클로드 코드(Claude Code)는 파일을 읽고, GitHub를 검색하고, 외부 도구까지 실행한다. 이 연결 뒤에는 MCP(Model Context Protocol)라는 표준이 있다.
MCP는 앤트로픽(Anthropic)이 공개한 오픈 프로토콜로, AI 모델과 외부 시스템 연결 방식을 표준화한다. 파일 시스템·데이터베이스·웹 서비스 같은 외부 도구를 AI와 연결할 때 공통 인터페이스 역할을 한다.
클로드 코드를 쓰다 보면 클로드 MCP를 통해 AI가 어떻게 내 파일을 읽고 GitHub까지 검색하는지 궁금해질 때가 있다. 구조를 이해하고 나면 단순한 챗봇이 아니라, 실제 도구를 실행하는 실행 계층으로 보이기 시작한다.
AI 모델 한계와 MCP 연결 구조
![AI 모델이 외부 도구와 연결되는 MCP 클라이언트-서버 흐름]](https://datainclude.me/wp-content/uploads/2026/05/section-1-11-1024x538.webp "클로드 코드로 이해하는 클로드 MCP 구조와 외부 도구 연결 방식 2")
훈련 데이터 밖을 못 보는 AI 모델
AI 모델은 기본적으로 학습이 끝난 시점까지의 정보만 안다. 오늘 내 폴더에 어떤 파일이 추가됐는지, 회사 데이터베이스에 어떤 기록이 쌓였는지는 직접 알 수 없다.
질문에 답할 수는 있어도, 지금 이 순간의 상태를 실시간으로 읽어오는 것은 다른 문제다. 이 한계를 넘으려면 외부 시스템과 연결되는 구조가 필요하다.
문제는 모델마다 연결 방식이 전부 달랐다는 점이다. 개발자는 OpenAI용 연동 코드를 만들고, Claude용 코드를 다시 만들고, Gemini용 코드까지 따로 구현해야 했다. MCP는 이런 연결 문제를 표준화하기 위해 등장했다. (출처)비유하면 ‘AI 세계의 USB-C’다. USB-C가 기기 종류에 상관없이 하나의 케이블로 연결을 해결하듯, MCP는 AI 모델과 외부 도구 사이의 연결 방식을 하나의 표준으로 통일한다.
호스트·클라이언트·서버로 연결되는 흐름
MCP는 크게 세 계층으로 구성된다.
- 호스트(Host)
- 클라이언트(Client)
- 서버(Server)
호스트는 클로드 코드(Claude Code)나 클로드 데스크탑(Claude Desktop)처럼 AI가 실행되는 환경이다. 클라이언트는 호스트 내부에서 MCP 서버와 통신을 담당한다. 서버는 파일 시스템, GitHub, Slack 같은 외부 도구를 MCP 형식으로 노출한다.
동작 흐름은 단순하다.
클로드가 파일을 읽어야 한다고 판단하면 클라이언트가 MCP 서버에 요청을 보낸다. 서버는 실제 파일 시스템에 접근해서 결과를 반환한다. 이후 클로드는 반환된 내용을 기반으로 답변하거나 다음 작업을 수행한다.
중요한 점은 모든 서버가 같은 프로토콜을 사용한다는 점이다. GitHub든 Slack이든 연결 방식 자체는 동일하다. 이 표준화 덕분에 AI 도구 생태계가 빠르게 확장되기 시작했다.
Function Calling과 MCP가 하는 일
클로드 MCP를 처음 접하면 function calling과의 차이가 헷갈리기 쉽다. 하지만 둘은 경쟁 관계가 아니다.
Function calling은 모델이 어떤 도구를 사용할지 결정하는 기능이다. 예를 들어 “파일을 읽어야겠다” 또는 “API를 호출해야겠다” 같은 판단을 내리는 역할이다.
반면 MCP는 그 도구를 어떻게 찾고 연결할지를 표준화한다.
- Function Calling → 무엇을 실행할지 결정
- MCP → 외부 도구 연결 방식 표준화
즉, function calling이 실행 판단 계층이라면 MCP는 외부 시스템 연결 계층에 가깝다. 두 개가 함께 동작해야 AI가 실제 도구를 사용할 수 있다.
MCP 등장 이전의 AI 연동 방식
모델마다 따로 만들어야 했던 연동 코드
MCP가 등장하기 전에는 AI 모델과 외부 도구를 연결하는 공통 표준이 없었다.
OpenAI 기반으로 만든 연동 코드는 Claude에서 그대로 사용할 수 없었다. Gemini를 붙이려면 또 다른 방식으로 구현해야 했다. 모델이 바뀔 때마다 연결 코드도 다시 작성해야 했다.
이 문제는 실제 서비스 개발에서 꽤 큰 부담이었다.
외부 도구 하나를 추가할 때마다 통합 비용이 늘어났고, 모델 변경 비용도 계속 커졌다. AI 모델 자체보다 연결 구조 유지 비용이 더 커지는 경우도 많았다.
업계 전반의 MCP 표준 채택 흐름
앤트로픽이 MCP를 오픈소스로 공개한 이후 분위기가 달라지기 시작했다.
IBM, 구글 클라우드 (Google Cloud), 데이터브릭스(Databricks) 같은 업체들도 MCP 호환성과 연동 지원 흐름에 합류하기 시작했다. AI 모델이 달라도 동일한 방식으로 외부 도구를 연결할 수 있다는 점이 주목받기 시작한 것이다.
현재는 수백 개 이상의 MCP 서버가 공개되어 있다.
GitHub, Slack, Cloudflare 같은 서비스들은 공식 MCP 서버를 직접 제공하거나 관련 생태계에 참여하고 있다. 개발자는 필요한 서버를 가져와 연결만 하면 된다.
MCP 서버 하나로 여러 AI 모델과 연결할 수 있다는 점이 MCP 확산 속도를 크게 높였다.
클로드 코드 MCP 연결 방법
claude mcp add 한 줄로 서버 연결
클로드 MCP 서버를 연결하는 가장 기본적인 방법은 claude mcp add 명령어다.
claude mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem /Users/me/projects이 명령은 파일 시스템 MCP 서버를 등록한다.
filesystem→ 서버 이름npx -y @modelcontextprotocol/server-filesystem→ 실행 명령/Users/me/projects→ 접근 허용 경로
이후 클로드 코드는 파일을 읽거나 수정할 때 해당 MCP 서버를 통해 요청을 처리한다.
공식 MCP 서버 대부분은 npx 기반으로 제공되기 때문에 별도 설치 없이 바로 실행할 수 있다.
글로벌 설정과 프로젝트별 설정의 차이
claude mcp add로 등록한 서버는 기본적으로 글로벌 설정에 저장된다.
설정 파일 위치는 다음과 같다.
~/.claude/settings.json여기에 등록된 서버는 모든 프로젝트에서 공통으로 사용할 수 있다.
반면 프로젝트별로 다른 MCP 서버를 사용하고 싶다면 프로젝트 루트 아래의 .claude/settings.json을 사용한다.
project-root/.claude/settings.json프로젝트 설정은 글로벌 설정보다 우선 적용된다.
실무에서는 민감한 데이터 접근 권한을 프로젝트 단위로 제한하는 경우가 많다. 특히 파일 시스템이나 데이터베이스 서버는 글로벌 설정으로 넓게 열기보다 프로젝트 단위로 제한하는 편이 안전하다.
초기 MCP 연결 과정의 주요 오류 사례
MCP 서버를 등록했는데 클로드 코드가 도구를 찾지 못하는 경우가 종종 있다. 대부분은 경로 문제다.
가장 먼저 확인해야 하는 것은 절대경로다. /Users/me/projects처럼 실제 존재하는 경로를 넘겨야 한다. 상대경로를 사용하면 서버가 정상 동작하지 않는 경우가 많다.
Node.js 기반 MCP 서버는 npx가 필요하다. Node.js가 설치되어 있지 않으면 서버 자체가 실행되지 않는다.
현재 등록된 서버 목록은 다음 명령으로 확인할 수 있다.
claude mcp list특정 서버 상태 확인은 아래 명령을 사용한다.
claude mcp get <서버명>권한 문제도 자주 발생한다. 파일 시스템 서버에 너무 넓은 범위를 허용하면 클로드 코드가 경고를 표시한다. MCP 서버는 필요한 경로만 최소 범위로 제한하는 방식이 일반적이다.
RAG, 에이전트와 MCP의 관계
RAG(Retrieval-Augmented Generation)는 질문과 관련된 문서를 검색해서 모델에 전달하는 구조다. 검색 중심 구조에 가깝다. 반면 MCP는 외부 시스템 자체를 직접 실행한다.
- RAG → 관련 정보를 검색해서 전달
- MCP → 외부 도구를 직접 실행 (파일 읽기, GitHub 검색, API 호출, 데이터베이스 조회, 코드 실행)
AI 에이전트 구조에서는 MCP가 실행 계층 역할을 맡는다.
에이전트가 목표를 세우고 작업 순서를 계획하면, 실제 파일 접근, API 호출, 도구 실행 단계에서 MCP 서버가 동작한다. 에이전트가 복잡해질수록 연결되는 MCP 서버 수도 함께 늘어난다.
AI와 외부 시스템 연결의 시작점, MCP
MCP는 AI 모델이 훈련 데이터 밖을 보지 못하는 한계를 넘기 위해 나온 오픈 표준이다. 호스트, 클라이언트, 서버 세 계층이 표준 프로토콜로 연결되고, 어떤 AI 모델이든 같은 방식으로 외부 도구를 연결할 수 있다. IBM, 구글, 데이터브릭스가 잇따라 채택한 것도 그 단순함 때문이다.
클로드 코드에서는 claude mcp add 한 줄로 시작한다. 서버 하나를 붙이고 나면 AI가 파일을 읽고, API를 호출하고, 결과를 다음 작업으로 넘기는 실행 계층이 된다. RAG가 정보를 검색해서 전달한다면, MCP는 도구를 직접 실행한다는 점에서 에이전트 구조의 핵심 레이어다.