[기술 블로그] 흩어져 있는 AI 자산, ‘MCP stdio’로 헤쳐모여!

---

 

최근 AI 에이전트와 코딩 도구를 함께 사용하는 환경이 빠르게 확산되면서, 이제는 단순히 “AI를 잘 쓰는 방법”을 넘어서 AI가 참고하는 자산을 어떻게 관리할 것인가도 중요한 문제가 되고 있다고 느꼈다.

 

프롬프트, 스킬, 규칙 문서, 페르소나 같은 AI 자산은 한 번 만들고 끝나는 것이 아니라 계속 수정되고 개선되기 때문에, 팀 단위로 활용할수록 최신 버전 관리와 일관성 유지가 더 중요해진다.

 

실제 원문에서도 흩어져 있는 AI 자산을 중앙화해 관리하고, 구성원들이 최신 자산을 쉽게 사용할 수 있는 방법으로 Agent Sync와 MCP stdio를 비교하고 있다.

 

※ 본 글은 우아한형제들 기술블로그의 「흩어져 있는 AI 자산, ‘MCP stdio’로 헤쳐모여!」 글을 참고하여 작성하였습니다. 

https://techblog.woowahan.com/25986/

흩어져 있는 AI 자산, ‘MCP stdio’로 헤쳐모여! | 우아한형제들 기술블로그

---

1. 이 글을 선정한 이유

이 글을 선정한 이유는, 단순히 새로운 AI 기능을 소개하는 글이 아니라 실무에서 AI 자산을 어떻게 운영하고 관리할 것인가라는 문제를 다루고 있기 때문이다. 요즘은 Cursor, Claude Code, 다양한 IDE 플러그인처럼 여러 AI 도구를 함께 쓰는 경우가 많다. 그런데 도구가 많아질수록 다음과 같은 문제도 함께 커진다.

• 어떤 프롬프트가 최신 버전인지 알기 어렵다
• 예전에 잘 쓰던 스킬이 어디 있는지 찾기 어렵다
• 팀의 공통 규칙이 프로젝트마다 다르게 적용된다
• 같은 자산이 여러 저장소에 중복 저장되면서 관리가 복잡해진다

특히 AI 자산은 단순 메모가 아니라 긴 마크다운 문서이거나, 특정 작업을 수행하기 위한 스킬 문서일 수 있기 때문에, 관리 방식이 체계적이지 않으면 재사용성과 일관성이 빠르게 무너질 수 있다. 이 글은 바로 이런 문제를 “AI 자산 중앙화”라는 관점에서 바라보고, 그 해결 방식으로 Agent Sync와 MCP stdio를 비교하고 있다는 점에서 인상적이었다.

 

2. AI 자산 중앙화란 무엇일까

여기서 말하는 AI 자산은 단순히 프롬프트만 의미하지 않는다. 원문에서 다루는 AI 자산은 규칙 문서, 스킬 문서, 프롬프트, 실행 로직 등처럼 AI가 작업할 때 참고하거나 활용하는 다양한 리소스를 포함한다. 즉, “AI를 똑똑하게 쓰기 위한 자료와 기준” 전체를 자산으로 보는 것이다.

 

이 자산들이 여러 저장소와 여러 프로젝트에 흩어져 있으면, 팀원마다 서로 다른 기준으로 AI를 쓰게 될 가능성이 커진다.

반대로 자산을 중앙에서 관리하면, 여러 사람이 같은 규칙과 같은 스킬을 기반으로 작업할 수 있게 된다.

-> 결국 AI 자산 중앙화는 단순한 저장 방식의 문제가 아니라, AI 활용의 품질과 일관성을 어떻게 유지할 것인가의 문제라고 볼 수 있다.

 

3. AI 자산 중앙화를 위한 두 가지 방식

원문에서는 대표적인 방식으로 Agent Sync와 MCP stdio를 소개한다. 두 방식 모두 중앙에서 관리된 자산을 여러 사용처에서 활용한다는 공통점이 있지만, 동작 방식은 다르다.

 

3-1. Agent Sync

Agent Sync는 중앙 저장소에 있는 AI 자산 파일을 각 프로젝트로 다운로드해서 사용하는 방식이다.

쉽게 말해 필요한 시점에 사용자가 명령어를 실행해 중앙 자산을 로컬로 가져오고, 그 파일을 에이전트와 함께 활용하는 구조다.

 

이 방식은 로컬에 파일이 있기 때문에 직접 열어보고 확인하기 쉽고, 프로젝트 상황에 맞게 수정하거나 커스터마이징하기도 편하다. 오프라인 환경에서도 사용할 수 있다는 점 역시 장점이다. 다만 자동 동기화가 아니기 때문에 업데이트가 누락될 수 있고, 프로젝트마다 서로 다른 버전이 남아 있을 수 있으며, 같은 자산이 여러 저장소에 중복되어 관리 부담이 커질 수 있다.

 

3-2. MCP stdio

반면 MCP stdio는 중앙에 MCP 서버를 두고, 사용자가 그 서버에 연결된 AI 자산을 각 도구에서 활용하는 방식이다. 여기서 stdio는 Standard Input/Output의 약자로, HTTP처럼 별도의 네트워크 서버를 두지 않고 운영체제의 표준 입출력을 이용해 프로세스 간 통신을 수행한다.

 

원문에서는 이 방식의 장점으로 최신 자산의 일관된 반영, 로컬 저장소 오염 감소, 확장 용이성, 팀 단위 관리 편의성을 제시하고 있다. 반대로 MCP를 지원하는 도구에서만 활용할 수 있고, 로컬 파일처럼 자산을 직접 열어보거나 수정하는 편의성은 상대적으로 낮다는 제약도 있다. 정리하면 MCP stdio는 중앙 통제와 최신성, 확장성을 우선할 때 더 적합한 방식이라고 볼 수 있다.

 

4. Agent Sync와 MCP stdio를 비교해 보면

개인적으로 원문에서 가장 흥미로웠던 부분은 두 방식을 단순히 “무엇이 더 좋다”로 정리하지 않고, 어떤 상황에 더 적합한가로 설명한 점이다. 비교 내용을 정리하면 다음과 같다.

• Agent Sync: 파일 가시성이 높고 로컬 수정이 쉽지만, 동기화 누락 시 드리프트가 발생할 수 있음
• MCP stdio: 최신 자산이 자동 반영되고 중앙 관리가 쉽지만, MCP 지원 도구가 필요하고 로컬 수정은 불편할 수 있음

 

즉, 개인 프로젝트나 소규모 실험에서는 Agent Sync가 더 편할 수 있지만, 여러 명이 같은 기준으로 AI를 활용해야 하는 팀 환경에서는 MCP stdio가 훨씬 강력한 방식이 될 수 있다. 기술은 항상 무조건 더 좋은 방식이 있는 것이 아니라, 무엇을 우선할 것인가에 따라 선택지가 달라진다는 점에서 이 비교가 매우 실무적이라고 느껴졌다.

 

5. MCP stdio는 실제로 어떻게 구성될까

원문에서는 MCP stdio를 대체로 다음과 같은 흐름으로 설명한다.
중앙 패키지 구성 → MCP 서버 엔트리 작성 → npm 패키지 배포 → IDE에 MCP 서버 등록 → 에이전트 사용의 순서다.

 

1) 중앙 패키지 구성

먼저 rules, skills 같은 AI 자산을 하나의 중앙 저장소에 모은다.

• rules/ : 코딩 규칙, 문서 작성 규칙
• skills/ : 특정 작업을 수행하는 스킬 문서
• src/index.ts : MCP 서버 엔트리
• package.json : 패키지 설정

예를 들어 코딩 규칙, 문서 작성 규칙, 특정 작업용 스킬 문서를 각각 폴더로 구분해 둘 수 있다.

 

2) MCP 서버 엔트리 작성

그 다음 src/index.ts에서 MCP 서버를 만들고, 어떤 리소스를 노출할지 연결한다.
예를 들어 resources 핸들러를 통해 rules나 skills 파일 목록을 제공하고,

요청이 들어오면 해당 자산 내용을 반환하는 구조로 구성할 수 있다. 

 

이 부분에서 핵심은 AI 자산이 단순 문서로 끝나는 것이 아니라, 에이전트가 요청 시 읽고 활용할 수 있는 리소스로 연결된다는 점이다. 예를 들어 원문 흐름을 이해하기 쉽게 아주 단순화하면 아래와 같이 정리할 수 있다.

import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new Server(
{ name: "ai-assets-mcp", version: "1.0.0" },
{ capabilities: { resources: {} } }
);

async function main() {
const transport = new StdioServerTransport();
await server.connect(transport);
}

main();

 

3) npm 패키지 배포

중앙 저장소는 npm 패키지처럼 배포할 수 있다.
이 방식의 장점은 프론트엔드나 자바스크립트 환경에 익숙한 개발자에게 친숙하고, 버전 관리와 배포 흐름이 비교적 명확하다는 점

 

4) IDE에 MCP 서버 등록

이후 Cursor 같은 도구에 MCP 서버를 등록하면, 각 프로젝트와 별개로 같은 AI 자산을 활용할 수 있다.
특히 @latest처럼 최신 버전을 가리키는 방식으로 연결하면, 사용자가 일일이 파일을 다시 내려받지 않아도 다음 실행 시 최신 자산을 사용할 수 있다.

 

이후 패키지를 배포하고, 사용하는 도구에 MCP 서버를 등록하면 된다. 원문에서는 예시로 다음과 같은 JSON 구성을 보여준다.   이 등록이 끝나면 각 프로젝트가 개별적으로 규칙 파일을 들고 있지 않아도, 중앙에서 관리되는 최신 자산을 참조할 수 있게 된다.

{
"mcpServers": {
"ai-assets-mcp": {
"command": "npx",
"args": ["-y", "@example/ai-assets-mcp@latest"]
}
}
}

 

5) 에이전트에서 자산 사용

마지막으로 개발자는 평소처럼 에이전트에게 요청하면 된다.
차이는, 그 요청 과정에서 에이전트가 중앙에서 관리되는 rules와 skills를 참고하게 된다는 점이다.

[즉, MCP stdio는 단순한 저장 방식이 아니라, AI 자산을 중앙에서 관리하고 여러 도구에서 일관되게 활용하기 위한 실행 구조]  

 

특히 @latest처럼 최신 버전을 가리키는 방식은 사용자가 일일이 파일을 다시 내려받지 않아도 다음 실행 시 최신 자산을 활용할 수 있게 해 준다는 점에서, “중앙화”의 의미를 잘 보여주는 부분이라고 생각했다. 

 

6. 추가적으로 공부해 본 내용

원문을 읽고 추가로 공부해 보면서 느낀 점은, MCP stdio의 핵심은 단순히 “한곳에 모아둔다”가 아니라 실행 시점에 중앙 자산을 직접 참조하게 만드는 구조라는 데 있다.

 

즉, 예전처럼 프로젝트마다 규칙 파일을 복사해 두는 방식이 아니라, 중앙 패키지와 MCP 서버를 통해 여러 도구가 같은 자산을 바라보도록 만드는 것이다. 그래서 이 기술은 단순한 저장 방식이 아니라, AI 자산을 여러 환경에서 일관되게 활용하기 위한 운영 구조라고 보는 편이 더 정확하다고 느꼈다.

 

또 하나 흥미로웠던 점은, 이 방식이 앞으로 중요해질 수 있는 이유가 단순한 편의성 때문만은 아니라는 것이다.

• AI 활용이 늘어날수록 사람마다 다른 프롬프트를 사용하게 되거나,
• 팀 규칙이 일관되게 반영되지 않거나, 보안과 품질 기준이 누락될 가능성도 커진다.

그런 점에서 MCP stdio는 단순한 연결 기술이 아니라, AI 자산 거버넌스의 시작점처럼 볼 수도 있다고 생각했다.

좋은 프롬프트 하나를 잘 만드는 것보다, 여러 사람이 같은 자산을 같은 기준으로 활용할 수 있게 만드는 일이 더 중요해질 수 있기 때문이다.

 

• 개인정보보호 관점에서도 이 구조는 의미가 있다.
• 예를 들어 팀별로 서로 다른 프롬프트와 규칙 문서를 사용하면, 민감정보 마스킹 기준이나 로그 출력 제한 원칙, 테스트 데이터 취급 방식이 일관되지 않게 적용될 수 있다.
• 하지만 중앙에서 공통 자산을 관리하면, 최소한 기본적인 보안·프라이버시 기준을 더 통일된 형태로 반영할 가능성이 높아진다. 즉, MCP stdio는 생산성 향상 도구인 동시에, 장기적으로는 정책 일관성과 관리 가능성을 높이는 방향으로도 연결될 수 있다고 생각한다.

7. 이 기술이 다른 분야에서는 어떻게 활용될 수 있을까

이 기술은 개발 조직뿐 아니라, 여러 분야에서 확장해서 생각해 볼 수 있다.

• 첫째, 보안 팀에서는 공통 보안 점검 규칙이나 코드 리뷰 기준을 중앙 자산으로 관리할 수 있다. 그렇게 하면 팀원마다 다른 기준으로 AI를 쓰는 것이 아니라, 같은 점검 기준을 바탕으로 리뷰나 분석을 수행할 수 있다.
• 둘째, 교육 분야에서는 과제 작성 가이드, 코드 스타일 규칙, 실습 스킬 문서를 하나의 중앙 자산으로 제공할 수 있다. 학생들이 서로 다른 버전의 자료를 참고하는 대신, 항상 최신 기준을 기반으로 학습하게 만들 수 있다.
• 셋째, 기업 내부 지식관리에서도 활용 가능성이 있다. 부서별 업무 규칙, 문서 작성 기준, 자주 사용하는 분석 절차 등을 AI 자산으로 연결하면, 직원이 매번 문서를 찾지 않아도 에이전트를 통해 바로 참고할 수 있다.

결국 MCP stdio의 핵심 가치는 “AI를 더 똑똑하게 만든다”는 데만 있는 것이 아니라, 여러 사람이 같은 기준과 같은 자산을 바탕으로 AI를 활용할 수 있게 한다는 데 있다고 생각한다.

 

8. 마무리하며

이번 글을 통해 가장 크게 느낀 점은, 앞으로는 “AI를 잘 쓰는 법”만큼이나 AI 자산을 잘 관리하는 법도 중요해진다는 것이다. 프롬프트, 규칙, 스킬은 이제 개인의 임시 메모가 아니라 팀의 생산성과 품질, 나아가 보안과 일관성까지 좌우하는 운영 자산이 되고 있다.

 

원문은 바로 그 지점을 짚으면서, Agent Sync와 MCP stdio라는 두 방식을 비교하고, 특히 MCP stdio가 왜 팀 단위 환경에서 강력한 선택지가 될 수 있는지를 잘 보여준다.

 

개인적으로는 이 글이 단순히 새로운 기술을 소개하는 글이 아니라, AI 활용 환경에서 무엇을 중앙화하고, 무엇을 표준화해야 하는가를 생각하게 만든 글이었다. 앞으로 AI 도구가 더 많아질수록, 좋은 자산을 만드는 것뿐 아니라 그것을 여러 사람이 일관되게 활용할 수 있게 만드는 구조 역시 더 중요한 경쟁력이 될 것이라고 생각한다.