합니다. 모든 엣지 케이스가 도출되는 것 또한 불가능 합니다.
•
충분히 큰 프로젝트에서 사용할 때는 의도하지 않은 작동을 유발할 수 있고, 처리 속도 또한 기하급수적으로 늘어납니다.
하지만 숙련된 개발자는 도메인 지식과 경험으로 누락된 케이스와 코드 스멜을 감지할 수 있습니다.
•
또한 헐루시네이션도 감지할 수 있어 방어할 수 있습니다.
6. 잘못된 요건 표현과 테스트
5번에서 더 확장된 한계 입니다. 요건 표현 자체가 잘못될 수 있습니다.
•
잘못된 표현은 잘못된 테스트를 만들어 거짓 음성의 위험이 있기에 더 위험 합니다.
그럼에도 불구하고 MCP 는 훌륭합니다.
사실 지금 작성하는 이 문서조차 Notion MCP 를 연동해서 어시스트를 받고 있습니다.
MCP 는 프로토콜이기에 개발 도구만이 아닌 많은 업무 도구에도 연동이 가능하고, 가능성이 무궁무진 합니다.
AI 의 발전은 눈부십니다. 지금까지도 그랬고 앞으로는 더더욱 그럴 것 입니다.
아직은 완전한 자율 주행 자동차보다는 페어 코딩의 Driver 에 가깝지만 더욱 발전할 것 입니다.
MCP 는 이러한 변화의 초기 단계일 뿐 입니다.
혹자는 AI 의 발전으로 개발자가 대체된다고 합니다. 두려워하며 AI 로 대체되지 않는 시장을 찾으려 합니다.
개인적으로는 꽤 오랜 시간이 지나도 개발자는 존재할 것이며, 모든 시장은 AI 로 대체될 것 입니다.
모순되는 말인가요?
자동차 산업은 영국에서 시작되었지만, 정작 그 꽃은 미국에서 피었습니다.
자동차를 두려워한 영국의 마차, 철도 업계가 갖가지 규제를 걸며 그 끝판 왕인 적기조례까지 만들었기 때문 입니다.
AI 는 명실공히 확정된 미래 입니다.
숙련된 마부라면 말을 다루는 능력이 아닌, 길을 찾는 능력으로 자동차의 시류를 탈 것 입니다.
말의 낭만을 아는 마부라면 운송 수단이 아닌, 관광 수단으로 새로운 흐름을 만들 것 입니다.
그렇기에 꽤 오랜 시간이 지나도 AI 와 협업할 수 있는 개발자라면 계속 존재할 것이라고 생각 합니다.
어쩌면 이런 미래가 올지도..?
MCP 에 대한 얘기는 끝났습니다. 하지만 조금 더..
개발을 넘어 일상 업무로 시선을 돌려보겠습니다.
기술적 코드 작성보다 더 복잡한 것이 바로 조직 내 무형의 지식과 경험입니다. 이런 '암묵지'는 문서화하기 어렵고, 전달하기는 더욱 어렵습니다. 신입사원이 회사에 적응하는데 몇 개월이 걸리는 이유가 여기에 있죠.
비개발 업무에서의 AI 활용, 이상과 현실
많은 기업들이 AI로 업무 효율화를 꿈꾸지만, 현실은 녹록치 않습니다.
이상:
•
"우리 회사 모든 문서를 AI에 학습시켜서 누구나 질문하면 답변해주는 시스템을 만들자!"
•
"신입사원 온보딩에 AI 비서를 활용해 적응 기간을 단축시키자!"
•
"부서간 정보 단절을 AI로 해소하고 협업 효율을 높이자!"
현실:
•
"RAG 시스템을 구축하려면 누가 담당할까요? 데이터 엔지니어가 필요한데..."
•
"임베딩 벡터 DB를 어떻게 최적화하지? 검색 성능이 너무 낮아요."
•
"문서 업데이트할 때마다 수동으로 색인을 다시 해야 하나요?"
•
"AI 답변이 정확하지 않아 검증하는 시간이 더 많이 드네요."
아이러니하게도, AI 시스템을 도입하려면 더 많은 기술적 전문성이 필요합니다. 이는 업무 효율화라는 본래 목적과 배치됩니다.
실제 업무 환경의 복잡성
개발 영역보다 일반 업무 영역에서 AI 활용이 더 까다로운 이유는 무엇일까요?
1.
지식의 복잡성: 코드는 명시적이지만, 업무 지식은 맥락과 경험에 크게 의존합니다.
2.
데이터 형식의 다양성: 회사 내 지식은 이메일, 문서, 회의록, 메신저 대화 등 다양한 형태로 존재합니다.
3.
빠른 변화: 제품 사양, 정책, 프로세스는 계속 변화하기에 AI 시스템도 지속적으로 갱신되어야 합니다.
4.
보안과 프라이버시: 민감한 기업 정보를 AI에 안전하게 학습시키는 것은 중요한 과제입니다.
많은 기업이 이러한 문제를 해결하기 위해 자체 AI 시스템을 구축하려 시도하지만, 높은 기술적 진입 장벽과 지속적인 유지보수 비용으로 인해 실패하는 경우가 많습니다.
Sionic AI의 Storm Platform: 기술 없이도 AI를 활용하는 방법
Sionic AI의 Storm Answer는 이러한 문제를 근본적으로 해결합니다. 우리는 복잡한 기술 구현 없이도 조직의 지식을 AI에 효과적으로 학습시켜 실제 업무에 즉시 활용할 수 있는 방법을 제공합니다.
Storm Platform의 차별화 포인트
•
고급 문서 파싱 기술: 단순 텍스트 문서뿐만 아니라 복잡한 표, 이미지, 도표까지 자동으로 파싱하여 AI가 학습합니다. 다른 플랫폼에서는 처리하기 어려운 복잡한 형식의 문서도 Storm Answer는 정확하게 이해하고 학습할 수 있어, 조직 내 모든 형태의 지식을 놓치지 않고 활용할 수 있습니다.
•
독보적인 RAG 성능: RAG(Retrieval-Augmented Generation) 전문가들로 구성된 팀이 최신 검색 및 생성 기술을 지속적으로 연구하고 적용합니다. 단순히 기존 기술을 적용하는 것이 아니라, 실제 기업 환경에 최적화된 고유한 RAG 아키텍처를 개발하여 정확도와 관련성 높은 정보 제공에 있어 뛰어난 성능을 보여줍니다.
•
피드백 기반 지속적 성능 향상: 사용자들이 AI 응답에 대한 피드백을 제공할 수 있는 직관적인 인터페이스를 통해, 시스템이 자체적으로 학습하고 발전합니다. 이는 별도의 AI 전문가 없이도 고객 조직에 맞춤화된 RAG 성능을 지속적으로 향상시킬 수 있는 독특한 장점입니다.
•
엔터프라이즈급 운영 기능: 기업 환경을 위한 다양한 운영 기능을 기본 제공합니다. 문서 내 개인정보나 민감 정보를 자동으로 탐지하는 보안 기능, 지식 베이스의 변경 이력을 관리하는 버저닝 시스템, 부서 및 역할별 접근 권한 설정 등 기업이 필요로 하는 모든 운영 요소가 이미 구현되어 있어 별도의 커스터마이징 없이도 바로 활용할 수 있습니다.
•
MCP (Model Context Protocol) 및 카카오톡 등 다양한 도구와 쉽게 연동할 수 있음: 스톰 플랫폼을 통해 제작한 서비스들은 다양한 Frontend 를 통해 채널을 연동할 수 있습니다. 카카오톡 채널로도 연동이 가능하고, 
serverless-rag-mcp-server 레포지토리를 보시면 스톰 플랫폼을 통해 서버리스 RAG 를 구축하는 코드 예시도 있습니다.
serverless-rag-mcp-server 레포지토리를 보시면 스톰 플랫폼을 통해 서버리스 RAG 를 구축하는 코드 예시도 있습니다.기술 없이도 AI의 힘을 활용하세요
MCP가 개발자의 코딩을 돕는 것처럼, Storm Platform은 모든 업무 영역에서 지식 접근성을 혁신적으로 향상시킵니다. 복잡한 기술 구현 없이도, 여러분의 조직은 AI의 힘을 십분 활용할 수 있습니다.
우리는 기술적 복잡성을 제거하고, 실제 업무 가치에 집중할 수 있게 돕습니다. 이것이 바로 Sionic AI가 추구하는 AI-Native 솔루션의 핵심입니다.
AI는 더 이상 기술팀만의 도구가 아닙니다. 모든 부서, 모든 직원이 활용할 수 있는 실용적인 도구로 진화하고 있습니다. Storm Answer와 함께라면, 여러분의 조직도 이 변화의 주역이 될 수 있습니다.
사이오닉 에이아이 - 기업용 AI-Native 솔루션에서 더 많은 정보를 확인하실 수 있습니다.
