챕터별 상세
AI 모델의 지능 향상과 새로운 병목 현상
GPQA(과학 지식) 및 SWE-bench(소프트웨어 엔지니어링) 벤치마크 결과, 최신 AI 모델들은 80% 이상의 성능을 기록하며 인간 전문가 수준에 근접했다. 하지만 모델의 실제 성능은 지능뿐만 아니라 제공되는 도구와 컨텍스트에 의해 결정된다. 코드베이스 버그 리뷰 예시에서 보듯, 단순한 지능보다 GitHub 접근 권한, Code Interpreter 실행 능력, 팀 코딩 표준 문서와 같은 외부 리소스와의 연결성이 실질적인 결과물을 좌우한다.
GPQA는 생물학, 화학, 물리학 분야의 매우 어려운 질문들로 구성된 벤치마크이며, SWE-bench는 실제 GitHub 이슈를 해결하는 능력을 측정한다.
Model Context Protocol(MCP)의 정의와 작동 원리
MCP는 AI 애플리케이션에 도구와 컨텍스트를 제공하는 범용 표준 프로토콜이다. Anthropic은 이를 AI 앱의 USB-C 포트에 비유하며, Claude나 ChatGPT 같은 앱이 Google Drive, Slack, Notion 등 다양한 외부 도구와 단일 표준으로 통신할 수 있게 한다. 클라이언트-서버 아키텍처를 따르며, MCP Client가 AI 앱 내부에 존재하고 MCP Server가 프롬프트, 리소스, 도구 스키마를 저장하고 관리한다.
JSON-RPC 기반의 통신 방식을 사용하여 클라이언트와 서버 간에 도구 목록과 실행 요청을 주고받는다.
MCP의 한계: 토큰 과소비와 컨텍스트 부패
MCP의 주요 문제점은 통신 시 토큰 소모가 매우 크다는 점이다. MCP 서버가 시작될 때 사용 가능한 모든 도구의 상세 스키마(JSON)를 컨텍스트 윈도우에 주입한다. 이로 인해 실제 작업에 필요하지 않은 도구 정보까지 로드되어 비용이 상승하고, 모델이 핵심 지침에 집중하지 못하는 컨텍스트 부패(Context Rot) 현상이 발생하여 성능이 저하된다.
컨텍스트 부패는 불필요한 정보가 너무 많이 주입되어 모델의 추론 정확도가 떨어지는 현상을 의미한다.
Agent Skills: 점진적 공개를 통한 효율적 컨텍스트 관리
Agent Skills는 에이전트가 필요할 때만 접근하는 지침과 코드가 담긴 폴더 구조이다. 핵심 개념은 점진적 공개(Progressive Disclosure)로, 시작 시에는 기술의 메타데이터(Frontmatter, 약 100토큰)만 로드한다. 에이전트가 특정 기술이 필요하다고 판단하여 호출할 때만 상세 지침(Body, 5k 토큰 미만)과 관련 스크립트(Python, JS)를 로드한다. 이를 통해 컨텍스트 윈도우를 깨끗하게 유지하면서도 복잡한 워크플로를 수행할 수 있다.
SKILL.md 파일 형식을 사용하며, 메타데이터와 본문을 구분하여 로딩 시점을 최적화한다.
MCP와 Agent Skills의 비교 및 선택 기준
MCP는 도구와 컨텍스트를 LLM에 연결하는 널리 채택된 개방형 표준인 반면, Agent Skills는 컨텍스트와 코드를 에이전트에 제공하는 초기 단계의 표준이다. MCP는 시작 시 모든 스키마를 주입하지만, Skills는 필요할 때만 로드한다. MCP 서버 구축에는 코딩이 필요하지만, Skills는 자연어(Markdown)만으로도 작성이 가능하다. 실무적으로 MCP는 특화된 도구 접근 권한을 부여할 때, Skills는 특정 작업을 수행하는 구체적인 방법(SOP)을 가르칠 때 적합하다.
현재 Agent Skills는 Claude Code 등 Anthropic 관련 도구에서 주로 지원되기 시작한 단계이다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 01. 05.수집 2026. 02. 21.출처 타입 YOUTUBE
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
