📚 The Core Concept

1. MCP (Model Context Protocol)

MCP는 LLM이 외부 도구를 사용하는 방식에 대한 규칙이나 표준화된 프레임워크를 의미해요. LLM이 외부 서비스, 도구, 데이터 소스와 효율적으로 통신하고 기능을 활용하기 위해 따르는 ‘규칙’ 또는 ‘인터페이스’라고 생각하면 됩니다. 마치 AI 애플리케이션을 위한 ‘USB-C 포트’와 같다고 비유할 수 있죠. 이는 LLM이 실시간 데이터에 접근하고 작업을 수행할 수 있도록 돕습니다.

2. RAG (Retrieval-Augmented Generation)

RAG는 LLM의 성능을 최적화하기 위해 외부 지식 기반과 연결하는 아키텍처예요. 사용자가 질문을 하면, 검색기가 관련 문서(PDF, 코드, 벡터 데이터베이스 등)를 찾아내고, 그 내용을 LLM의 프롬프트에 주입해서 더 정확하고 최신 정보가 포함된 답변을 생성하게 해요. 이는 LLM이 학습 데이터에 없는 최신 정보를 활용할 수 있도록 ‘모델이 런타임에 아는 것’을 확장하는 방식입니다. 마치 시험 볼 때 책을 찾아보고 답안을 작성하는 것처럼, LLM이 외부 참고 자료를 찾아보고 답을 만드는 거죠.

3. AI 에이전트 (AI Agents)

AI 에이전트는 사용자를 대신하여 목표를 추구하고 작업을 완료하기 위해 AI를 사용하는 자율적인 시스템을 말합니다. 에이전트는 환경을 ‘관찰’하고, ‘추론’하여 행동을 ‘결정’하고, 실제로 ‘행동’하며 이 과정을 반복해요. 도구를 호출하거나, 코드를 작성하고, 인터넷을 검색하며, 기억을 저장하고, 심지어 다른 에이전트에게 작업을 위임하는 등 다양한 자율성을 가지고 복잡한 작업을 수행할 수 있습니다.

⚡ Justine’s Reality Check

MCP에 대한 현실 점검

많은 사람들이 MCP를 특정 기술이나 도구 자체로 오해하지만, 이건 LLM이 외부 시스템과 ‘어떻게 연결하고 소통할지’에 대한 ‘표준화된 규칙’에 더 가깝습니다. 단순히 도구 목록이 아니라, 도구를 효과적으로 사용하기 위한 ‘연결 규약’이에요. 이 점을 놓치면, LLM의 진정한 확장성과 유연성을 이해하기 어렵습니다. MCP는 LLM이 라이브 데이터에 접근하고 작업을 수행할 수 있도록 돕습니다.

RAG에 대한 현실 점검

RAG는 외부 정보를 가져와 LLM의 답변을 풍부하게 하지만, 가져오는 정보가 항상 100% 정확하거나 최신이 아닐 수도 있다는 점을 명심해야 해요. 잘못된 정보를 가져오면 LLM도 잘못된 답변을 할 수 있습니다. 검색된 정보의 ‘품질’과 ‘관련성’이 답변의 정확성에 결정적인 영향을 미치기 때문에, 단순히 정보를 ‘찾아준다’고 해서 모든 문제가 해결되는 것은 아니라는 걸 기억해야 합니다. 또한, RAG는 주로 비정형 데이터(문서 등)의 검색에 강점을 보입니다.

AI 에이전트에 대한 현실 점검

AI 에이전트는 자율적으로 작동하지만, ‘명확한 목표 정의’와 ‘명확한 제약 조건 설정’이 없다면 예상치 못한 방향으로 가거나 비효율적인 행동을 할 수 있습니다. 에이전트가 완벽하게 알아서 모든 것을 해줄 것이라는 기대는 위험합니다. 사용자의 명확한 지침과 지속적인 모니터링이 없다면 엉뚱한 결과를 내거나, 안전하지 않은 행동을 할 수도 있어요. 에이전트는 목표를 설정하고 이를 달성하기 위해 능동적으로 행동합니다.

💪 Action Item

오늘 배운 MCP, RAG, AI 에이전트의 개념을 생각하며, 여러분이 일상에서 사용하는 AI 서비스나 앱(예: 챗봇, 이미지 생성기, 번역 앱, 스마트 비서 등)이 이 세 가지 중 어떤 방식으로 작동하는지, 또는 어떤 원리를 활용할 수 있을지 친구에게 설명해보세요! 남에게 설명할 수 있다면, 여러분은 진짜로 이 개념들을 이해한 거예요!