지난 포스트에서 Jina AI의 검색 및 리더 API를 DeepSeek R1과 통합하여 심층 연구 에이전트를 구축하는 방법을 보여드렸지만, 이를 위해서는 많은 사용자 정의 코드와 提示词 엔지니어링이 필요했습니다. 이 포스트에서는 훨씬 적은 사용자 정의 코드를 사용하고 다양한 大模型에 이식할 수 있지만 여전히 몇 가지 함정이 있는 모델 컨텍스트 프로토콜 (MCP)을 사용하여 동일한 작업을 수행합니다.
에이전트를 구축하기 위해 최근에 출시한 MCP 서버를 사용합니다. 이 서버는 Jina Reader, 向量模型 및 重排器 API와 URL-to-markdown, 웹 검색, 이미지 검색, 向量模型/重排器 도구에 대한 액세스를 제공합니다.
jina-ai
tag에이전트와 모델 컨텍스트 프로토콜
최근 에이전트와 에이전트 AI에 대해 많은 디지털 잉크가 쏟아졌습니다. 종종 과장되거나 (Gartner와 같이 2028년까지 일상 업무 결정의 약 15%가 AI 에이전트에 의해 자율적으로 이루어질 것으로 예상) 평가절하됩니다 (Vortex와 같이 대부분의 에이전트 AI 제안은 상당한 가치나 투자 수익이 부족하다고 주장).
하지만 에이전트는 무엇일까요? 더 나은 정의 중 하나는 (Chip Huyen을 통해 Simon Willison) 다음과 같습니다.
[에이전트는] 접근 방식을 계획한 다음 목표가 달성될 때까지 루프에서 도구를 실행하는 大模型 시스템입니다.
이것이 이 블로그 포스트에서 우리가 사용할 정의입니다. 그리고 에이전트가 사용하는 이러한 도구는 모델 컨텍스트 프로토콜과 연결됩니다. 원래 Anthropic에서 개발한 이 프로토콜은 大模型을 외부 도구 및 데이터 소스에 연결하기 위한 공통어가 되고 있습니다. 즉, 에이전트는 단일 워크플로에서 여러 도구를 연결할 수 있습니다. 그 결과 API 모음을 오케스트레이션하여 계획, 추론 및 행동할 수 있는 에이전트가 탄생합니다.
예를 들어, 경쟁사 제품 가격을 수집하여 비교하고 가격을 최적화하는 가격 최적화 에이전트를 구축할 수 있습니다. 그런 다음 Jina AI의 MCP 서버, 提示词 및 경쟁사 제품 목록을 에이전트에 장착하여 스크랩된 데이터와 소스 링크가 포함된 실행 가능한 보고서를 생성할 수 있습니다. 추가 MCP 서버를 사용하면 에이전트가 해당 보고서를 PDF 형식으로 내보내고, 이해 관계자에게 이메일로 보내고, 내부 지식 기반에 저장하고, 더 많은 작업을 수행할 수 있습니다.
이 포스트에서는 다음 도구를 제공하는 MCP 서버로 세 가지 예제 에이전트를 구축합니다.
primer- 지역화되고 시간 인식이 가능한 응답을 위한 현재 컨텍스트 정보 가져오기read_url- Reader API를 통해 웹 페이지에서 깨끗하고 구조화된 콘텐츠를 Markdown으로 추출 (병렬 버전으로도 사용 가능)capture_screenshot_url- Reader API를 통해 웹 페이지의 고품질 스크린샷 캡처guess_datetime_url- 신뢰도 점수로 웹 페이지에서 마지막 업데이트/게시 날짜 및 시간 분석search_web- Reader API를 통해 현재 정보 및 뉴스를 위해 전체 웹 검색 (병렬 버전으로도 사용 가능)search_arxiv- Reader API를 통해 arXiv 리포지토리에서 학술 논문 및 프리프린트 검색 (병렬 버전으로도 사용 가능)search_images- Reader API를 통해 웹에서 이미지 검색 (Google 이미지와 유사)expand_query- Reader API를 통해 쿼리 확장 모델을 기반으로 웹 검색 쿼리 확장 및 재작성sort_by_relevance- 重排器 API를 통해 쿼리와의 관련성에 따라 문서 重排器deduplicate_strings- 向量模型 API 및 하위 모듈 최적화를 통해 의미상 고유한 상위 k개의 문자열 가져오기deduplicate_images- 向量模型 API 및 하위 모듈 최적화를 통해 의미상 고유한 상위 k개의 이미지 가져오기
또한 MCP 클라이언트 (VS Code와 Copilot (무료이고 널리 사용됨)) 및 大模型 (Claude Sonnet 4 (테스트에서 최상의 결과를 제공했기 때문))이 필요합니다.
tagJina AI MCP 서버 사용
MCP는 범용 플러그인 시스템으로 설명되었으며, Claude Code, VS Code, Google Gemini CLI, Claude 및 ChatGPT용 데스크톱 프런트 엔드와 같은 여러 프로그램을 지원합니다. MCP 서버를 연결하는 것은 일반적으로 설정을 편집하여 다음을 포함하는 문제입니다.
{
"mcpServers": {
"jina-mcp-server": {
"url": "https://mcp.jina.ai/sse",
"headers": {
"Authorization": "Bearer ${JINA_API_KEY}" // 선택 사항
}
}
}
}
MCP 서버가 작동하는지 테스트하기 위해 간단한 提示词을 사용해 보겠습니다.
jina.ai 뉴스에 대한 최신 게시물의 요약을
단일 운율 바다 샹티 형식으로 제공하십시오.에이전트는 다음을 수행합니다.
read_url을 호출하여 https://jina.ai/news를 스크랩합니다."site:jina.ai \\"디코더 전용 向量模型 모델을 위한 GGUF 최적화\\" 2025년 8월"쿼리로search_web을 호출합니다.read_url을 호출하여 블로그 포스트를 스크랩합니다.- 스크랩된 데이터에서 1절 바다 샹티를 생성합니다.
🎵 *전통적인 바다 샹티 곡조로* 🎵
**"GGUF 선원의 이야기"**
*오, 그들은 30억 개의 강하고 진실한 向量模型을 가지고 항해했네,*
*양자화된 깊고 푸른 바다를 통과하여,*
*L4 GPU 바람을 등에 업고,*
*초당 4천 개의 词元을 추적하네!*
*힘차게 끌어올려라, 내 친구들아, 비전 타워를 벗겨내라,*
*GGUF 최적화는 도시에서 가장 훌륭한 항구이기 때문이라네!*
실제로 작동하는 것을 확인했으므로 유용한 실제 예제를 구축하여 실제로 테스트해 보겠습니다.
tag예제 1: 일일 arXiv 논문 요약
최신 학술 논문을 읽는 것은 Jina AI에서 하는 일의 일부입니다. 하지만 정말 관련성 있는 논문을 필터링하고 각 논문에서 가장 중요한 정보를 추출하는 것은 정말 힘든 일이 될 수 있습니다. 그래서 첫 번째 실험에서는 가장 관련성이 높은 최신 논문의 일일 다이제스트를 만들어 해당 작업을 자동화했습니다. 다음은 우리가 사용한 提示词입니다.
지난 24시간 동안 게시된 大模型, 重排器 및 向量模型에 대한 논문을 arxiv에서
Jina 도구만 사용하여 스크랩한 다음, 관련성에 따라 중복을 제거하고 重排器하여
상위 10개를 출력합니다. 각 논문에 대해 PDF를 스크랩하고
초록을 추출합니다. 그런 다음 요약하고 수집한 정보를
"일일 업데이트"로 정리합니다. 각 논문에 대한 링크와 발행 날짜를 포함합니다.에이전트:
- 쿼리 문자열
large language models LLM,reranking information retrieval,embeddings vector representations,transformer neural networks및natural language processing NLP를 사용하여 관련 arxiv.org 논문을 검색합니다 (parallel_search_arxiv도구 사용). - 중복을 제거합니다 (
deduplicate_strings도구 사용). - 결과를 重排器합니다 (
sort_by_relevance도구 사용). 가장 관련성이 높은 결과 10개만 출력합니다. - 重排器된 결과에 대한 PDF URL을 검색합니다 (
parallel_read_url사용). 5개씩 두 개의 배치로 나눕니다. - 각 URL을 읽습니다 (
read_url도구를 10번 호출). - 초록, 요약, 동향, 통찰력, 향후 연구에 대한 시사점, 연구 격차 및 결론을 포함한 자세한 보고서를 생성합니다.
262588213843476
에이전트가 결과를 지난 24시간으로 제한하지 않는 문제가 가끔 발생했습니다. 해당 지침을 따르도록 한 번 더 **프롬프트**를 제시한 결과 위에 보고서가 나왔습니다.
tag예제 2: 시장 조사 에이전트
다음 실험에서는 에이전트가 유명 비디오 게임 회사(이름은 삭제됨)에 대한 경쟁 정보 보고서를 작성하도록 하겠습니다. 다음은 **프롬프트**입니다.
$GAME_COMPANY의 최근 복고풍 인디 게임 활동에 초점을 맞춘 포괄적인 경쟁 정보 보고서를 작성합니다. Jina 도구를 사용하여 최신 뉴스, 보도 자료 및 발표를 검색한 다음 공식 커뮤니케이션에서 깔끔한 콘텐츠를 추출합니다. 모든 조사 결과를 비즈니스 관련성별로 순위를 매기고 중복된 정보는 제거합니다. 지난 분기 동안의 전략적 방향, 제품 출시 및 시장 포지셔닝 변화에 대한 통찰력을 제시합니다.에이전트:
- 여러 루프의
search_web및read_url을 실행하여 조사를 수집합니다. sort_by_relevance를 사용하여 조사 결과를 **재정렬**하고 상위 10개의 결과를 출력합니다.- 임원 요약, 중요한 비즈니스 개발(전략적 중요도별 순위), 전략적 의사 결정 분석 및 기타 여러 섹션을 포함하는 시장 정보 보고서를 생성합니다.
262588213843476
tag예제 3: 법률 준수 연구
앞서 언급했듯이 MCP의 유용한 측면 중 하나는 여러 서버를 사용하여 더 복잡한 출력을 얻을 수 있다는 것입니다. 이 경우 자체 서버 외에 PDF Reader MCP 서버를 사용하여 EU와 미국의 AI 법률 준수 현황에 대한 연구 보고서를 작성합니다. 다음 **프롬프트**를 사용했습니다.
EU 및 미국에서 현재 AI 법률 준수 뉴스 및 일반적인 문제점에 초점을 맞춘 지식 기반 섹션을 개발합니다. 보고서는 EU의 AI 스타트업을 대상으로 해야 합니다. Jina MCP 도구를 광범위하게 적용합니다. 병렬 웹 검색 및 URL 읽기를 수행하여 상세한 콘텐츠를 효율적으로 추출하고, 의미론적 중복을 제거하고, 가장 권위 있는 정보를 표시하기 위해 재정렬합니다. 모든 출처를 URL과 게시 또는 업데이트 날짜와 함께 인용합니다. 콘텐츠를 명확하게 구성하고 즉시 사용할 수 있는 형식이 지정된 PDF 문서를 생성합니다.에이전트:
- 쿼리
EU AI Act 2024 compliance requirements startups legal obligations August 2025,USA AI regulation Biden executive order compliance requirements 2024 2025,AI startup legal pitfalls Europe GDPR data protection compliance 2025,AI liability insurance compliance requirements EU USA startups 2024 2025및AI ethics governance framework startups EU USA regulatory updates 2025를 사용하여 일반 정보에 대한 병렬 검색 작업을 수행하고(parallel_search사용) 각 쿼리에 대해 25개의 결과를 반환합니다. - 반환된 URL을 중복 제거합니다(
deduplicate_strings사용). - 4개의 URL 내용을 읽습니다(
parallel_read_url사용). - 쿼리
AI startup common compliance pitfalls mistakes EU USA 2025,AI liability insurance cybersecurity startup requirements 2025,AI bias discrimination testing requirements EU AI Act compliance startups,AI data protection GDPR violations penalties startups 2025를 사용하여 더 구체적인 정보를 위해 추가parallel_search를 수행합니다. parallel_read_url을 사용하여 추가 4개의 URL을 읽습니다.- 마크다운 형식으로 보고서를 생성하고 18페이지 PDF로 변환합니다.
262588213843476
PDF 메타데이터 및 형식을 개선하고 매우 긴 글머리 기호 목록 대신 보고서와 같이 만들기 위해 추가 **프롬프트**도 약간 수행해야 했지만 이는 향후 보고서를 위해 **프롬프트**에 통합할 것입니다.
tag대체 접근 방식
Claude Sonnet 4를 사용하기 전에 도구를 지원하는 다양한 Ollama 모델(Qwen3:30b, Qwen2.5:7b 및 llama3.3:70b 포함)을 시도했습니다. MCP 클라이언트의 경우 VS Code로 이동하기 전에 처음에는 ollmcp를 사용했습니다. 위의 모든 모델은 도구와 사용 방법에 대해 얼마나 명시적으로 **프롬프트**했는지에 관계없이 동일한 방식으로 실패했습니다. Jina AI에서 최신 블로그 게시물을 검색하는 것과 같은 간단한 작업을 수행하도록 요청받았을 때 각 모델(크기나 공급업체에 관계없이)은 일관되게 다음과 같은 동작을 보였습니다.
- 장황한 추론 루프에 들어가 끊임없이 스스로를 의심하고(**토큰**을 소모함) 마침내 지시받은 대로 수행하기로 결정할 때까지 반복함
- https://jina.ai/news에 대해
read_url을 호출함 - 블로그 게시물 제목과 발췌문을 검사함
- 최신 게시물을 스크랩했다고 완전히 날조함(해당 페이지에 대해
read_url을 호출하지 않고도) - 상위 검색 결과의 발췌문을 기반으로 요약을 제공함(실제 페이지 내용이 아님)
- 질문이 있을 때 지침을 정확히 따르고 요청대로 페이지를 스크랩했다고 주장함
Claude, GPT 및 Gemini 제품군의 모델은 허용 가능한 출력을 제공했지만 도구를 광범위하게 사용하고(종종 GPT-4.1이 선호하는 직렬 접근 방식 대신 병렬 도구 옵션을 사용) 더 길고 더 잘 구조화된 출력을 생성하므로 Claude Sonnet 4에 매우 빠르게 안착했습니다.
tag결론
"에이전트 AI"라는 용어에는 여전히 많은 모호성이 있지만 MCP는 이를 구체적이고 실용적인 것으로 만드는 단계를 나타냅니다. 우리의 경험상 에이전트는 아직 주요 시간대에 완전히 준비되지 않았고, 일반적으로 **대규모 언어 모델**(LLM)이 약점이 있지만 약간의 지원과 실험을 통해 좋은 결과를 얻을 수 있습니다. 즉, 적절한 조합의 **프롬프트**, **대규모 언어 모델**(LLM) 및 MCP 서버를 사용하면 에이전트가 사용자 지정 코드가 필요 없이 다단계 작업을 안정적으로 실행하는 것을 볼 수 있습니다. 이는 더 많은 수동 엔지니어링이 필요하고 취약한 통합을 초래하는 도구를 지원하지 않는 DeepSeek와 같은 이전 모델에서는 훨씬 더 어려운 일이었습니다.
이러한 현재 제한 사항에도 불구하고 궤적은 유망합니다. MCP 생태계는 빠르게 성장하고 있으며 Jina와 같은 API를 혼합하고 일치시키거나 새로운 **대규모 언어 모델**(LLM)을 사용할 수 있게 되면 스왑하는 것이 더 쉬워지는 더 많은 통합 및 도구를 제공합니다. 기본 모델이 개선되고 도구 생태계가 성숙됨에 따라 실험적 에이전트와 프로덕션 준비된 에이전트 AI 간의 격차가 계속 좁혀져 실제 애플리케이션에서 강력한 구현에 대한 접근성이 점점 더 높아지고 있습니다.
