전체 글
AFFiNE
Toeverything·게시일 2026년 8월 19일
문서와 화이트보드가 MCP 포트를 거쳐 AI 어시스턴트와 연결되는 그림

MCP란? MCP 서버의 개념·작동 원리·사용법 총정리

핵심 요약

  • MCP(모델 컨텍스트 프로토콜, Model Context Protocol)는 AI 어시스턴트를 외부 도구·데이터와 연결하는 오픈 표준입니다. Anthropic이 2024년 11월에 공개했고, 지금은 Claude·ChatGPT·Cursor 등 주요 AI 도구 대부분이 지원합니다.
  • MCP 서버는 특정 도구나 데이터 소스를 MCP 방식으로 공개하는 작은 프로그램입니다. 서버를 한 번만 만들어 두면 어떤 AI 클라이언트든 같은 방식으로 연결됩니다.
  • MCP는 API를 대체하지 않습니다. 기존 API를 AI가 스스로 발견해 안전하게 호출할 수 있는 형태로 감싸는 표준 계층이며, RAG와도 역할이 다릅니다.
  • 코딩 없이도 시작할 수 있습니다. AFFiNE의 내장 MCP 서버라면 설정 화면에서 자격 증명을 발급해 붙여넣기만 하면, AI가 내 문서와 화이트보드를 검색합니다.

AI 어시스턴트의 공통 약점은 분명합니다. 추론은 잘하는데, 정작 일이 놓여 있는 곳, 그러니까 노트·코드·업무 도구에는 손이 닿지 않는다는 점입니다. 그 간극을 메우는 것이 MCP 서버입니다. 이 글에서는 MCP의 뜻과 작동 원리, API·RAG와의 차이, 그리고 5분 만에 내 워크스페이스를 연결하는 방법까지 차례로 정리합니다.

MCP란 무엇인가?

MCP는 모델 컨텍스트 프로토콜(Model Context Protocol)의 약자로, AI 모델이 외부 도구와 데이터에 접근하기 위한 오픈 표준입니다. Anthropic이 2024년 11월에 오픈소스로 공개했고, 2025년 3월에는 OpenAI가, 몇 주 뒤에는 Google이 지원을 발표했습니다. 2026년 현재 Claude, ChatGPT, Cursor, Cline 등 주요 AI 앱 대부분이 MCP 클라이언트를 내장하고 있습니다.

MCP가 푸는 문제는 이른바 「N×M 문제」입니다. AI 앱 5개를 도구 6개와 연동하려면 예전에는 30개의 개별 연동을 만들어야 했습니다. 인증도, 데이터 형식도, 오류 처리도 조합마다 제각각이었습니다. 공통 프로토콜이 있으면 AI 앱은 MCP 클라이언트를 한 번, 도구 쪽은 MCP 서버를 한 번만 구현하면 모든 조합이 동작합니다. 연동 작업이 N×M개에서 N+M개로 줄어드는 셈입니다.

그래서 업계는 MCP를 「AI의 USB-C 포트」라고 부릅니다. 연결 단자의 규격을 하나로 통일해서, 무엇을 꽂아도 동작하게 만든다는 발상입니다. 기술적으로는 JSON-RPC 메시지를 두 가지 방식으로 전달할 뿐입니다. 내 컴퓨터에서 도는 로컬 서버는 stdio를, 원격 서버는 Streamable HTTP를 사용합니다.

MCP 서버란?

MCP 서버는 AI 앱에 세 종류의 능력을 공개하는 프로그램입니다.

  • 도구(tools): 모델이 호출할 수 있는 동작. 문서 검색, 이슈 생성, 데이터베이스 조회 등. 입출력 형식이 미리 선언되어 있어 모델이 정확한 형태로 호출합니다.
  • 리소스(resources): 앱이 맥락으로 읽어 들일 수 있는 데이터. 파일, 문서, 스키마 등.
  • 프롬프트(prompts): 서버가 제공하는 재사용 가능한 템플릿.

서버 규모는 다양합니다. 사내 API 하나를 감싼 백 줄짜리도 있고, GitHub MCP 서버처럼 저장소·이슈·풀 리퀘스트에 걸친 수십 개의 도구를 공개하는 것도 있습니다. 에디터 옆에서 로컬로 도는 서버도 있고, AFFiNE의 내장 MCP 서버처럼 제품 자체에 들어 있어 설치할 것이 없는 형태도 있습니다.

핵심은 하나입니다. MCP 서버는 챗봇 플러그인이 아니라 인프라입니다. 지금 쓰는 AI 앱과 데이터를 가진 시스템 사이의, 형식이 정해진 안정적인 계약입니다. 내년에 어시스턴트를 바꿔도 서버는 그대로 동작합니다.

작동 원리: 호스트·클라이언트·서버

어시스턴트가 MCP 서버를 쓰는 흐름은 네 단계입니다.

  1. 호스트 앱이 세션을 시작합니다. 호스트는 사용자가 조작하는 AI 앱(Claude Desktop, Claude Code, Cursor 등)이고, 설정된 서버마다 MCP 클라이언트를 하나씩 띄웁니다.
  2. 능력을 동적으로 발견합니다. 접속 시 클라이언트가 서버에 어떤 도구·리소스·프롬프트가 있는지 묻습니다. 모델이 보는 것은 살아 있는 목록이지, 하드코딩된 낡은 연동이 아닙니다.
  3. 모델이 도구를 호출합니다. 「온보딩 체크리스트 찾아줘」처럼 외부 맥락이 필요해지면 모델이 도구를 고르고 형식에 맞는 인자를 보냅니다. 실제 검색이나 API 조회는 서버의 몫입니다.
  4. 결과가 답변의 근거가 됩니다. 서버가 구조화된 결과를 돌려주면, 모델은 추측이 아니라 실제 데이터에 기반해 답합니다.
AI 호스트가 MCP 클라이언트와 서버를 거쳐 도구 및 데이터 엔드포인트에 연결되는 흐름
MCP는 AI에 하나의 표준 연결 방식을 제공하면서 서버별 도구와 데이터 경계를 유지합니다.

MCP 활용 사례

현재 자리 잡은 사용법은 크게 다섯 가지입니다.

  • 실제 프로젝트를 보면서 하는 코딩: GitHub, Playwright, Chrome DevTools 서버로 에이전트가 이슈를 읽고, 브라우저를 조작해 테스트하고, 실제 페이지를 검사합니다.
  • 내 지식 검색: 노트나 팀 위키를 연결하면 팀이 실제로 쓴 내용에서 답이 나옵니다. AFFiNE MCP는 검색 범위에 화이트보드까지 포함되어, 「그 아키텍처 그림 어디 있었지?」라는 질문에도 캔버스 텍스트에서 답을 찾아줍니다.
  • 디자인에서 코드로: Figma MCP 서버는 스크린샷이 아니라 실제 디자인 데이터를 에이전트에 넘깁니다.
  • 업무 도구 연동: Slack, Sentry 서버가 대표적이고, 노션 MCP를 연결하면 페이지·데이터베이스도 조회 대상이 됩니다.
  • 자동화 허브: n8n 같은 워크플로 도구를 연결하면 그 뒤에 붙은 수백 개 앱을 MCP 접점 하나로 다룹니다.

MCP가 필요한지 판단하는 기준은 간단합니다. AI 채팅에 무언가를 복사해 붙여넣는 빈도를 세어 보세요. 반복해서 붙여넣는 내용이 곧 서버 후보입니다.

대표적인 MCP 서버

서버연결 대상대표적인 사용법
GitHub저장소·이슈·PR「bug 라벨 이슈 요약해줘」
Playwright실제 브라우저E2E 테스트, 폼 자동화
Figma디자인 파일디자인과 일치하는 UI 코드 생성
Slack채널·스레드「지난주 결정 사항 정리해줘」
Notion페이지·데이터베이스페이지 검색·요약(공식 서버는 호스팅형)
Obsidian(커뮤니티)로컬 볼트내 마크다운 노트 검색(데스크톱 앱 실행 필요)
AFFiNE문서+화이트보드캔버스까지 포함한 지식 베이스 의미 검색(추가 요금 없음)

2025년 하반기에 공식 레지스트리가 프리뷰로 열렸고, 커뮤니티 디렉터리에도 수천 개의 서버가 올라와 있습니다. 원하는 연동은 대개 이미 존재합니다.

API·RAG와의 차이

한 줄 정의호출 주체필요한 상황
API서비스별 프로그래밍 창구개발자가 작성한 코드특정 서비스와 연동하는 소프트웨어를 만들 때
MCPAI 앱 공통 연결 표준AI 어시스턴트어떤 AI에서든 도구를 쓰게 하고 싶을 때
RAG생성 전에 관련 문서를 찾는 기법앱 내부 로직내 문서에 근거한 답변이 필요할 때

MCP는 API의 대체재가 아닙니다. 많은 MCP 서버가 기존 API의 얇은 래퍼이고, 차이는 「소비자」입니다. API는 인간 개발자용, MCP는 모델이 스스로 발견해 안전하게 호출할 수 있는 형태입니다. RAG와도 다릅니다. RAG는 한 앱이 답변 전에 문서를 가져오는 기법이고, MCP는 모든 앱이 외부 시스템에 닿기 위한 통로입니다. 둘은 자연스럽게 결합합니다. AFFiNE의 검색 도구는 키워드 검색과 의미 검색을 겸하고, 이를 MCP로 제공하므로 연결된 모든 어시스턴트가 같은 검색 기반을 공유합니다.

MCP 사용법: 5분 만에 내 워크스페이스 연결하기

MCP를 이해하는 가장 빠른 길은 내가 잘 아는 데이터를 연결해 보는 것입니다. AFFiNE은 MCP 서버가 내장되어 있어 절차가 짧습니다.

  1. 자격 증명 만들기: AFFiNE에서 「설정 → Integrations → MCP Server」로 이동해 「Create credential」을 누릅니다. 연결할 클라이언트 이름(Claude Code, Cursor 등)을 라벨로 적습니다. 접근 권한은 기본값이 읽기 전용이고, 유효 기간도 직접 정합니다.
  2. 설정 복사: 토큰은 한 번만 표시되며, 옆의 「Copy JSON」 버튼이 엔드포인트 URL과 인증 헤더가 포함된 완전한 MCP 설정을 만들어 줍니다.
  3. 클라이언트에 붙여넣기: Claude Code는 CLI 명령 한 줄, Cursor는 ~/.cursor/mcp.json에 그대로 붙여넣으면 됩니다. Streamable HTTP를 지원하는 클라이언트라면 모두 같은 요령입니다.
  4. 실제 질문하기: 「워크스페이스에서 3분기 출시 체크리스트 찾아서 미완료 항목 정리해줘」. 어시스턴트가 문서와 화이트보드 양쪽에서 키워드+의미 검색을 실행하고, 권한 범위 안에서 문서 본문(마크다운)을 읽어 실제 노트에 근거해 답합니다.

MCP 서버 사용에 추가 요금은 없습니다. AFFiNE Cloud에서도, AI 기능을 켠 셀프호스팅 환경에서도 동일하게 동작합니다. 현재는 검색과 읽기가 중심이고, 쓰기 도구는 단계적으로 제공 중입니다.

최소한의 보안 수칙

MCP 연결은 AI에 데이터 접근 권한을 주는 일이므로, 다음 네 가지는 처음부터 지키는 것이 좋습니다.

  • 자격 증명 범위 좁히기: 연결은 워크스페이스 하나, 내 권한 범위로 한정합니다. 쓰기가 꼭 필요해지기 전까지는 읽기 전용을 유지합니다(AFFiNE은 읽기 전용이 기본값입니다).
  • 클라이언트별 발급과 유효 기간 설정: 자격 증명을 클라이언트마다 하나씩 발급하고 만료 기한을 정해 두면, 노트북 한 대가 유출돼도 그 자격 증명 하나만 폐기하면 됩니다.
  • 가져온 내용을 그대로 믿지 않기: 서버가 돌려주는 문서에는 모델을 조종하려는 텍스트(프롬프트 인젝션)가 섞일 수 있습니다. 중요한 작업 전 확인 절차는 끄지 마세요.
  • 공식 서버 우선: 제품이 직접 유지하는 서버는 그 제품의 인증·권한 모델을 그대로 물려받습니다. 커뮤니티 서버는 연결 전에 접근 범위를 확인하세요.

자주 묻는 질문

MCP는 무엇의 약자인가요?

모델 컨텍스트 프로토콜(Model Context Protocol)의 약자입니다. Anthropic이 2024년 11월 공개한, AI 모델과 외부 도구·데이터를 연결하는 오픈 표준으로, 현재 Claude뿐 아니라 ChatGPT·Cursor 등 주요 AI 도구가 폭넓게 지원합니다.

MCP 서버란 쉽게 말해 무엇인가요?

AI 어시스턴트가 외부 도구나 데이터를 쓸 수 있게 해 주는 연결 프로그램입니다. 앱과 도구의 조합마다 개별 연동을 만드는 대신, 양쪽이 MCP라는 공통 규격으로 대화합니다. USB-C처럼 규격만 맞으면 무엇이든 꽂아 쓰는 식입니다.

MCP는 무료인가요?

프로토콜 자체는 오픈소스라 무료로 구현하고 사용할 수 있습니다. 공식 서버 대부분도 기존 계정만 있으면 무료로 연결됩니다. 예를 들어 AFFiNE 내장 MCP 서버는 AFFiNE Cloud에서도, AI 기능을 켠 셀프호스팅에서도 추가 비용 없이 동작합니다.

MCP 서버는 어떻게 만드나요?

Python·TypeScript 등 공식 SDK로 도구 함수를 선언하면 기본 골격은 백 줄 안팎이면 충분합니다. 다만 대부분의 경우 직접 만들 필요가 없습니다. 공식 레지스트리와 커뮤니티 디렉터리에 수천 개의 서버가 이미 있고, 내 노트를 연결하는 용도라면 AFFiNE처럼 서버가 내장된 제품을 쓰는 편이 빠릅니다.

ChatGPT도 MCP를 지원하나요?

지원합니다. 2025년부터 ChatGPT는 커넥터로 원격 MCP 서버에 연결할 수 있고, 개발자 모드에서는 도구 전체 사용도 가능합니다. Claude·Claude Code·Cursor·Cline도 지원하므로, 서버 하나를 여러 어시스턴트가 공유하게 됩니다.

노션 MCP와 AFFiNE MCP는 무엇이 다른가요?

노션의 현행 공식 서버는 호스팅 전용이고(이전의 오픈소스 서버는 지원이 종료됐습니다), 페이지·데이터베이스 중심입니다. AFFiNE의 내장 서버는 문서와 함께 화이트보드 캔버스의 텍스트까지 검색 대상으로 삼고, 셀프호스팅 환경에서도 동일하게 동작한다는 점이 다릅니다. 시각 자료가 많은 팀이라면 이 차이가 큽니다.

마무리

MCP 덕분에 「이 AI가 우리 데이터를 볼 수 있나?」라는 질문은 제품 로드맵의 문제에서 설정 화면의 체크박스 문제로 바뀌었습니다. 표준은 정해졌고 클라이언트는 이미 곳곳에 있습니다. 남은 일은 무엇을 연결할지 정하는 것뿐입니다. 팀의 결정이 문서와 화이트보드에 잠들어 있다면, 지식 베이스를 AI에 연결해 보는 것이 가장 빠릅니다.