개발은 전투다

이번 편에서는 MCP(Model Context Protocol)를 이용하여 외부 API 호출을 자동화하는 방법을 보다 상세히 살펴보겠습니다. MCP를 활용하면 AI 모델이 직접 외부 데이터를 호출하고 결과를 실시간으로 받아올 수 있으며, 이를 통해 업무 프로세스를 효율적으로 자동화할 수 있습니다.

📌 MCP를 통한 API 호출 자동화의 장점
MCP를 통해 외부 API 호출을 자동화하면 다음과 같은 다양한 이점을 얻을 수 있습니다:

실시간으로 외부 데이터를 접근하여 활용 가능
반복적이고 번거로운 API 호출 작업을 효율적으로 자동화
데이터의 정확성 및 신뢰성 향상
개발 및 운영 프로세스의 효율성 증대
API 데이터 활용도를 높여 업무의 유연성 향상
⚙️ 1단계: API 호출을 위한 MCP 서버 설정하기
외부 API를 MCP를 통해 사용하기 위해서는 먼저 MCP 서버를 설정해야 합니다. 이번에는 Python을 사용하여 간단한 API 호출 MCP 서버를 구성하는 방법을 소개합니다.

Python 기반 MCP 서버 예제
다음 예시는 OpenWeatherMap에서 제공하는 날씨 정보를 받아오는 MCP 서버의 구현 방법입니다:

from fastmcp import FastMCP
import requests

mcp = FastMCP("WeatherAPI")

# 자신의 OpenWeatherMap API 키를 입력하세요.
API_KEY = "YOUR_OPENWEATHER_API_KEY"

@mcp.tool()
def get_weather(city: str) -> str:
    url = f"http://api.openweathermap.org/data/2.5/weather?q={city}&appid={API_KEY}&units=metric"
    response = requests.get(url)
    if response.status_code != 200:
        return f"날씨 정보를 가져오지 못했습니다. 오류 코드: {response.status_code}"
    data = response.json()
    description = data['weather'][0]['description']
    temp = data['main']['temp']
    humidity = data['main']['humidity']
    wind_speed = data['wind']['speed']
    return (f"현재 {city}의 날씨는 '{description}', 온도는 {temp}°C, "
            f"습도는 {humidity}%, 풍속은 {wind_speed}m/s입니다.")

mcp.run()

위 코드에서 API_KEY 부분은 반드시 본인의 OpenWeatherMap API 키로 교체해야 합니다.

🚀 2단계: MCP 서버를 Cursor IDE에 연동하기
설정한 MCP 서버를 Cursor IDE와 연동하여 실제로 API 호출을 수행할 수 있도록 합니다:

Cursor IDE를 실행하고 설정 메뉴(톱니바퀴 아이콘)를 클릭합니다.
설정 화면에서 "Features" 탭으로 이동합니다.
MCP Servers 섹션에서 "Add new MCP server" 버튼을 클릭하여 새 서버를 등록합니다.
서버 이름을 명확히 입력하고 타입을 "command"로 선택한 후, 서버를 실행할 명령어(예: python server.py)를 입력합니다.
입력한 정보를 저장한 뒤 서버가 정상적으로 활성화 상태인지 확인합니다.
🔧 3단계: AI 모델을 통한 외부 API 호출하기
이제 AI 모델을 사용하여 설정한 MCP 서버를 통해 API를 호출하는 방법을 살펴보겠습니다.

API 호출 예시 질문
Cursor IDE의 AI 챗 패널에 자연어로 질문을 입력하여 API를 호출합니다:

예시 질문: "부산의 현재 날씨 정보를 알려줘."
이 질문을 받은 AI는 자동으로 MCP 서버의 get_weather 함수를 호출하여 API 데이터를 받아옵니다.

✅ 4단계: API 호출 결과 확인 및 검증하기
AI는 받아온 API 데이터를 이해하기 쉽게 정리하여 사용자에게 제공합니다:

예시 응답: "현재 부산의 날씨는 '구름 많음', 온도는 20°C, 습도는 65%, 풍속은 3.5m/s입니다."
이러한 명확한 응답을 통해 API 호출 자동화가 정확히 구현되었는지 확인할 수 있습니다.

📈 5단계: API 자동화를 활용한 실무 사례 및 활용 팁
MCP를 활용한 API 자동화는 다양한 업무 환경에서 유용하게 활용될 수 있습니다:

실시간 날씨 기반 고객 안내 및 서비스 개선
자동화된 데이터 수집 및 분석을 통한 효율적인 보고서 작성
실시간 데이터 기반 의사 결정 시스템 구축
여러 외부 API 데이터를 통합하여 복잡한 분석과 업무 자동화 가능
이러한 방법을 통해 업무의 효율성을 극대화하고 데이터 기반 업무 프로세스를 안정적으로 운영할 수 있습니다.

 출처https://gsroot.tistory.com/95

📌 MCP를 통한 데이터베이스 자동화의 이점
MCP를 활용한 데이터베이스 쿼리 자동화는 다음과 같은 다양한 장점을 제공합니다:

반복적이고 지루한 데이터 조회 작업 감소
실시간으로 최신 데이터를 조회하여 정확성 및 신뢰성 향상
데이터 접근 및 활용의 효율성 증가
데이터 분석 속도와 업무 생산성 증대
인간의 실수 가능성 최소화
 
🔧 1단계: AI 모델을 활용한 데이터베이스 쿼리 자동화
이제 MCP 서버를 통해 AI 모델이 실제 데이터베이스 쿼리를 실행하는 과정을 살펴보겠습니다.

간단한 쿼리 예시
Cursor IDE의 AI 챗 패널을 열어 자연어로 질문을 입력해 봅니다:

예시 질문: "users 테이블에서 2024년 이후 가입한 사용자 수를 알려주세요."
AI는 다음과 같은 SQL 쿼리를 자동으로 수행합니다:

SELECT product_name, COUNT(*) AS sales_count
FROM orders
WHERE order_date BETWEEN '2024-03-01' AND '2024-03-31'
GROUP BY product_name
ORDER BY sales_count DESC
LIMIT 3;

✅ 2단계: 쿼리 결과 검증 및 해석
쿼리 실행 후, AI는 사용자에게 결과를 이해하기 쉽게 제공해 줍니다:

예시 응답: "2024년 이후 가입한 사용자는 총 150명입니다."
결과를 통해 쿼리가 정확히 실행되었는지 신속히 검증할 수 있습니다.

📊 3단계: 복잡한 쿼리 자동화 및 데이터 분석
보다 복잡한 데이터 분석 쿼리 역시 MCP를 통해 자동화할 수 있습니다.

복잡한 쿼리 실행 예시
AI 챗 패널에서 다음과 같은 질문을 입력합니다:

질문: "지난달 가장 많이 팔린 제품 상위 3개는 무엇인가요?"
AI가 자동으로 실행할 SQL 쿼리는 다음과 같습니다:

SELECT product_name, COUNT(*) AS sales_count
FROM orders
WHERE order_date BETWEEN '2024-03-01' AND '2024-03-31'
GROUP BY product_name
ORDER BY sales_count DESC
LIMIT 3;
AI는 결과를 다음과 같이 명확히 제공해 줍니다:

"지난달 가장 많이 팔린 제품은 다음과 같습니다:

상품A - 120개
상품B - 95개
상품C - 80개"
이러한 자동화를 통해 복잡한 데이터 분석을 보다 효율적으로 처리할 수 있습니다.

🛠️ 추가 팁 및 활용 방안
MCP를 통한 데이터베이스 쿼리 자동화는 다음과 같은 다양한 활용 사례에 적용할 수 있습니다:

주기적인 보고서 자동 생성
데이터 기반의 실시간 의사결정 지원
비즈니스 인사이트 도출을 위한 데이터 분석 자동화
이 기능들을 통해 업무 효율성과 분석 역량을 크게 강화할 수 있습니다.

출처https://gsroot.tistory.com/95

📌 MCP 서버란 무엇인가?
MCP 서버는 데이터베이스, 외부 API, 로컬 파일 시스템과 같은 다양한 외부 리소스를 AI 모델이 쉽게 접근할 수 있도록 표준화된 인터페이스를 제공합니다. MCP를 통해 AI는 외부 데이터를 조회하거나 특정 작업을 직접 수행할 수 있어, 반복적이고 수동적인 업무를 크게 줄이고 생산성을 높일 수 있습니다.

MCP 서버는 표준 JSON 인터페이스를 통해 AI 모델과 통신하며, 직관적인 방식으로 다양한 외부 시스템과 연동할 수 있도록 도와줍니다.

🔧 MCP 서버의 주요 유형과 선택 방법
MCP 서버는 용도에 따라 다양한 유형으로 구분됩니다. 대표적인 MCP 서버의 종류는 다음과 같습니다:

PostgreSQL MCP 서버: AI 모델이 PostgreSQL 데이터베이스의 데이터를 직접 조회하고 분석할 수 있도록 돕습니다.
Filesystem MCP 서버: 로컬 파일 시스템 내 문서와 데이터를 AI 모델이 접근하여 활용할 수 있게 지원합니다.
API MCP 서버: AI 모델이 외부 API를 직접 호출하여 데이터를 가져오고 처리할 수 있도록 돕습니다.
이외에도 GitHub MCP 서버, Google Drive MCP 서버와 같이 여러 특화된 MCP 서버가 존재하므로, 필요한 작업과 환경에 맞는 MCP 서버를 선택하여 설정할 수 있습니다.

 
 
⚙️ Cursor IDE와 MCP 서버 연동하기
MCP 서버를 Cursor IDE와 연결하여 실질적으로 활용해 봅니다.

연동 전 준비 사항
Node.js와 npm을 미리 설치합니다.
PostgreSQL 데이터베이스가 로컬이나 원격 서버에 준비되어 있어야 합니다.
설치 확인
터미널(명령 프롬프트 또는 PowerShell)에서 Node.js 설치 여부를 확인합니다:

node -v
npm -v
Cursor IDE에 MCP 서버 추가하기
Cursor Setting에서 "MCP" 탭으로 이동합니다.
MCP Servers 섹션에서 "Add new global MCP server" 버튼을 클릭합니다.
mcp.json 파일을 아래처럼 작성합니다.
{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-postgres",
        "postgresql://username:password@localhost:5432/dbname"
      ]
    }
  }
}
여기서 각 항목은 다음과 같이 입력합니다:

username: 데이터베이스 접속 사용자 이름
password: 데이터베이스 사용자 암호
localhost: 데이터베이스 서버의 주소 (원격 서버일 경우 IP 주소 또는 도메인 사용)
5432: PostgreSQL 서버 포트 번호 (기본값)
dbname: 연결할 데이터베이스 이름
정보를 모두 입력한 후 MCP Servers 목록에 "postgres"가 추가되었는지 확인합니다.
MCP Servers  목록에서 "postgres"가 활성 상태(초록색 점)로 표시되는지 확인합니다. (초록색 표시가 될때까지 몇초정도 걸릴 수 있음)
✅ MCP 서버와의 연동 상태 확인하기
MCP 서버가 정상적으로 연동되었는지 실제로 확인해 봅니다.

연동 테스트 수행
Cursor IDE의 AI 챗 패널에서 다음과 같은 간단한 요청을 입력해 봅니다:
데이터베이스에 저장된 테이블 이름들을 보여줘.
예시 명령:
정상적으로 데이터베이스의 테이블 목록이 표시되면 MCP 서버와의 연동이 성공적으로 완료된 것입니다.
만약 오류가 발생하거나 결과가 나오지 않는다면, 서버 로그와 입력한 연결 정보를 다시 점검해 보세요.

출처https://gsroot.tistory.com/95