MCP 실현의 길은 멀고, 어떤 어려움에 직면하고 있나요?

저자: Haotian

배운 점이 많습니다. MCP에 대한 이러한 어려움분석은 상당히 적절하며, 핵심을 찌르고, MCP의 실현이 쉽지 않음을 드러냅니다. 저는 여기에 대해 추가적으로 설명하겠습니다:

1) 도구 폭발 문제는 정말입니다: MCP 프로토콜 표준으로 연결할 수 있는 도구가 넘쳐나고 있습니다. LLM은 이렇게 많은 도구를 효과적으로 선택하고 사용할 수 없으며, 동시에 모든 전문 분야에 능통한 AI는 없습니다. 이는 단순히 매개변수의 양으로 해결할 수 있는 문제가 아닙니다.

2) 문서 설명의 간극: 기술 문서와 AI 이해 사이에는 여전히 큰 단절이 존재합니다. 대부분의 API 문서는 사람을 위해 작성된 것이지 AI를 위해 작성된 것이 아니며, 의미 있는 설명이 부족합니다.

3) 이중 인터페이스 구조의 약점: MCP는 LLM과 데이터 소스 간의 미들웨어로서, 상류 요청을 처리하고 하류 데이터를 변환해야 합니다. 이러한 구조 설계는 선천적으로 부족합니다. 데이터 소스가 폭발할 때, 통합 처리 논리는 거의 불가능합니다.

4) 반환 구조가 천차만별: 표준이 통일되지 않아 데이터 형식이 혼란스러워집니다. 이는 단순한 엔지니어링 문제라기보다는 산업 협력의 전반적인 결여의 결과로, 시간이 필요합니다.

5) 맥락 창의 제한: 토큰 상한이 얼마나 빨리 증가하든 정보 과부하 문제는 항상 존재합니다. MCP가 많은 JSON 데이터를 반환하면 많은 맥락 공간을 차지하여 추론 능력을 압박합니다.

6) 중첩 구조의 평면화: 복잡한 객체 구조는 텍스트 설명에서 계층 관계를 잃게 되어 AI가 데이터 간의 연관성을 재구성하기 어렵습니다.

7) 다중 MCP 서버 연결의 어려움: "가장 큰 도전은 MCP를 함께 연결하는 것이 복잡하다는 것입니다." 이 어려움은 허황된 것이 아닙니다. MCP는 표준 프로토콜로서 통일되어 있지만, 현실에서 각 서버의 구체적인 구현은 각기 다릅니다. 하나는 파일을 처리하고, 하나는 API를 연결하며, 하나는 데이터베이스를 조작합니다… AI가 복잡한 작업을 수행하기 위해 서버 간 협력이 필요할 때, 레고, 블록, 자석 조각을 억지로 결합하려는 것만큼 어렵습니다.

8) A2A의 출현은 시작에 불과합니다: MCP는 AI 간 통신의 초기 단계일 뿐입니다. 진정한 AI 에이전트 네트워크는 더 높은 수준의 협력 프로토콜과 합의 메커니즘이 필요하며, A2A는 아마도 훌륭한 반복의 시작일 것입니다.

이상입니다.

이 문제들은 사실 AI가 "도구 라이브러리"에서 "AI 생태계"로 전환하는 과정에서의 고통을 집중적으로 반영합니다. 산업은 여전히 도구를 AI에게 던져주는 초기 단계에 머물러 있으며, 진정한 AI 협력 인프라를 구축하는 것이 아닙니다.

따라서 MCP의 신화를 제거하는 것은 매우 필요하지만, 그것이 과도기 기술로서의 가치를 넘어서지 않도록 해야 합니다.

그냥 새로운 세계에 오신 것을 환영합니다.