AI 에이전트 확장 도구 이해하기 (3/3): MCP vs Skills의 전략적 선택
· 약 7분
1편에서는 AI를 돕는 4가지 도구를 알아봤고, 2편에서는 Skills를 깊이 파봤어요. 오늘은 좀 더 큰 그림을 볼 거예요: MCP의 토큰 문제가 얼마나 심각한지, Anthropic은 왜 MCP를 Linux Foundation에 기부했는지, 그리고 우리는 뭘 배워야 할지 알아봅니다.
MCP 토큰 문제: 얼마나 심각해?
2편에서 MCP가 가방을 무겁게 만든다고 했죠? 실제 숫자를 볼게요.
실제 측정 결과
| 상황 | 토큰 소모 | 비유 |
|---|---|---|
| "안녕"이라고만 말함 | 46,000+ | 편지 한 장 쓰려고 백과사전 들고 다님 |
| "회의 노트 요약해줘" | 240,000+ | 메모 하나 보려고 도서관 전체를 가방에 |
| 일반적인 MCP 연결 | 50,000+ | 시작도 전에 가방이 반쯤 참 |
+------------------------------------------------------------------+
| |
| MCP Token Problem - Real Numbers |
| |
| Your AI's backpack can hold: [====================] 100,000 |
| |
| After connecting MCP tools: |
| |
| [################====] Already 80% full! |
| ^ ^ |
| | | |
| Tool manuals Room left for |
| (50,000+) actual work |
| |
| Problem: Where do you put the actual task? |
| |
+------------------------------------------------------------------+
왜 이런 일이 생길까?
MCP는 연결할 수 있는 모든 도구의 설명서를 미리 가방에 넣어요.
캘린더, 드라이브, 슬랙, 이메일, 데이터베이스... 각각 수백 페이지의 설명서가 있다고 생각해보세요. 10개만 연결해도 설명서만 수천 페이지!
+------------------------------------------------------------------+
| |
| Why MCP Uses So Many Tokens |
| |
| You connect 10 MCP servers: |
| |
| [Calendar] -> 500 tokens (tool descriptions) |
| [Drive] -> 800 tokens |
| [Slack] -> 600 tokens |
| [Email] -> 400 tokens |
| [Database] -> 1,200 tokens |
| [GitHub] -> 2,000 tokens |
| [Notion] -> 700 tokens |
| [Jira] -> 900 tokens |
| [Figma] -> 500 tokens |
| [Stripe] -> 600 tokens |
| ───────────── |
| TOTAL: 8,200 tokens BEFORE you even ask anything! |
| |
| And this is a SMALL example... |
| Real enterprise setups: 50,000 - 100,000+ tokens |
| |
+------------------------------------------------------------------+
해결책들이 나오고 있어요
Anthropic도 이 문제를 알고 있어요. 그래서 해결책을 만들었어요:
| 해결책 | 설명 | 효과 |
|---|---|---|
| Tool Search | 모든 도구 대신, 필요한 도구만 검색해서 로드 | 토큰 37% 감소 |
| Programmatic Tool Calling | AI가 코드를 짜서 도구를 효율적으로 호출 | 중간 결과 토큰 절약 |
하지만 이건 "반창고"예요. 근본적인 해결은 아니죠.
MCP를 Linux Foundation에 기부한 이유
2025년 12월, 큰 뉴스가 있었어요.
Anthropic이 MCP를 Linux Foundation에 기부했습니다.
Linux Foundation은 Linux, Kubernetes, Node.js 같은 유명한 오픈소스 프로젝트를 관리하는 비영리 단체예요.
같이 참여한 회사들
+------------------------------------------------------------------+
| |
| Agentic AI Foundation (AAIF) |
| Under Linux Foundation |
| |
| +-- Founders ------------------------------------+ |
| | | |
| | Anthropic + OpenAI + Block | |
| | (donated MCP) (donated (donated | |
| | AGENTS.md) Goose) | |
| +------------------------------------------------+ |
| |
| +-- Supporters ----------------------------------+ |
| | | |
| | Google Microsoft AWS Cloudflare | |
| | Bloomberg | |
| +------------------------------------------------+ |
| |
+------------------------------------------------------------------+
Anthropic, OpenAI, Google, Microsoft, AWS... 경쟁사들이 다 모였어요!
MCP의 성과 (기부 전)
| 지표 | 숫자 |
|---|---|
| 공개 MCP 서버 | 10,000개+ |
| 월간 SDK 다운로드 | 9,700만+ |
| 채택한 제품 | ChatGPT, Cursor, Gemini, VS Code 등 |
엄청난 성공이죠?
그런데 왜 기부했을까?
여기서 재미있는 질문이 나와요:
"이렇게 성공했는데, 왜 남한테 줬어?"
Anthropic의 진짜 전략은?
두 가지 해석이 가능해요.
해석 1: "너무 커져서 나눠 관리하자" (공식 입장)
+------------------------------------------------------------------+
| |
| Official Story |
| |
| "MCP is too successful for one company to manage" |
| "Neutral governance is better for the ecosystem" |
| "Linux Foundation has decades of experience" |
| |
| Translation: "We're being generous for everyone's benefit" |
| |
+------------------------------------------------------------------+
해석 2: "문제는 커뮤니티가 해결해" (현실적 해석)
+------------------------------------------------------------------+
| |
| Realistic Interpretation |
| |
| MCP Problem: Token explosion, complex setup |
| |
| Anthropic's move: |
| - Donate MCP -> Community handles the problems |
| - Focus on Skills -> Our platform advantage |
| |
| School Analogy: |
| +--------------------------------------------------+ |
| | | |
| | MCP = School Library | |
| | "We built it, but now the city manages it" | |
| | -> Everyone shares maintenance burden | |
| | | |
| | Skills = Our Class's Special Study Method | |
| | "This is what WE teach best" | |
| | -> Our competitive advantage | |
| | | |
| +--------------------------------------------------+ |
| |
+------------------------------------------------------------------+
내 생각: 둘 다 맞아요
솔직히, 둘 다 사실인 것 같아요.
| 관점 | 사실인가? |
|---|---|
| MCP가 성공해서 중립 관리가 필요 | ✅ 맞음 |
| MCP 토큰 문제가 골치 아픔 | ✅ 맞음 |
| Skills에 더 집중하고 싶음 | ✅ 아마도 |
| 유지보수 부담 분산 | ✅ 부분적으로 |
큰 그림: 누가 뭘 담당하나?
이제 AI 에이전트 세계의 역할 분담이 명확해졌어요.
+------------------------------------------------------------------+
| |
| AI Agent Ecosystem - Who Does What? |
| |
| +-- AAIF (Linux Foundation) ---------------------------+ |
| | | |
| | MCP AGENTS.md Goose | |
| | (Connect) (Instructions) (Open Agent) | |
| | | |
| | = Industry Infrastructure (everyone shares) | |
| +------------------------------------------------------+ |
| |
| +-- Individual Companies ------------------------------+ |
| | | |
| | Anthropic: Skills + Claude (competitive edge) | |
| | OpenAI: GPT + Custom Instructions | |
| | Google: Gemini + Agent Development Kit | |
| | | |
| | = Company-specific Advantages | |
| +------------------------------------------------------+ |
| |
+------------------------------------------------------------------+
비유: 도로와 자동차
- MCP = 도로 (모두가 공유하는 인프라)
- Skills = 자동차 브랜드별 특수 기능 (각 회사의 차별점)
도로는 정부(Linux Foundation)가 관리하고, 자동차 회사들은 각자의 차를 더 좋게 만드는 데 집중해요.
LangGraph, Deep Agents... 배워야 할까?
여기서 많이들 궁금해하는 질문:
"LangChain, LangGraph, Deep Agents 같은 것도 배워야 하나요?"
먼저, 이것들이 뭔지 알아보자
+------------------------------------------------------------------+
| |
| LangChain Ecosystem - Building Blocks |
| |
| +-- LangGraph (Runtime) ------------------------+ |
| | How AI thinks and makes decisions | |
| | Like: Brain's decision-making process | |
| +-----------------------------------------------+ |
| ^ |
| | |
| +-- LangChain (Framework) ----------------------+ |
| | Tools and patterns for building AI apps | |
| | Like: Toolbox with many useful tools | |
| +-----------------------------------------------+ |
| ^ |
| | |
| +-- Deep Agents (Harness) ----------------------+ |
| | Ready-to-use AI assistant (like Claude) | |
| | Like: Pre-built robot, just turn it on | |
| +-----------------------------------------------+ |
| |
+------------------------------------------------------------------+
선택 가이드
| 당신의 상황 | 추천 |
|---|---|
| Claude를 주로 쓸 예정 | Skills + Claude Agent SDK 집중 |
| 여러 AI 모델을 섞어 쓸 예정 | LangGraph 배워두면 좋음 |
| 복잡한 워크플로우가 많음 | LangGraph 강점 |
| 빨리 뭔가 만들고 싶음 | Skills로 시작 |
| 데이터 검색/분석이 주 업무 | LangChain 좋음 |
내 권장: 우선순위를 정하세요
+------------------------------------------------------------------+
| |
| Learning Priority (If you use Claude mainly) |
| |
| +-- Priority 1: HIGH ------------------------------------+ |
| | | |
| | Skills | |
| | - Token efficient | |
| | - Works across platforms (Cursor, VS Code, etc.) | |
| | - Easy to create (just markdown!) | |
| | | |
| +--------------------------------------------------------+ |
| |
| +-- Priority 2: MEDIUM ----------------------------------+ |
| | | |
| | LangGraph Concepts (not deep dive) | |
| | - Understand state machines | |
| | - Graph-based workflows | |
| | - Useful knowledge everywhere | |
| | | |
| +--------------------------------------------------------+ |
| |
| +-- Priority 3: WAIT AND SEE ----------------------------+ |
| | | |
| | Deep Agents | |
| | - Still early stage | |
| | - "Claude Code clone" concept | |
| | - Check back in 6 months | |
| | | |
| +--------------------------------------------------------+ |
| |
+------------------------------------------------------------------+
실전 가이드: 뭘 언제 쓸까?
의사결정 플로우차트
+------------------------------------------------------------------+
| |
| "What should I learn/use?" Final Decision |
| |
| START |
| | |
| v |
| +---------------------------+ |
| | Do you need to connect to | |
| | external systems? | |
| | (DB, API, Calendar, etc.) | |
| +-------------+-------------+ |
| | |
| YES | NO |
| | | | |
| v | v |
| Use MCP | +------------------------+ |
| (but minimize) | | Teaching AI "how to" | |
| | | | do something? | |
| | | +-----------+------------+ |
| | | | |
| | | YES | NO |
| | | | | | |
| v | v | v |
| +----------+ | +---------+ | Just chat with AI |
| |Combine: | | | Skills | | No special tools |
| |MCP for | | +---------+ | needed |
| |connect + | | | |
| |Skills for| | | |
| |knowledge | | | |
| +----------+ | | |
| |
+------------------------------------------------------------------+
조합 예시
| 하고 싶은 일 | 조합 |
|---|---|
| 캘린더 보고 회의 요약하기 | MCP(캘린더 연결) + Skills(요약 방법) |
| 초대장 잘 쓰는 법 가르치기 | Skills만 |
| 매주 보고서 자동 생성 | MCP(데이터 가져오기) + Skills(보고서 형식) + Subagent(병렬 처리) |
| 코드 리뷰 자동화 | Skills(리뷰 기준) |
핵심 원칙
+------------------------------------------------------------------+
| |
| Golden Rules |
| |
| 1. "Knowledge" -> Skills |
| (How to do something, best practices, templates) |
| |
| 2. "Connection" -> MCP (minimize!) |
| (Only when you MUST access external systems) |
| |
| 3. "Parallel work" -> Subagents |
| (When tasks can be split and done simultaneously) |
| |
| 4. "Quick shortcut" -> Commands |
| (Frequent tasks you want to trigger manually) |
| |
+------------------------------------------------------------------+
앞으로 주목할 것
1. Skills 생태계 폭발
Skills가 오픈 스탠다드가 되면서, 앞으로 엄청나게 많은 Skills가 공유될 거예요. 마치 스마트폰 앱스토어처럼요.
2. MCP 토큰 문제 개선
Linux Foundation 아래에서 여러 회사가 협력해서 토큰 문제를 해결해 나갈 거예요. 하지만 시간이 걸릴 거예요.
3. AI 에이전트 도구 통합
지금은 Skills, MCP, AGENTS.md가 따로따로지만, 점점 하나로 합쳐지는 방향으로 갈 수도 있어요.
시리즈 최종 정리
3편에 걸쳐 AI 에이전트 생태계를 살펴봤어요. 핵심만 정리하면:
도구 요약
| 도구 | 역할 | 비유 | 언제 쓰나 |
|---|---|---|---|
| Skills | 노하우/방법론 | 레시피북 | AI에게 "이렇게 해"라고 가르칠 때 |
| MCP | 외부 연결 | USB 케이블 | 캘린더, DB 등에 접근할 때 (최소한으로!) |
| Subagents | 병렬 작업 | 조별 과제 | 여러 일을 동시에 할 때 |
| Commands | 단축키 | 버튼 | 자주 쓰는 작업 빠르게 |
Anthropic 전략 요약
+------------------------------------------------------------------+
| |
| Anthropic's Bet |
| |
| MCP: "Let's make it industry standard" |
| -> Donated to Linux Foundation |
| -> Everyone maintains together |
| |
| Skills: "This is OUR competitive advantage" |
| -> Open standard, but Claude does it best |
| -> Where they're really investing |
| |
+------------------------------------------------------------------+
배움 우선순위 (Claude 사용자 기준)
- Skills ⭐⭐⭐ - 가장 먼저, 가장 실용적
- MCP 기본 이해 ⭐⭐ - 연결이 필요할 때
- LangGraph 개념 ⭐ - 복잡한 워크플로우가 필요할 때
- Deep Agents - 관망 (아직 초기 단계)
마무리
AI 에이전트 세계는 빠르게 변하고 있어요.
하지만 걱정 마 세요. Skills부터 시작하면 돼요. 만들기 쉽고, 여러 플랫폼에서 쓸 수 있고, 토큰도 효율적이에요.
MCP가 필요하면 그때 배우고, LangGraph가 필요하면 그때 배우면 돼요.
중요한 건 지금 당장 필요한 것부터 배우는 거예요.
이 시리즈가 여러분의 AI 에이전트 여정에 도움이 됐으면 좋겠어요!
참고 자료
- Anthropic - Donating MCP to Linux Foundation
- Anthropic - Advanced Tool Use
- Agent Skills 공식 사이트
- MCP 공식 사이트
- LangChain - Deep Agents
- LangChain - Using Skills with Deep Agents
시리즈 전체 목차
- 1편: AI 에이전트 확장 인터페이스 총정리 - Skills, MCP, Subagents 비교
- 2편: Agent Skills 딥다이브 - 만들고, 평가하고, 공유하기
- 3편: MCP vs Skills - Anthropic의 전략과 우리의 선택 (현재 글)