최근 AI 에이전트를 구축할 때, 다양한 외부 도구를 손쉽게 연결하고 확장할 수 있는 MCP Model Context Protocol) 아키텍처가 주목받고 있습니다.
🧩 MCP란?
MCPModel Context Protocol)는 LLM 기반 AI 에이전트가 다양한 외부 도구를 유연하게 호출할 수 있도록 설계된 개방형 프로토콜이며, 여러 기업 및 개발자들이 이를 활용한 프로젝트를 진행 중이다.
✔️ MCP의 주요 특징
- 유연한 통신: 다양한 클라이언트/서버 구성에서 사용 가능
- 빠른 도구 연동: 도구를 데코레이터 한 줄로 노출 가능
- 빠른 개발 및 프로토타이핑에 최적
- 낮은 진입 장벽: LangChain Adapter + FastMCP로 바로 시작 가능
🧱 아키텍처 구성 개요
MCP 시스템은 크게 3가지 요소로 구성됩니다.
- MCP Host
- 유저가 사용하는 인터페이스 (예: ChatGPT, LangGraph, 웹 UI 등)
- MCP 도구를 호출하는 클라이언트이자 실행 환경
- MCP Client
- 도구 목록을 MCP 서버에 요청하고, 메시지를 전송하는 중계자
- LangChain MCP Adapter로 쉽게 구현 가능
- MCP Server
- 실제 도구를 실행하는 서버
- 도구들은 함수 기반으로 정의되어 있으며, FastMCP로 간단하게 구성 가능
🌐 SSE 방식이란?
우리는 SSE(Server-Sent Events) 방식으로 MCP 서버를 구동합니다. 이 방식은 HTTP 기반의 실시간 이벤트 스트리밍을 지원하며, 다음과 같은 장점이 있습니다:
- 실시간 업데이트: 서버에서 클라이언트로 실시간 데이터 푸시
- HTTP 기반: 방화벽/프록시 우회가 쉬워 운영 환경에 적합
- 경량 통신: WebSocket보다 단순하고 빠르게 구성 가능
🚀 FastMCP로 MCP 서버 만들기
MCP SSE Remote사용하기
이전 글쓰기를 참조해서 MCP를 Remote SSE환경에서 띄어서 사용해보자
from typing import List
from mcp.server.fastmcp import FastMCP
# FastMCP 인스턴스 생성 및 'Weather' 도구 추가
mcp = FastMCP("Weather")
@mcp.tool()
async def get_weather(location: str) -> str:
"""지정된 위치의 날씨 정보를 반환"""
return f"It's always sunny in {location}"
# SSE 방식으로 MCP 서버 실행
if __name__ == "__main__":
mcp.run(transport="sse")
위 코드를 app.py로 저장한 후, 다음 명령어를 실행하여 SSE 서버를 시작할 수 있다.
🎯 랭체인 코드 실행
간단한 create_react_agent를 만들어서 똑같은 동작을 구현하려고 한다.
MCP는 전부 비동기를 사용해야되서 디버그가 쉽지 않지만 나쁘지 않게 해볼만하다.
import asyncio
from langgraph.prebuilt import create_react_agent
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import SingleServerMCPClient
async def main():
# OpenAI 모델 초기화
model = ChatOpenAI(model="gpt-4o-mini", openai_api_key=api_key)
# FastMCP에서 제공하는 Weather 도구에 연결 (SSE)
async with SingleServerMCPClient(
url="http://localhost:8000/sse", # FastMCP 서버 포트와 일치해야 함
transport="sse"
) as client:
tools = client.get_tools()
print("Available tools:", tools)
# MCP 도구로 React Agent 생성
agent = create_react_agent(model, tools)
# 메시지를 통한 도구 호출
response = await agent.ainvoke({"messages": "서울의 날씨를 알려줘"})
print("Agent response:", response)
# 비동기 실행
asyncio.run(main())
🌐 랭그래프 코드 실행
연결하는 방법은 어렵지 않다 기존의 코드에서 tool만 client에서 받아와서 사용하면 똑같이 기존코드를 사용할수 있다.
import asyncio
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langchain_core.runnables import RunnableConfig
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.client import SingleServerMCPClient
# ✅ 상태 정의
class State(TypedDict):
messages: Annotated[list, add_messages]
memory = MemorySaver()
# ✅ FastMCP용 클라이언트 생성 함수
async def create_client():
return SingleServerMCPClient(
url="http://localhost:8000/sse", # FastMCP 서버 포트에 맞춰 설정
transport="sse"
)
# ✅ MCP Graph 생성 함수
def mcp_graph(client):
tools = client.get_tools()
print("🔧 MCP Tools:", tools)
# LLM 설정
api_key = openai_api_key()
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0, openai_api_key=api_key)
llm_with_tools = llm.bind_tools(tools)
# 챗봇 노드 정의
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
# 상태 그래프 정의
graph_builder = StateGraph(State)
# 노드 구성
graph_builder.add_node("chatbot", chatbot)
tool_node = ToolNode(tools=tools)
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges("chatbot", tools_condition)
graph_builder.add_edge("tools", "chatbot")
# 시작과 종료 정의
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
# 그래프 컴파일
return graph_builder.compile(checkpointer=memory)
# ✅ 메인 함수
async def main():
config = RunnableConfig(
recursion_limit=10,
configurable={"thread_id": "1"},
tags=["my-tag"]
)
async with await create_client() as client:
agent = mcp_graph(client)
response = await agent.ainvoke(
{"messages": "서울 날씨 알려줘"}, # 메시지를 MCP 도구에 맞게 조정
config=config
)
print("📨 Agent Response:", response)
# ✅ 실행
asyncio.run(main())