5 Underrated MCP Features That Make AI Clients Smarter

개요

MCP(Model Context Protocol) 사양은 AI 클라이언트가 도구를 더 잘 이해하고 상호작용할 수 있도록 돕는 다양한 기능을 제공한다.

주요 내용

• Tool Annotations: readOnlyHint, idempotentHint, destructiveHint, openWorldHint와 같은 어노테이션을 사용하여 도구의 동작 방식을 클라이언트에게 명확하게 전달할 수 있다. 이는 클라이언트가 실행 계획을 세우거나, 사용자에게 도구를 표시하거나, 확인 흐름을 설계할 때 유용한 컨텍스트를 제공한다.
• Structured Tool Results: 단순히 텍스트 응답 대신, JSON 형태의 structuredContent를 반환하여 클라이언트가 결과를 더 쉽게 검증하고, 인터페이스를 렌더링하며, 다른 워크플로우에 데이터를 전달하거나, 모델이 자연어 응답을 파싱하는 대신 개별 필드를 처리하도록 할 수 있다.
• Output Schemas: 도구의 outputSchema를 노출함으로써 클라이언트는 structuredContent의 예상되는 구조를 도구를 호출하기 전에 검사할 수 있으며, 서버는 해당 스키마에 부합하는 구조화된 콘텐츠를 반환해야 한다. 이는 응답 검증, 타입화된 통합, 더 예측 가능한 클라이언트 측 처리, 풍부한 인터페이스, 명확한 도구 문서화를 지원한다.
• Progress Reporting: 인덱싱이나 대규모 AI 워크플로우 처리와 같이 시간이 오래 걸리는 작업에 대해 MCP는 옵션으로 진행 상황 알림을 지원한다. 클라이언트가 progressToken을 요청 메타데이터에 포함시키면, 서버는 해당 토큰과 관련된 진행 상황 메시지를 보낼 수 있어 사용자가 작업 진행 상황을 파악할 수 있다.
• Tasks: CI 파이프라인, 배치 처리, 모델 학습 등 장시간 실행되는 작업을 위해 MCP Tasks는 비동기 실행을 제공한다. 서버는 최종 결과 대신 내구성 있는 작업 핸들을 반환할 수 있으며, 클라이언트는 작업 식별자를 사용하여 작업을 폴링하고, 입력을 제공하며, 취소를 요청하고, 최종 결과를 검색할 수 있다.

시사점

MCP의 이러한 간과되기 쉬운 기능들은 AI 클라이언트가 도구의 작동 방식을 더 깊이 이해하고, 더 효과적으로 상호작용하며, 사용자에게 더 투명하고 신뢰할 수 있는 경험을 제공할 수 있도록 한다.