모델 컨텍스트 프로토콜(MCP)이란 무엇인가요?

MCP는 왜 만들어졌습니까? 표준 통합 계층의 필요성

모델 컨텍스트 프로토콜(MCP)은 에이전틱 AI 애플리케이션을 구축할 때 발생하는 고립된 대규모 언어 모델(LLM)을 외부 세계와 연결하는 문제를 해결하기 위해 만들어졌습니다. 기본적으로 LLM은 강력한 추론 엔진이지만, 지식이 학습 시점에 고정되어 있어 정적이며, 실시간 데이터에 접근하거나 외부 시스템에서 동작을 실행하는 고유한 능력이 없습니다.

LLM을 외부 시스템에 연결하는 것은 전통적으로 직접 맞춤형 API 통합을 통해 이루어졌습니다. 이 접근 방식은 효과적이지만, 각 애플리케이션 개발자가 모든 도구의 개별 API를 학습하고, 쿼리를 처리해 결과를 파싱하는 코드를 작성하고, 시간이 지나도 해당 연결을 유지해야 한다는 부담이 있습니다. AI 애플리케이션과 사용 가능한 도구의 수가 늘어나면서, 보다 표준화되고 효율적인 방식의 필요성이 커지고 있습니다.

MCP는 웹 서비스용 REST와 개발자 도구를 위한 언어 서버 프로토콜 (LSP)과 같은 검증된 표준에서 영감을 받아 이 표준화된 프로토콜을 제공합니다. MCP는 이 연결 계층을 위한 공통 언어를 제공하므로 모든 애플리케이션 개발자가 각 도구의 API 전문가가 될 필요가 없습니다.

이를 통해 관심사가 명확하게 분리됩니다. 플랫폼 및 도구 제공자는 LLM 친화적인 단일 재사용 가능 MCP 서버를 통해 서비스를 노출할 수 있는 길이 열립니다. 이제 통합을 유지·관리하는 책임이 개별 AI 애플리케이션 개발자가 아니라 외부 시스템의 소유자로 이전될 수 있습니다. 덕분에 모든 호환되는 애플리케이션이 모든 호환 도구와 연결될 수 있는 견고하고 상호운용 가능한 생태계가 형성되므로 개발과 유지 관리가 크게 단순화됩니다.

MCP의 작동 방식: 핵심 아키텍처

MCP 아키텍처

MCP는 추론 엔진(LLM)을 외부 기능 집합과 연결하기 위해 설계된 클라이언트-서버 모델을 기반으로 운영됩니다. 이 아키텍처는 LLM에서 시작하여, 외부 세계와 상호작용할 수 있도록 하는 구성 요소들을 점진적으로 드러내는 방식으로 설계됩니다.

이 아키텍처는 세 가지 핵심 요소로 구성됩니다.

호스트는 MCP(예: Claude Desktop, IDE, AI 에이전트)를 통해 데이터를 액세스하려는 LLM 애플리케이션입니다.
서버는 각각 MCP를 통해 특정 기능을 노출하는 경량 프로그램입니다.
클라이언트는 호스트 애플리케이션 내에 있는 서버와 1:1 연결을 유지합니다.

MCP 클라이언트 또는 호스트

MCP 클라이언트 또는 호스트는 LLM과 하나 이상의 MCP 서버 간의 상호 작용을 오케스트레이션하는 애플리케이션입니다. 클라이언트는 앱의 특정 로직을 포함하고 있으므로 매우 중요합니다. 서버는 원시 기능을 제공하지만 클라이언트는 이를 사용할 책임이 있습니다. 이를 위해 다음과 같은 기능을 수행합니다.

프롬프트 조립: 여러 서버에서 컨텍스트를 수집하여 LLM을 위한 최종적이고 효과적인 프롬프트 구성
상태 관리: 여러 상호작용에 걸쳐 대화 기록과 사용자 컨텍스트 유지관리
오케스트레이션: 어떤 서버에 어떤 정보를 쿼리할지 결정하고 LLM이 도구를 사용하기로 결정할 때 로직을 실행

MCP 클라이언트는 표준 네트워크 요청(일반적으로 HTTPS를 통해)을 통해 알려진 서버 엔드포인트에 연결됩니다. 프로토콜의 강점은 양측 간의 통신 규약을 표준화한다는 점입니다. 이 프로토콜은 JSON 기반 형식을 사용하며, 언어에 종속되지 않습니다. 따라서 어떤 클라이언트든 그 클라이언트가 어떤 언어로 개발되었든 간에, 어떤 서버와도 정확히 통신할 수 있습니다.

MCP 사양의 클라이언트 예

MCP 서버

MCP 서버는 특정 데이터 소스 또는 도구에 대한 표준화된 래퍼 역할을 하는 백엔드 프로그램입니다. 이 프로토콜은 MCP 사양을 구현해 네트워크를 통해 실행 가능한 도구나 데이터 리소스와 같은 기능을 노출합니다. 이는 모든 MCP 클라이언트가 이해할 수 있도록 특정 서비스(예: 데이터베이스 쿼리나 타사 REST API)의 고유한 프로토콜을 MCP의 공통 언어로 변환합니다.

MCP 사양의 서버 예

실습: 첫 번째 MCP 서버를 어떻게 생성할 수 있습니까?

도구를 노하는 서버를 예를 들어 살펴보겠습니다(도구의 정의는 아래에서 더 자세히 설명합니다). 이 서버는 클라이언트의 두 가지 주요 요청을 처리해야 합니다.

SDK를 설치하십시오.

# Python
pip install mcp

# Node.js
npm install @modelcontextprotocol/sdk

# Or explore the specification
git clone https://github.com/modelcontextprotocol/specification

첫 번째 서버 생성.

from mcp.server.fastmcp import FastMCP
import asyncio

mcp = FastMCP("weather-server")

@mcp.tool()
async def get_weather(city: str) -> str:
    """Get weather for a city."""
    return f"Weather in {city}: Sunny, 72°F"

if __name__ == "__main__":
    mcp.run()

Claude Desktop에 연결하십시오.

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["/full/path/to/weather_server.py"],
      "env": {}
    }
  }
}

공식 SDK와 리소스

공식 오픈 소스 SDK를 사용하여 귀하의 MCP 클라이언트 및 서버를 구축하기 시작할 수 있습니다:

MCP 도구

도구는 MCP 서버가 클라이언트에게 노출하는 특정하고 실행 가능한 기능입니다. 파일이나 문서 같은 수동적 데이터 리소스와 달리, 도구는 이메일 전송, 프로젝트 티켓 생성, 실시간 데이터베이스 조회처럼 LLM이 실행 여부를 결정할 수 있는 동작을 의미합니다.

도구는 다음과 같은 방식으로 서버와 상호작용합니다. MCP 서버는 자신이 제공하는 도구를 선언합니다. 예를 들어, Elastic 서버는 `list_indices` 도구를 노출하며, 이 도구의 이름, 목적, 및 필요한 매개변수(예: `list_indices`, `get_mappings`, `get_shards`, 및 `search`)를 정의합니다.

클라이언트는 서버에 연결되어 이러한 사용 가능한 도구를 탐색합니다. 고객은 시스템 프롬프트 또는 컨텍스트의 일부로 LLM에 사용할 수 있는 도구를 제공합니다. LLM의 출력에서 도구 사용 의도가 감지되면, 클라이언트는 이를 파싱하여 지정된 매개변수와 함께 해당 도구를 실행하도록 적절한 서버에 정식 요청을 보냅니다.

MCP 사양의 도구 패턴 예

실습: 낮은 수준 MCP 서버 구현

낮은 수준의 예시는 프로토콜의 동작 방식을 이해하는 데 유용하지만, 대부분의 개발자는 공식 SDK를 사용해 서버를 구축하게 될 것입니다. SDK가 메시지 파싱, 요청 라우팅과 같은 프로토콜의 반복 작업을 처리해 주므로, 개발자는 도구의 핵심 논리에만 집중할 수 있습니다.

다음 예제에서는 공식 MCP Python SDK를 사용하여 get_current_time 도구를 노출하는 간단한 서버를 만듭니다. 이 접근 방식은 낮은 수준의 구현보다 훨씬 더 간결하고 선언적입니다.

import asyncio
import datetime
from typing import AsyncIterator

from mcp.server import (
    MCPServer,
    Tool,
    tool,
)

# --- 도구 구현 ---
# SDK의 @tool 데코레이터는 등록 및 스키마 생성을 처리합니다.
# 저희는 MCP 도구로 노출될 간단한 비동기 함수를 정의합니다.

@tool
async def get_current_time() -> AsyncIterator[str]:
    """
    현재 UTC 시간과 날짜를 ISO 8601 스트링으로 반환합니다.
    
    이 문서 문자열은 자동으로 LLM의 도구 설명으로 사용됩니다.
    """
    # SDK는 비동기 반복자를 기대하므로 결과를 반환합니다.
    datetime.datetime.now(datetime.timezone.utc).isoformat()을 반환합니다


# --- 서버 정의 ---
# 노출하고자 하는 도구를 전달하여 MCPServer의 인스턴스를 생성합니다.
# SDK는 @tool로 데코레이트된 모든 함수를 자동으로 탐지합니다.

SERVER = MCPServer(
    tools=[
        # SDK는 자동으로 데코레이트된 함수를 선택합니다.
        Tool.from_callable(get_current_time),
    ],
)


# --- 주 실행 블록 ---
# SDK는 서버를 실행하기 위한 주요 진입점을 제공합니다.
# 이것은 모든 기본 통신 로직(stdio, HTTP 등)을 처리합니다.

async def main() -> None:
    """Runs the simple tool server."""
    await SERVER.run()


if __name__ == "__main__":
    asyncio.run(main())

이 실습 예제는 SDK를 사용하여 MCP 서버를 구축하는 데 있어 SDK의 강력한 기능을 보여줍니다.

@tool 데코레이터: 이 데코레이터는 get_current_time 함수를 MCP 도구로 자동 등록합니다. 이 기능은 함수의 시그니처와 독스트링을 분석하여 프로토콜에 필요한 스키마와 설명을 자동으로 생성해 주므로, 이를 일일이 수동으로 작성할 필요가 없습니다.
MCPServer 인스턴스: MCPServer 클래스는 SDK의 핵심입니다. 노출하려는 도구 목록을 제공하기만 하면 나머지는 자동으로 처리됩니다.
SERVER.run(): 이 단일 명령은 서버를 시작하고 stdio 또는 HTTP와 같은 다양한 전송 방법을 처리하는 것을 포함하여 모든 낮은 수준 통신을 관리합니다.

보시다시피 SDK는 프로토콜의 복잡성을 거의 모두 추상화하여 단 몇 줄의 Python 코드로 강력한 도구를 정의할 수 있습니다.

3가지 핵심 원시 기능

MCP는 LLM이 외부 세계와 상호작용하는 방식을 표준화하기 위해 서버가 노출할 수 있는 세 가지 핵심 원시 기능을 정의합니다. 이러한 기본 요소는 LLM을 외부 기능에 연결하기 위한 완전한 시스템을 제공합니다.

리소스: 컨텍스트 제공
- 기능: 데이터 액세스
- 비유: GET 엔드포인트
- 리소스는 LLM에 컨텍스트를 제공하는 주요 수단입니다. 이들은 문서, 데이터베이스 기록, 검색 쿼리 결과처럼, 모델이 검색하여 응답에 활용할 수 있는 데이터 소스를 의미합니다. 일반적으로 읽기 전용 작업입니다.
도구: 작업 실행
- 기능: 작업 및 연산
- 비유: POST 또는 PUT 엔드포인트
- 도구는 LLM이 동작을 수행하고 외부 시스템에 직접적인 영향을 미칠 수 있도록 하는 실행 가능한 기능입니다. 이 기능 덕분에 에이전트는 단순한 데이터 검색을 넘어, 이메일 전송, 프로젝트 티켓 생성, 타사 API 호출과 같은 작업까지 수행할 수 있습니다.
프롬프트: 상호작용 유도
- 기능: 인터랙션 템플릿
- 비유: 워크플로우 레시피
- 프롬프트는 LLM이 사용자 또는 시스템과 상호작용하는 방식을 안내하는 재사용 가능한 템플릿입니다. 이를 통해 개발자는 공통적이거나 복잡한 대화 흐름을 표준화하여, 모델이 보다 일관적이고 신뢰할 수 있는 동작을 하도록 할 수 있습니다.

모델 컨텍스트 프로토콜 자체

핵심 개념

MCP는 LLM 애플리케이션(호스트)이 외부 데이터 및 기능(서버)과 통합할 수 있는 표준화된 방법을 제공합니다. 이 사양은 JSON-RPC 2.0 메시지 형식을 기반으로 하며, 상태를 가진 풍부한 상호 작용을 가능하게 하는 필수 및 선택 구성 요소 세트를 정의합니다.

핵심 프로토콜 및 기능

MCP는 본질적으로 통신 계층을 표준화합니다. 모든 구현은 기본 프로토콜과 수명 주기 관리를 지원해야 합니다.

기본 프로토콜: 모든 통신은 표준 JSON-RPC 메시지(요청, 응답, 및 알림)를 사용합니다.
서버 기능: 서버는 클라이언트에게 다음 기능 중 하나 또는 여러 가지를 조합하여 제공할 수 있습니다:
- 리소스: 사용자 또는 모델이 소비할 수 있는 맥락 데이터
- 프롬프트: 템플릿 메시지 및 워크플로우
- 도구: LLM이 호출할 수 있는 실행 가능한 함수들
클라이언트 기능: 클라이언트는 서버에 다음과 같은 기능을 제공하여 더 발전된 양방향 워크플로우를 구현할 수 있습니다.
- 샘플링: 서버가 에이전트 행동을 시작하거나 재귀적 LLM 상호작용을 수행할 수 있도록 허용
- 유도: 서버가 사용자에게 추가 정보 요청 가능

MCP 기본 프로토콜

MCP는 기본 프로토콜과 수명 주기 관리라는 필수적인 기반 위에 구축되었습니다. 클라이언트와 서버 간의 모든 통신은 JSON-RPC 2.0 사양을 준수해야 하며, 이 사양은 세 가지 메시지 유형을 정의합니다.

요청: 전송하여 작업을 시작합니다. 추적을 위해 고유한 스트링 또는 정수 id가 필요하며, 동일한 세션 내에서 id를 재사용해서는 안 됩니다.
응답: 요청에 대한 회신으로 전송됩니다. 원래의 요청 id를 포함해야 하며, 성공한 작업의 경우 result 객체를, 실패한 작업의 경우 error 객체를 포함해야 합니다.
알림: 수신자로부터 응답을 요구하지 않는 ID 없이 전송되는 단방향 메시지입니다.

클라이언트 기능: 고급 워크플로우 활성화

클라이언트는 더 복잡한 양방향 통신을 위해 서버에 기능을 제공할 수도 있습니다.

샘플링: 샘플링은 서버가 클라이언트를 통해 LLM에 추론을 요청할 수 있도록 합니다. 이는 도구가 작업을 완료하기 전에 더 많은 정보를 얻기 위해 LLM에 다시 질문해야 할 수 있는 다단계 에이전틱 워크플로우를 구현할 때 강력한 기능입니다.
유도: 유도는 서버가 최종 사용자에게 더 많은 정보를 요청할 수 있는 공식적인 메커니즘을 제공합니다. 이는 작업을 진행하기 전에 추가 확인이나 명확화가 필요한 대화형 도구에 매우 중요합니다.

서버 기능: 기능 제공

서버는 표준화된 기능 집합을 통해 클라이언트에 기능을 노출합니다. 서버는 다음과 같은 조합을 구현할 수 있습니다.

도구: 도구는 LLM이 작업을 수행할 수 있도록 하는 주요 메커니즘입니다. 서버가 외부 시스템과 상호작용할 수 있도록 노출하는 실행 가능한 함수입니다. 예를 들어, 제3자 API를 호출하거나, 데이터베이스를 쿼리하거나, 파일을 수정하는 등의 작업을 수행합니다.
리소스: 리소스는 LLM이 검색할 수 있는 맥락 데이터의 출처를 의미합니다. 작업 수행에 사용되는 도구와 달리, 리소스는 주로 읽기 전용 데이터 검색에 사용됩니다. LLM을 실시간 외부 정보에 연결하는 메커니즘이며 고급 RAG 파이프라인의 핵심 구성 요소입니다.
프롬프트: 서버는 클라이언트가 사용할 수 있는 사전 정의된 프로프트 템플릿을 노출할 수 있습니다. 이를 통해 공통적이거나 복잡하거나 고도로 최적화된 프롬프트를 표준화하고 공유하여 일관적인 상호작용을 보장할 수 있습니다.

보안 및 신뢰

이 사양은 보안에 중점을 두며, 구현자가 따라야 할 핵심 원칙들을 명확히 제시합니다. 프로토콜 자체가 이러한 규칙을 강제할 수 없습니다. 책임은 애플리케이션 개발자에게 있습니다.

사용자 동의 및 제어: 사용자는 모든 데이터 접근 및 도구 호출에 대해 명시적으로 동의하고 이를 제어할 수 있어야 합니다. 권한 부여를 위한 명확한 UI가 필수입니다.
데이터 개인정보 보호: 호스트는 명시적 동의 없이 사용자 데이터를 서버로 전송해서는 안 되며 적절한 접근 제어를 구현해야 합니다.
도구 안전: 도구 호출은 임의 코드 실행을 의미하므로 신중하게 다루어야 합니다. 호스트는 도구를 호출하기 전에 사용자에게 명시적 동의를 받아야 합니다.

MCP가 왜 그렇게 중요한가요?

MCP의 핵심 이점은 모델과 도구 간의 통신 및 상호작용 계층을 표준화하는 데 있습니다. 이는 개발자들에게 예측 가능하고 신뢰할 수 있는 생태계를 조성합니다. 표준화의 주요 영역은 다음과 같습니다:

유니폼 커넥터 API: 외부 서비스를 연결하기 위한 단일하고 일관된 인터페이스
표준화된 컨텍스트: 세션 기록, 임베딩, 도구 출력, 장기 기억과 같은 중요한 정보를 전달하기 위한 보편적인 메시지 형식
도구 호출 프로토콜: 외부 도구 호출에 대한 합의된 요청 및 응답 패턴으로 예측 가능성 보장
데이터 흐름 제어: 프롬프트 구성을 최적화하기 위한 필터링, 우선 순위 지정, 스트리밍 및 컨텍스트 일괄 처리에 대한 기본 제공 규칙
보안 및 인증 패턴: 데이터 교환 보안을 위한 API 키 또는 OAuth 인증, 속도 제한, 암호화를 위한 공통 후크
수명 주기 및 라우팅 규칙: 컨텍스트를 가져오는 시기, 캐시하는 기간, 시스템 간 데이터를 라우팅하는 방법을 정의하는 규칙
메타데이터 및 통합 가시성: 모든 연결된 모델 및 도구에서 일관된 로깅, 메트릭 및 분산 추적을 가능하게 하는 메타데이터 필드
확장 포인트: 사용자 정의 로직을 추가하기 위한 정의된 후크(예: 사전 및 사후 처리 단계, 사용자 정의 검증 규칙, 플러그인 등록 등)

대규모 환경에서: 'M×N 곱셈 스케일링 통합'의 악몽 해결

빠르게 확장되는 AI 환경에서 개발자는 심각한 통합 문제에 직면해 있습니다. AI 애플리케이션(M)은 데이터베이스와 검색 엔진부터 API, 코드 저장소에 이르기까지 수많은 외부 데이터 소스와 도구(N)에 접근해야 합니다. 표준화된 프로토콜이 없으면 개발자는 각 애플리케이션과 데이터 소스 쌍마다 고유한 맞춤형 통합을 구축하고 유지해야 하는 일명 'M×N 문제'에 직면하게 됩니다.

이 접근 방식은 여러 가지 중요한 문제를 야기합니다.

중복된 개발자 노력: 새로운 AI 애플리케이션마다 팀이 동일한 통합 문제를 반복적으로 해결해야 하므로 귀중한 시간과 자원이 낭비됩니다.
복잡성 증가: 다양한 데이터 소스가 유사한 기능을 고유한 방식으로 처리하여 복잡하고 일관성이 없는 통합 계층을 만듭니다.
과도한 유지보수: 표준화 부족으로 인해 사용자 지정 통합으로 구성된 취약한 생태계가 형성됩니다. 단일 도구의 API에 작은 업데이트나 변경이 발생해도 연결이 끊길 수 있으며, 지속적이고 사후적인 유지 관리가 필요해집니다.

MCP는 이 M×N 문제를 훨씬 더 간단한 M+N 방정식으로 변환합니다. 보편적인 표준을 수립하면 개발자가 애플리케이션용 클라이언트 M개와 도구용 서버 N개만 구축하면 되므로 복잡성과 유지 관리 부담이 획기적으로 줄어듭니다.

에이전트 접근법 비교

MCP는 Retrieval-Augmented Generation(RAG)과 같은 인기 있는 패턴이나 LangChain과 같은 프레임워크의 대체품이 아니라, 이러한 기술을 더 강력하고 모듈화되며 쉽게 유지관리할 수 있게 만드는 기초적인 연결 프로토콜입니다. 이는 통합의 마지막 단계를 표준화함으로써, 애플리케이션을 외부 도구와 연결하는 보편적인 문제를 해결합니다.

MCP가 최신 AI 스택에 어떻게 적용되는지 살펴보겠습니다.

고급 RAG 기술 지원

스탠더드 RAG는 강력하지만 종종 벡터 데이터베이스에 연결됩니다. 고급 사용 사례의 경우 실시간 복잡한 시스템에서 동적 정보를 검색해야 합니다.

MCP 미사용: 개발자는 RAG 애플리케이션을 Elasticsearch와 같은 검색 API의 특정 쿼리 언어에 직접 연결하기 위한 사용자 지정 코드를 작성해야 합니다.
MCP 사용: 검색 시스템이 표준 MCP 서버를 통해 기능을 노출합니다. 이제 RAG 애플리케이션이 기본 시스템의 특정 API를 알 필요 없이 간단하고 재사용 가능한 MCP 클라이언트를 사용하여 이 라이브 데이터 소스를 쿼리할 수 있습니다. 이를 통해 RAG 구현이 더 깔끔해지고, 향후 다른 데이터 소스로 교체하기도 더 쉬워집니다.

에이전트 프레임워크(예: LangChain, LangGraph)와의 통합

에이전틱 프레임워크는 애플리케이션 로직을 구축하는 데 훌륭한 도구를 제공하지만, 여전히 외부 도구와 연결할 방법이 필요합니다.

대안들:
- 사용자 지정 코드: 처음부터 직접 통합을 작성하는 것은 상당한 엔지니어링 노력과 지속적인 유지관리가 필요합니다.
- 프레임워크별 도구 세트: 미리 구축된 커넥터를 사용하거나 특정 프레임워크에 맞춘 커스텀 래퍼를 작성하는 방식(이 경우 해당 프레임워크의 아키텍처에 종속되며, 그 생태계에 묶이게 됩니다)
MCP의 장점: MCP는 개방적이고 보편적인 표준을 제공합니다. 도구 제공자는 자사 제품을 위한 단일 MCP 서버를 만들 수 있습니다. 이제 LangChain, LangGraph, 또는 자체 구축 솔루션 등 어떤 프레임워크든 범용 MCP 클라이언트를 통해 해당 서버와 상호작용할 수 있습니다. 이 접근 방식은 더 효율적이며 공급업체 종속을 방지합니다.

프로토콜이 모든 것을 단순화하는 이유

결국, MCP의 가치는 통합의 두 극단에 대한 개방적이고 표준화된 대안을 제공하는 데 있습니다.

사용자 정의 코드를 작성하는 것은 취약하고, 유지관리 비용이 많이 듭니다.
프레임워크 전용 래퍼를 사용하면 반폐쇄적인 생태계와 공급업체 의존성이 생깁니다.

MCP는 통합에 대한 책임을 외부 시스템 소유자로 이전해 해당 소유자가 단일하고 안정적인 MCP 엔드포인트를 제공할 수 있도록 합니다. 이후 애플리케이션 개발자는 이러한 엔드포인트를 간단히 활용할 수 있어, 강력하고 컨텍스트 인식형 AI 애플리케이션을 구축·확장·유지하는 데 필요한 작업이 획기적으로 단순화됩니다.

Elasticsearch MCP 서버 시작하기

Elasticsearch MCP 서버를 구현하는 방법

Elastic은 Elasticsearch용 MCP 서버를 개발하여 MCP 호환 호스트라면 어디서든 손쉽게 데이터를 연결할 수 있도록 지원합니다. 서버를 사용하여 모델에 쿼리 인덱스에 대한 액세스 권한을 부여하고, 매핑을 검사하며, 검색을 수행할 수 있습니다.

서버 설정은 간단합니다. 이 MCP 서버는 MCP의 stdio, SSE, 스트리밍 HTTP 프로토콜을 지원하는 도커 이미지로 docker.elastic.co/mcp/elasticsearch에서 제공됩니다

Claude Desktop의 구성은 다음과 같습니다.

{
 "mcpServers": {
   "elasticsearch-mcp-server": {
    "command": "docker",
    "args": [
     "run", "-i", "--rm",
     "-e", "ES_URL", "-e", "ES_API_KEY",
     "docker.elastic.co/mcp/elasticsearch",
     "stdio"
    ],
    "env": {
      "ES_URL": "<elasticsearch-cluster-url>",
      "ES_API_KEY": "<elasticsearch-api-key>"
    }
   }
 }
}

이 명령어로 MCP 서버가 stdio 모드로 시작됩니다:

docker run -i --rm -e ES_URL -e ES_API_KEY docker.elastic.co/mcp/elasticsearch stdio

GitHub 리포지토리에서 나머지 단계를 따르세요.

MCP 및 AI에 대해 저희와 함께하세요

Elastic을 사용하여 더 깊이 있게 빌드하기

AI와 지능형 검색 애플리케이션과 관련된 모든 최신 정보를 받아보세요. Elastic을 활용한 구축에 대해 자세히 알아보려면 리소스를 살펴보세요.

무료 실습 워크숍인 'Elasticsearch MCP Server를 활용한 MCP 입문'으로 지금 바로 구축을 시작해 보세요.