1 of 17

개발자를 위한 AI, MCP 활용법

허광남

kenu@okdevtv.com

2 of 17

토픽

- MCP 데모

- AI 브리핑

- AI 도구들

- 참고자료

3 of 17

MCP Quickstart

https://www.claudemcp.com/docs/quickstart

brew install uv git sqlite3

code ~/Library/Application\ Support/Claude/claude_desktop_config.json

sqlite3 ~/test.db <<EOF

CREATE TABLE products (

id INTEGER PRIMARY KEY,

name TEXT,

price REAL

);

INSERT INTO products (name, price) VALUES

('Widget', 19.99),

('Gadget', 29.99),

('Gizmo', 39.99),

('Smart Watch', 199.99),

('Wireless Earbuds', 89.99),

('Portable Charger', 24.99),

('Bluetooth Speaker', 79.99),

('Phone Stand', 15.99),

('Laptop Sleeve', 34.99),

('Mini Drone', 299.99),

('LED Desk Lamp', 45.99),

('Keyboard', 129.99),

('Mouse Pad', 12.99),

('USB Hub', 49.99),

('Webcam', 69.99),

('Screen Protector', 9.99),

('Travel Adapter', 27.99),

('Gaming Headset', 159.99),

('Fitness Tracker', 119.99),

('Portable SSD', 179.99);

EOF

{

"mcpServers": {

"sqlite": {

"command": "uvx",

"args": ["mcp-server-sqlite", "--db-path", "/Users/YOUR_USERNAME/test.db"]

}

4 of 17

Tool History

- vi, emacs, nano, notepad

- UltraEdit, EditPlus, Notepad++

- JBuilder, Visual Studio, IntelliJ, Eclipse

- VS Code, Brackets, Atom

- Cloud 9, VS Code Dev, GitPod

- Trae.ai, Windsurf.ai, Cursor.com, VS Code extensions

5 of 17

개발 방법의 진화

0. 선사시대 개발 방식 (before internet)

- 서점, 도서관에서 관련 주제 책 또는 잡지 찾기

- 책에서 관련 부분 찾기 ➡ 코드 타이핑, 테스트

1. 예전 개발 방식 (before ai 2022)

- 구글링 ➡ 블로그, 스택오버플로우 코드 확인 ➡ 복사, 테스트

2. 요즘 개발 방식 (after ai)

- AI 샘플 생성 ➡ 테스트

- AI 플러그인(Agentic IDE)과 짝 프로그래밍

image from: https://www.techcrates.com/evolution-of-computers-and-technology/

6 of 17

AI, ML, DL, GenAI

- AI(Artificial Intelligence)

- ML, DL, Neural Network, Natural Language Processing

- ML(Machine Learning)

- Supervised, Unsupervised, Reinforcement

- DL(Deep Learning)

- Neural Network, Clustering

- GenAI(Generative AI)

- Transformer, Encoding, Decoding

7 of 17

Supervised, Unsupervised, Reinforcement 러닝 차이점

구분	지도학습 (Supervised)	비지도학습 (Unsupervised)	강화학습 (Reinforcement)
데이터	라벨 있음	라벨 없음	환경과 상호작용하며 생성
목적	예측, 분류, 회귀	패턴, 군집, 구조 발견	누적 보상 최대화
피드백	즉각적, 명확한 정답	없음, 내재적 구조 탐색	보상/벌점, 지연 피드백
예시	스팸메일 분류, 집값 예측	고객 세분화, 이미지 군집화	게임 AI, 자율주행, 로봇 제어
대표 알고리즘	SVM, 결정트리, 선형회귀	K-평균, PCA	Q-learning, DQN, Policy Gradient
난이도/특징	데이터 라벨링 필요, 명확한 목표	라벨링 불필요, 구조 해석 어려움	동적 환경, 시도와 오류 기반 학습

8 of 17

1. 인공지능(AI, Artificial Intelligence)

1950년대: AI 개념 등장. 앨런 튜링의 '튜링 테스트' 제안(1950), 'AI' 용어 등장(1956)

1960~70년대: 챗봇 엘리자(1966), 지능형 로봇 쉐이키(1969) 등 초기 응용

1970~80년대: AI 겨울❄️(연구·투자 감소) 이후 1980년대에 전문가 시스템, 신경망 연구 재개

1990~2000년대: 음성·영상 처리, IBM 딥블루(1997, 체스 챔피언 격파)

2010년대 이후: 가상비서(시리, 알렉사), 자율주행차, 추천 시스템 등 실생활 적용 확대

from: https://en.wikipedia.org/wiki/Alan_Turing

9 of 17

2. 머신러닝(ML, Machine Learning)

1950~60년대: 퍼셉트론(1958), k-최근접 이웃(K-Nearest Neighbors, KNN)(1967), 체크무늬 게임 학습 프로그램(1959)

1980년대: 신경망 학습 알고리즘(역전파, 1982) 도입

1990년대: 로봇 제어, 패턴 인식 등 다양한 응용

2010년대: 빅데이터·컴퓨팅 파워 증가로 ML이 이미지·음성 인식, 추천 시스템 등에서 핵심 기술이 됨

10 of 17

3. 딥러닝(DL, Deep Learning)

1958년: 퍼셉트론(초기 신경망) 개발.

1979년: 합성곱 신경망(CNN) 개념 등장.

1982년: 순환 신경망(RNN) 개발.

2009년: 이미지넷 데이터셋 공개, 대규모 이미지 인식 대회 시작.

2012년: AlexNet(딥러닝 기반 이미지 분류) ILSVRC 우승, DL 붐의 본격적 시작.

2017년: 트랜스포머(Transformer) 구조 등장, 이후 자연어 처리와 생성 AI의 기반이 됨.

2020년대: 대규모 언어모델(LLM), 멀티모달 AI 등으로 확장.

11 of 17

4. 생성형 AI(GenAI, Generative AI)

1960년대: 초기 챗봇(엘리자 등)에서 간단한 생성 기능.

2014년: 생성적 적대 신경망(GAN, Generative Adversarial Network) 등장, 이미지·음성 생성 기술 발전.

2018년: OpenAI, GPT(Generative Pre-trained Transformer) 논문 발표. 대규모 사전학습 기반 텍스트 생성 시작.

2019~2020년: GPT-2(2019), GPT-3(2020) 공개로 자연어 생성 능력 비약적 향상.

2021년: DALL·E(텍스트→이미지 생성), CLIP 등 멀티모달 생성 AI 등장.

2022년 이후: ChatGPT, Midjourney, Stable Diffusion 등 텍스트·이미지·음성·영상 생성 AI 대중화.

2023~2025년: GPT-4, Gemini, Sora(텍스트→비디오), 대규모 멀티모달 모델 등 GenAI의 범위와 영향력 급속 확대.

12 of 17

RAG, MCP

- RAG: 정보의 정확성과 관련성을 높이는 데 유용

- MCP: LLM이 외부 시스템과 상호작용하여 작업을 수행 가능

13 of 17

LLM 연대기

연도	주요 발전 및 특징
1960s	최초의 챗봇 Eliza 등장, NLP 연구의 시작1.
1980s-90s	통계적 언어모델(n-gram 등)과 신경망(backpropagation, LSTM 1997) 도입2 3.
2010	Stanford CoreNLP, Google Brain 등 NLP 도구와 대규모 데이터 활용 본격화3 1.
2017	Transformer 구조 발표, LLM 혁신의 기반 마련4 2.
2018	BERT(양방향 인코더), GPT(트랜스포머 기반) 등 대형모델 등장3 4 2.
2019	GPT-2(15억 파라미터), BERT 대중화, 자연어 생성 능력 향상3 4.
2020	GPT-3(175억 파라미터), LLM이 다양한 분야로 확산5 4 2.
2022	ChatGPT 출시, 대중적 관심 폭발3 4 6.
2023~2025	GPT-4, 멀티모달 LLM, 오픈소스 LLM(예: LLaMA, Mistral) 등장, 실생활 적용 확대4 2.

14 of 17

RAG 연대기

연도	주요 발전 및 특징
1970s~	정보검색 기반의 질의응답 시스템 초기 연구7.
2020	Meta AI, RAG 논문 발표: LLM에 외부 검색(위키피디아 등) 결합, 지식확장 실현8 9 10.
2021~2023	Dense Passage Retriever(DPR) 등 벡터기반 검색기술, 다양한 지식소스 연동11 10.
2023~2025	RAG의 산업적 도입 확산, 오픈소스 프레임워크와 상용화, 멀티모달 검색·생성 통합10 12.

15 of 17

MCP

특징	MCP	기존 API
통합 노력	단일 표준화된 통합	서비스별 개별 통합 필요
실시간 통신	가능	제한적
확장성	높은 확장성 (플러그 앤 플레이)	추가 통합 필요
보안 및 제어	일관된 보안 제공	API별로 상이