View a markdown version of this page

의 모델 컨텍스트 프로토콜 전략 AWS - AWS 권장 가이드
대상 독자목표

기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.

의 모델 컨텍스트 프로토콜 전략 AWS

Amazon Web Services(기여자)

2026년 3월(문서 기록)

이 가이드는 조직 전체에서 모델 컨텍스트 프로토콜(MCP) 전략을 개발하고 구현하여 에이전트 AI 여정을 지원하는 데 도움이 될 수 있습니다. 에이전트 및 언어 모델이 비즈니스 운영의 핵심이 됨에 따라 성공적인 에이전트 솔루션을 위해서는 MCP 전략을 수립하는 것이 중요합니다.

이 가이드에서는 MCP 전략을 구축하기 위한 세 가지 기본 원칙인 MCP 도구 설계, MCP 서버 호스팅, MCP 거버넌스를 살펴봅니다. 이러한 상호 연결된 구성 요소를 해결하면 조직은 AI 구현 전반에서 모델 컨텍스트를 관리하기 위한 확장 가능하고 안전하며 효과적인 시스템을 만들 수 있습니다. 이 지침은 초기 실험부터 전체 규모의 프로덕션 배포에 이르기까지 조직의 AI 여정의 모든 단계에서 조직을 위한 실행 가능한 인사이트와 전략적 지침을 제공합니다. 이를 통해 특정 요구 사항 및 목표에 맞는 맞춤형 MCP 솔루션을 개발할 수 있습니다.

이러한 모범 사례는 엔터프라이즈 규모로 MCP를 배포하는 조직의 실제 구현, 현재 MCP 사양 표준 분석, 프로덕션 환경에서 사용자 지정 대규모 언어 모델(LLM) 애플리케이션에서 얻은 교훈에서 파생되었습니다.

AI 시스템은 다양한 사용 사례에서 점점 더 정교해지고 강력한 LLMs을 사용합니다. LLMs 자연어를 이해하고, 인간과 유사한 응답을 생성하고, 복잡한 정보를 추론하는 데 뛰어납니다. 그러나 대화형 인터페이스에서 복잡한 작업을 자율적으로 수행할 수 있는 시스템으로 LLMs을 변환하기 위해 조직은 에이전트 AI 아키텍처, 환경을 인식하고, 목표에 대한 이유를 파악하고, 자율 결정을 내리고, 여러 단계에서 오케스트레이션하고, 사용자를 대신하여 목표를 달성하기 위한 조치를 취할 수 있는 AI 시스템을 채택하고 있습니다. 이 에이전트 접근 방식은 조직이 자연어를 통해 사용자 의도를 이해하고, 여러 데이터 소스 및 도구에서 자율적으로 조정하고, 기존 요청-응답 패턴으로는 불가능한 규모로 개인화된 경험을 제공할 수 있는 AI 시스템을 구축하는 데 도움이 됩니다. 이러한 에이전트의 역량을 높이려면 조직은 기존 도구 및 데이터에 대한 액세스를 제공하여 에이전트의 컨텍스트 이해를 강화하고 사용자를 대신하여 작업할 수 있도록 해야 합니다.

MCP는 AI 도구 통합을 위한 표준화된 프로토콜을 제공하여 에이전트와 외부 리소스 간의 일관된 통신을 지원합니다. MCP 자체가 통신 표준을 정의하지만 효과적으로 구현하려면 확장 가능하고 안전하며 유지 관리 가능한 솔루션을 달성하기 위해 아키텍처 패턴, 보안 모델, 운영 관행 및 성능 최적화 전략을 신중하게 고려해야 합니다.

이 가이드는 엔터프라이즈 MCP 배포에서 얻은 교훈을 합성하여 AWS Well-Architected Framework에 맞는 실행 가능한 권장 사항을 제공합니다. 자체 MCP 솔루션을 구축하는 데 필수적인 MCP 도구 설계, MCP 서버 호스팅 및 MCP 거버넌스에 대한 전략을 다룹니다. 이 가이드의 권장 사항은 AWS Well-Architected Framework의 다음 다섯 가지 원칙에 매핑됩니다.

  • 보안 - 토큰 격리, 범위가 축소된 자격 증명, 별도의 읽기/쓰기 권한 부여

  • 운영 우수성 - 도구 선택 정확도 지표, 회귀 테스트를 위한 골든 데이터 세트

  • 신뢰성 - 사용자당 및 도구당 속도 제한, 로드 셰딩

  • 성능 효율성 - 워크플로 범위 도구, 도구 필터링, 컨텍스트 창 사용량을 줄이기 위한 의미 체계 검색

  • 비용 최적화 - 팀 전체에서 재사용 가능한 MCP 서버, 도구 필터링을 통한 요청당 토큰 비용 절감

대상 독자

이 가이드는 조직에서 에이전트 AI 솔루션을 구현하는 아키텍트, 개발자 및 기술 리더를 대상으로 합니다. 이 가이드의 개념을 이해하려면 LLMs 작동 방식을 이해하고 MCP, 도구 및 프롬프트 엔지니어링에 대한 기본 지식을 가지고 있어야 합니다.

목표

프로덕션 준비가 완료된 Agentic AI 시스템을 구축하려면 조직의 정책을 지원하기 위해 거버넌스, 최적화 및 보안을 함께 해결해야 합니다. 아래는이 가이드가 이러한 목표를 해결하는 방법을 설명합니다.

  • 거버넌스 - 중앙 집중식 거버넌스가 없으면 어떤 에이전트가 어떤 데이터에 액세스했는지, 어떤 권한이 언제 액세스했는지를 포함하여 AI 워크로드에 대한 감사 질문에 답할 수 없습니다. 버전 관리를 적용할 수도 없습니다. 이 가이드의 MCP 호스팅 전략 섹션에서는 사용자가 체계적인 적용이 부족하여 알려진 취약성이 있는 오래된 로컬 MCP 서버를 실행하는 방법을 설명합니다.

    규제 산업의 경우 거버넌스가 중요합니다. 감사자는 단일 창에서 모든 에이전트에 대한 정책 적용 및 도구 사용량 추적을 확인하려고 합니다. MCP 거버넌스는 이를 제공합니다.

    이 가이드의 권장 사항에 따라 피어 리뷰 벤치마크에서 작업 정확도를 28~32% 개선할 수 있습니다. 자세한 내용은 MARCO: 다중 에이전트 실시간 채팅 오케스트레이션(ACL Anthology 웹 사이트)을 참조하세요. 거버넌스는 규정 준수뿐만 아니라 에이전트 AI 시스템 성능도 개선합니다.

  • 최적화 - 팀이 동일한 통합을 두 번 이상 구축할 수 있습니다. 예를 들어 5개의 서로 다른 팀이 AI 애플리케이션이 데이터베이스와 통신할 수 있도록 자체 데이터베이스 쿼리 스크립트를 작성하는 경우 이는 개발 비용의 5배와 유지할 버그 목록 세트 5개입니다. MCP를 사용하면 한 번 빌드하고 전체 엔지니어링 커뮤니티에서 공유할 수 있습니다. 에이전트 수가 늘어날 때의 절감 컴파운드입니다.

    또한 대부분의 팀이 처음에는 알아채지 못하는 요청당 비용 문제도 있습니다. 모든 도구 정의는 컨텍스트 창 토큰을 사용합니다. 20개의 도구에서는 사용자 문의와 함께 설명에만 호출당 5,000~10,000개의 토큰을 사용합니다. 이렇게 하면 모델이 사용 가능한 도구 목록에서 올바른 도구를 선택하는 데 어려움을 겪기 때문에 지연 시간과 LLM 추론 비용이 증가하고 정확도가 저하됩니다.

    구조화된 도구 래퍼를 사용하는 에이전트는 APIs 직접 액세스하는 에이전트보다 데이터베이스 작업에서 약 3배 더 정확합니다(자세한 내용은 Middleware for LLMs: Tools Are Instrumental for Language Agents in Complex Environments 참조). AI 모델에 도구를 설계하고 제공하는 방법이 중요합니다. 이 가이드에서는 도구에 명확한 스키마를 제공하고, 원시 엔드포인트 대신 실제 워크플로로 크기를 조정하고, 컨텍스트 창에서 정보를 제한하는 것을 권장합니다. 이 가이드의 MCP 도구 설계 전략 섹션에서는 이러한 측면을 자세히 살펴봅니다.

  • 보안 및 규정 준수 - 정리 단계를 할루시네이션하고 프로덕션 데이터베이스를 삭제하려고 하는 에이전트 AI 시스템을 가정해 보겠습니다. 에이전트가 사용자의 전체 관리자 자격 증명을 상속한 경우 삭제가 진행될 수 있습니다. 읽기 및 생성 액세스 권한만 부여하는 토큰 격리 및 범위가 축소된 자격 증명을 사용하면 안전하게 실패합니다.

    규제된 워크플로는 이를 더욱 선명하게 만듭니다. 이 가이드에서는 예제(환자 데이터를 처리하기 전에 HIPAA 검증 및 개인 식별 정보 익명화가 필요한 의료 파이프라인)를 제공합니다. MCP 도구에 이러한 로직을 포함하면 규정 준수가 매번 결정적으로 이루어집니다.