{"title":"컨텍스트 관리와 MCP: CLI와의 논쟁을 넘어서","url":"https://hugo-blog-static-site.haxlys.workers.dev/software/context-management-and-mcp/","section":"software","date":"2026-02-04T08:59:15+09:00","lastmod":"2026-02-04T08:59:15+09:00","description":"Sentry 창립자 David Cramer가 제안하는 LLM 조종(Steering)과 서브에이전트 중심의 컨텍스트 관리 전략.","summary":"출처: https://cra.mr/context-management-and-mcp/\n이 글은 Sentry의 창립자인 David Cramer가 작성한 것으로, 최근 개발자들 사이에서 벌어지는 \u0026ldquo;MCP(Model Context Protocol)냐 CLI(명령줄 인터페이스)냐\u0026rdquo; 의 논쟁이 본질을 벗어난 것임을 지적하며 \u0026lsquo;컨텍스트 관리와 조종(Steering)\u0026rsquo; 의 중요성을 강조하고 있습니다.\n1. MCP vs CLI 논쟁의 핵심 잘못된 비교: 많은 사람들이 CLI가 나왔으니 MCP를 쓸 필요가 없다고 말하지만, 이는 LLM이 컨텍스트를 어떻게 처리하는지 이해하지 못한 결과입니다. MCP의 진정한 가치: MCP는 단순한 API 프록시가 아니라, LLM이 도구를 더 정확하게 사용하도록 \u0026lsquo;조종(Steering)\u0026rsquo; 하는 데 최적화되어 있습니다. MCP는 마크다운, XML 구조, 힌트 등을 활용해 모델이 이해하기 쉬운 형태로 정보를 전달합니다. 2. 조종(Steering)의 중요성 LLM 맞춤형 응답: 일반적인 API나 CLI는 기계(Machine) 중심의 출력을 내놓지만, 우수한 MCP 서버(예: Sentry MCP)는 LLM이 다음 행동을 결정하기 좋게끔 요약된 정보와 가이드를 제공합니다. 토큰 효율성: \u0026ldquo;항상 켜져 있는 MCP 도구가 토큰을 낭비한다\u0026quot;는 비판도 있지만, 초기 조종 컨텍스트에 토큰을 투자하는 것이 나중에 모델이 길을 잃어 발생하는 \u0026lsquo;컨텍스트 부패(Context Rot)\u0026lsquo;를 막는 데 더 효과적입니다. 3. 점진적 공개(Progressive Disclosure)의 한계 필요할 때만 도구 설명을 불러오는 방식은 모델로부터 \u0026lsquo;도구의 의도\u0026rsquo;를 숨기게 되어, 결국 모델의 추론 능력을 떨어뜨리고 API 호출기 수준으로 전락시킵니다. 4. 해결책: 서브에이전트(Subagents) 저자는 현재의 한계를 극복하기 위해 서브에이전트 방식 을 제안합니다. 특정 작업에만 필요한 MCP 도구와 컨텍스트를 격리된 서브에이전트에 할당함으로써, 컨텍스트 부패를 최소화하고 각 모델이 전문적인 작업을 수행하도록 만들 수 있습니다. 요약 결론 결국 중요한 것은 어떤 프로토콜을 쓰느냐가 아니라 \u0026ldquo;어떻게 하면 모델이 실수 없이 작업을 완수하도록 컨텍스트를 잘 설계하고 전달(Steering)하느냐\u0026rdquo; 입니다. 저자는 이를 위해 모델의 한계를 인정하고 서브에이전트와 같은 구조적 접근이 필요하다고 주장합니다.\n","content":"출처: https://cra.mr/context-management-and-mcp/\n이 글은 Sentry의 창립자인 David Cramer가 작성한 것으로, 최근 개발자들 사이에서 벌어지는 \u0026ldquo;MCP(Model Context Protocol)냐 CLI(명령줄 인터페이스)냐\u0026rdquo; 의 논쟁이 본질을 벗어난 것임을 지적하며 \u0026lsquo;컨텍스트 관리와 조종(Steering)\u0026rsquo; 의 중요성을 강조하고 있습니다.\n1. MCP vs CLI 논쟁의 핵심 잘못된 비교: 많은 사람들이 CLI가 나왔으니 MCP를 쓸 필요가 없다고 말하지만, 이는 LLM이 컨텍스트를 어떻게 처리하는지 이해하지 못한 결과입니다. MCP의 진정한 가치: MCP는 단순한 API 프록시가 아니라, LLM이 도구를 더 정확하게 사용하도록 \u0026lsquo;조종(Steering)\u0026rsquo; 하는 데 최적화되어 있습니다. MCP는 마크다운, XML 구조, 힌트 등을 활용해 모델이 이해하기 쉬운 형태로 정보를 전달합니다. 2. 조종(Steering)의 중요성 LLM 맞춤형 응답: 일반적인 API나 CLI는 기계(Machine) 중심의 출력을 내놓지만, 우수한 MCP 서버(예: Sentry MCP)는 LLM이 다음 행동을 결정하기 좋게끔 요약된 정보와 가이드를 제공합니다. 토큰 효율성: \u0026ldquo;항상 켜져 있는 MCP 도구가 토큰을 낭비한다\u0026quot;는 비판도 있지만, 초기 조종 컨텍스트에 토큰을 투자하는 것이 나중에 모델이 길을 잃어 발생하는 \u0026lsquo;컨텍스트 부패(Context Rot)\u0026lsquo;를 막는 데 더 효과적입니다. 3. 점진적 공개(Progressive Disclosure)의 한계 필요할 때만 도구 설명을 불러오는 방식은 모델로부터 \u0026lsquo;도구의 의도\u0026rsquo;를 숨기게 되어, 결국 모델의 추론 능력을 떨어뜨리고 API 호출기 수준으로 전락시킵니다. 4. 해결책: 서브에이전트(Subagents) 저자는 현재의 한계를 극복하기 위해 서브에이전트 방식 을 제안합니다. 특정 작업에만 필요한 MCP 도구와 컨텍스트를 격리된 서브에이전트에 할당함으로써, 컨텍스트 부패를 최소화하고 각 모델이 전문적인 작업을 수행하도록 만들 수 있습니다. 요약 결론 결국 중요한 것은 어떤 프로토콜을 쓰느냐가 아니라 \u0026ldquo;어떻게 하면 모델이 실수 없이 작업을 완수하도록 컨텍스트를 잘 설계하고 전달(Steering)하느냐\u0026rdquo; 입니다. 저자는 이를 위해 모델의 한계를 인정하고 서브에이전트와 같은 구조적 접근이 필요하다고 주장합니다.\n","wordCount":234,"tags":["MCP","LLM","Context Management","AI Agents"],"categories":["Software"],"frameworks":["Total Cost of Ownership","Agent-native Development","Context Management"],"mental_models":[],"philosophy_type":"","schema_type":"TechArticle","actionable":true,"priority":"high","key_points":["컨텍스트 관리와 MCP: CLI와의 논쟁을 넘어서의 핵심 문제의식은 \"Sentry 창립자 David Cramer가 제안하는 LLM 조종(Steering)과 서브에이전트 중심의 컨텍스트 관리 전략.\"다","MCP, LLM, Context Management 관점에서 기존 글들과 연결해 읽을 수 있다","발행 전 원문 근거, 내부 링크, 결론의 실행 가능성을 함께 점검해야 한다"],"related":["software/getting-real-with-llms","software/mcp-best-practices","software/no-silver-bullet-for-llm-coding"]}