AI 에이전트에게 파일을 읽고, 코드를 실행하고, 웹을 검색하는 능력을 주려면 어떻게 해야 할까요? 겉보기엔 간단해 보이지만, 실제론 누가 제어권을 쥐느냐에 따라 완전히 다른 설계가 나옵니다.
Flask 프레임워크 창시자 Armin Ronacher가 AI 에이전트 개발의 두 가지 접근법—MCP(Model Context Protocol)와 Skills—을 비교 분석한 글을 발표했습니다. Anthropic이 표준으로 밀고 있는 MCP보다 Skills 방식이 왜 더 나은지, 실무 경험을 바탕으로 설명합니다.
출처: Skills vs MCP – Armin Ronacher
제어권의 위치가 모든 걸 바꾼다
두 접근법의 핵심 차이는 간단합니다. MCP는 AI가 주도권을 쥡니다. AI가 “파일을 읽어줘”라고 요청하면 서버가 응답하죠. 반면 Skills는 개발자가 주도권을 쥡니다. 개발자가 작은 코드 조각(skill)을 만들어 AI에 전달하고, AI는 그 안에서만 작동합니다.
저자는 이렇게 비유합니다. MCP는 AI에게 “당신이 원하는 모든 파일을 읽을 수 있어요”라고 말하는 것이고, Skills는 “이 폴더 안의 파일만 읽을 수 있어요”라고 경계를 그어주는 겁니다.
MCP의 불편한 진실
MCP의 가장 큰 문제는 과도한 권한입니다. 파일 시스템 접근을 예로 들면, AI가 어떤 파일을 읽을지 스스로 결정합니다. 보안 정책을 설정할 순 있지만, 그러면 MCP 서버에 복잡한 로직을 넣어야 하죠. 결국 “어차피 제약을 걸 거면 왜 AI에게 선택권을 주나?”라는 질문에 직면합니다.
더 큰 문제는 컨텍스트 오염입니다. AI에게 사용 가능한 모든 도구를 미리 알려줘야 하는데, 이게 프롬프트를 지저분하게 만듭니다. 저자의 경험에 따르면, 도구 설명이 길어질수록 AI가 혼란스러워하고 잘못된 도구를 선택하는 일이 잦아집니다.
Skills가 우아한 이유
Skills 방식은 정반대입니다. 개발자가 “이 작업엔 이 세 가지 함수만 필요해”라고 명확히 정의합니다. AI는 그 함수들만 보고 작업하죠.
실제 예시를 볼까요? 버그를 고치는 상황입니다:
MCP 방식:
- AI가 프로젝트의 모든 파일 목록을 요청
- 관련 파일들을 하나씩 읽음
- 수정 제안
- 개발자가 직접 파일 수정
Skills 방식:
- 개발자가 “버그 수정” skill 실행
- Skill이 관련 파일들을 자동으로 AI에 전달
- AI가 수정안 제시
- Skill이 자동으로 파일 수정
차이가 보이시나요? Skills는 AI가 “무엇을 해야 하는지”만 고민하게 하고, “어떻게 할지”는 코드가 처리합니다. 반복적인 파일 읽기 요청도 없고, 프롬프트도 깔끔합니다.
그렇다면 MCP는 쓸모없나?
저자도 MCP를 완전히 부정하진 않습니다. Slack 메시지 전송처럼 단순하고 상태가 없는(stateless) 작업엔 MCP가 적합할 수 있습니다. 하지만 파일 시스템처럼 복잡한 상태 관리가 필요한 경우, Skills가 압도적으로 낫다는 게 결론입니다.
흥미로운 점은 Anthropic의 Claude Desktop도 이미 두 방식을 혼용하고 있다는 사실입니다. MCP를 지원하면서도 내부적으론 Skills 같은 패턴을 쓰죠. 이는 MCP만으론 부족하다는 방증일 수 있습니다.
실무자에게 던지는 질문
이 글이 중요한 이유는 단순한 기술 비교를 넘어서, AI 에이전트 설계의 근본 철학을 다루기 때문입니다. 여러분이 AI 도구를 만든다면:
- AI에게 얼마나 많은 자유를 줄 건가요?
- 제어권은 어디에 있어야 안전하고 효율적일까요?
- 프롬프트 복잡도와 기능성 사이의 균형점은 어디일까요?
저자는 명확합니다. 개발자가 워크플로우를 설계하고, AI는 그 안에서 지능을 발휘해야 한다고요. MCP는 그 반대를 시도하고 있고, 그래서 한계가 있다는 겁니다.
AI 에이전트 개발이 대중화되면서 이런 설계 결정은 점점 더 중요해질 겁니다. 표준이라고 해서 무조건 따를 게 아니라, 여러분의 사용 사례에 맞는 도구를 선택하는 게 중요하겠죠.
답글 남기기