최근 인공지능(AI) 기술이 급속도로 발전하면서 LLM, RAG, AI 에이전트, MCP와 같은 용어들이 자주 등장하고 있습니다. 이들은 각각 독립적인 기술처럼 보이지만, 사실은 대규모 언어 모델(LLM)을 기반으로 점차 외부 세계와 연결되고 자율성을 갖춰나가는 순차적인 발전 과정으로 이해할 수 있습니다.
본 글에서는 LLM에서 시작하여 RAG, AI 에이전트, 그리고 MCP에 이르기까지의 기술 발전 과정을 순서대로 살펴보고, 각 기술의 명확한 개념과 주요 사용 용도를 자세히 알아보겠습니다.
1. 순차적인 발전 과정: LLM에서 MCP까지
AI 기술의 발전은 더 정확하고, 더 유용하며, 더 자율적인 방향으로 나아가고 있습니다. 이런 관점에서 LLM, RAG, AI 에이전트, MCP의 관계를 순차적으로 이해할 수 있습니다.
- 거대 언어 모델 (LLM: Large Language Model): 방대한 텍스트 데이터를 학습하여 인간의 언어를 이해하고 생성하는 능력을 갖춘 AI 모델입니다. 이는 모든 기술의 기반이 됩니다. 하지만 학습된 데이터 내에 존재하지 않는 최신 정보나 특정 도메인의 전문 지식에 대해서는 부정확한 정보(환각, Hallucination)를 생성할 수 있다는 한계가 있습니다.
- 검색 증강 생성 (RAG: Retrieval-Augmented Generation): LLM의 한계를 보완하기 위해 등장한 기술입니다. LLM이 답변을 생성하기 전에, 외부 데이터베이스나 최신 웹 문서 등에서 관련된 정보를 검색(Retrieval)하고, 이 정보를 참고(Augmented)하여 보다 정확하고 신뢰성 있는 답변을 생성(Generation)하는 방식입니다. 이는 LLM을 특정 목적에 맞게 더 똑똑하게 만드는 확장 단계로 볼 수 있습니다.
- AI 에이전트 (AI Agent): RAG가 단순히 정보를 찾아 답변을 보강하는 수준이라면, AI 에이전트는 한 단계 더 나아가 스스로 목표를 설정하고, 계획을 수립하며, 도구를 사용하여 과업을 자율적으로 수행하는 주체입니다. 예를 들어, “여름 휴가 계획 좀 짜줘”라는 요청에 단순히 정보를 나열하는 것을 넘어, 항공권 예약 사이트에서 비행기를 예매하고, 숙박 예약 플랫폼에서 호텔을 예약하는 등의 실질적인 행동을 수행할 수 있습니다. 이는 LLM에 자율성과 실행 능력을 부여한 단계입니다.
- 모델 컨텍스트 프로토콜 (MCP: Model Context Protocol): AI 에이전트가 외부의 수많은 앱, 데이터, 서비스와 표준화된 방식으로 소통할 수 있도록 만든 개방형 통신 규약(프로토콜)입니다. 마치 모든 전자기기를 연결하는 ‘USB-C’처럼, MCP는 AI 에이전트가 어떤 도구든 쉽게 연결하여 활용할 수 있는 ‘공용 인터페이스’ 역할을 합니다. 이는 AI 에이전트가 더 복잡하고 실질적인 작업을 수행할 수 있도록 만드는 핵심적인 기반 기술입니다.
2. 개념 정리
| 기술 | 개념 | 핵심 특징 |
|---|---|---|
| 거대 언어 모델 (LLM) | 방대한 텍스트 데이터를 사전 학습하여 인간과 유사한 언어 능력을 갖춘 인공지능 모델 | – 텍스트 이해 및 생성 능력 – 대화, 번역, 요약 등 다양한 작업 수행 – 사전 학습된 데이터에 의존 |
| 검색 증강 생성 (RAG) | 외부 지식 소스에서 관련 정보를 검색하여 LLM의 답변 생성을 보강하는 기술 | – 최신성 및 정확성 향상 – 환각(Hallucination) 현상 완화 – 정보 출처 제시 가능 |
| AI 에이전트 (AI Agent) | 목표 달성을 위해 자율적으로 계획을 수립하고, 도구를 사용하며, 과업을 수행하는 AI 시스템 | – 자율성(Autonomy) – 계획 수립(Planning) – 도구 사용(Tool Use) – 목표 지향적 행동 |
| 모델 컨텍스트 프로토콜 (MCP) | AI 모델(에이전트)이 외부 도구 및 데이터와 상호작용하는 방식을 표준화한 개방형 통신 규약 | – 표준화된 인터페이스 – 외부 도구/서비스와 간편한 연동 – AI 에이전트의 기능 확장성 – 보안 및 신뢰성 강화 |
3. 주요 사용 용도
각 기술은 발전 단계에 따라 더욱 복잡하고 능동적인 작업에 활용될 수 있습니다.
거대 언어 모델 (LLM)
- 콘텐츠 생성: 블로그 글, 마케팅 문구, 이메일 초안 작성
- 정보 검색 및 요약: 긴 문서를 요약하거나 질문에 대한 답변 제공
- 번역: 다양한 언어 간의 실시간 번역
- 챗봇 및 가상 비서: 고객 문의에 응대하거나 일상적인 대화 수행 (예: ChatGPT, Gemini)
검색 증강 생성 (RAG)
- 최신 정보 기반 Q&A 시스템: 최신 뉴스나 연구 결과를 반영하여 질문에 답변하는 챗봇
- 사내 지식 관리 시스템: 기업 내부 문서나 매뉴얼을 기반으로 직원의 질문에 정확하게 답변
- 법률 및 의료 분야 전문 챗봇: 방대한 법률 판례나 최신 의학 논문을 참조하여 전문적인 정보 제공
AI 에이전트 (AI Agent)
- 개인 비서: 이메일 정리, 일정 관리, 여행 예약 등을 자율적으로 수행
- 자동화된 소프트웨어 개발: 코드 작성, 디버깅, 테스트 등의 개발 프로세스를 자동화
- 금융 거래 자동화: 시장 데이터를 분석하고 정해진 전략에 따라 주식이나 암호화폐를 자동으로 거래
- 고객 지원 자동화: 단순 문의 응대를 넘어, 고객 계정 정보 확인, 문제 해결, 환불 처리 등의 복잡한 업무 수행
MCP(Model Context Protocol)
- AI 에이전트의 기능 확장: AI 에이전트가 지도, 날씨, 쇼핑, 사내 데이터베이스 등 MCP를 지원하는 모든 외부 서비스와 손쉽게 연동하여 실질적인 작업을 수행하게 함.
- AI 개발 생태계 구축: 개발자들이 자신의 서비스나 앱을 MCP 표준에 맞춰 제공하면, 다양한 AI 에이전트가 이를 활용할 수 있는 개방형 생태계를 만듦 (예: 카카오의 ‘플레이MCP’).
- 안전한 데이터 연동: 표준화된 프로토콜을 통해 데이터 접근 권한, 인증 등을 체계적으로 관리하여 AI가 외부 도구를 더 안전하게 사용하도록 보장.
마무리 하며…
이처럼 AI 기술은 LLM이라는 강력한 기반 위에서 RAG를 통해 정확성을 높이고, AI 에이전트를 통해 자율성을 획득하며, 나아가 MCP라는 표준화된 연결 통로를 통해 외부 세계와 상호작용하며 무한한 가능성을 열어가고 있습니다.
다음시간에는 LLM, RAG, AI Agent, MCP에 대해서 좀더 자세히 살펴보도록 하겠습니다!
