Refactor: Consolidate directory structure into 5 main categories and update metadata

10_Wiki/Topics_Dev/Model_Context_Protocol.md

@@ -1,46 +1,45 @@
 ---
-id: P-REINFORCE-WIKI-DEV-MCP
-title: "Model Context Protocol과 지능형 컨텍스트 연결 (MCP)"
-category: "10_Wiki/💻 Topics_Dev"
+id: P-REINFORCE-WIKI-AI-MCP
+title: "모델 컨텍스트 프로토콜 (Model Context Protocol, MCP)"
+category: Dev
 status: verified
 canonical_id: ""
-aliases: ["MCP", "Model Context Protocol", "AI 컨텍스트 프로토콜", "데이터 소스 연결"]
+aliases: ["MCP", "Model Context Protocol", "AI 데이터 연결", "컨텍스트 표준"]
 duplicate_of: ""
 source_trust_level: A
 confidence_score: 1.0
-tags: ["AI", "Standard", "Protocol", "Context", "Automation"]
+tags: ["AI_Standard", "Protocol", "Context_Management", "Tool_Use", "LLM_Integration"]
 raw_sources: ["Datacollector_Export_2026-05-02"]
 last_reinforced: 2026-05-02
 github_commit: ""
 ---
 
-# [[Model Context Protocol과 지능형 컨텍스트 연결 (MCP)]]
+# [[모델 컨텍스트 프로토콜 (Model Context Protocol, MCP)]]
 
 ## 1. 개요
-Model Context Protocol(MCP)은 AI 어시스턴트나 에이전트가 외부 데이터 소스 및 도구에 안전하고 구조화된 방식으로 연결할 수 있도록 정의된 개방형 표준 프로토콜이다. 개발자가 수동으로 데이터를 복사하여 AI에게 전달하는 대신, MCP를 통해 로컬 파일 시스템, GitHub API, 데이터베이스 등을 AI의 추론 루프에 직접 연결함으로써 고도의 컨텍스트 인지 능력을 갖춘 지능형 개발 환경을 구축한다.
+Model Context Protocol (MCP)은 AI 어시스턴트(예: Claude)가 외부 도구 및 데이터 소스(GitHub, Jira, 로컬 파일 시스템 등)에 구조화된 방식으로 접근할 수 있도록 해주는 Anthropic의 개방형 표준 프로토콜이다. 개발자가 수동으로 데이터를 복사해 주입하는 대신, AI가 필요한 도구를 직접 호출하여 실시간 컨텍스트를 확보하게 함으로써 '데이터 사일로' 문제를 해결한다.
 
-## 2. 주요 아키텍처 및 작동 원리
-- **MCP 서버 (Server)**: 특정 데이터 소스나 기능을 노출하는 주체. 도구(Tools), 리소스(Resources), 프롬프트(Prompts)를 정의하여 클라이언트에게 제공.
-- **MCP 클라이언트 (Client)**: AI 어시스턴트(예: Claude Desktop)나 개발 도구. 사용자의 의도에 따라 적절한 MCP 서버의 기능을 호출.
-- **도구 호출 (Tool Calling)**: AI가 특정 작업을 수행하기 위해 서버에 정의된 도구를 구조화된 매개변수(JSON)와 함께 요청하고 결과를 받아 추론에 활용.
-- **컨텍스트 매핑**: 소스 코드뿐만 아니라 PR 이력, 이슈 티켓, 설계 문서 등 산재된 지식 파편들을 단일 대화 맥락 내에서 통합하여 분석.
+## 2. 작동 원리 (Server-Client Model)
+- **MCP 서버**: 특정 데이터 소스(예: GitHub API)나 로컬 도구를 노출하는 서버. AI가 사용할 수 있는 '도구(Tools)' 목록과 실행 로직을 정의한다.
+- **AI 클라이언트 (Host)**: 사용자의 질문을 분석하여 필요한 MCP 서버의 도구를 식별하고, 구조화된 매개변수(JSON)와 함께 호출을 요청한다.
+- **도구 호출 (Tool Use)**: 서버는 요청받은 작업을 수행하고 결과를 JSON 형태로 반환하며, AI는 이를 바탕으로 최종 답변을 생성한다.
 
-## 3. 엔지니어링 및 개발자 가치
-- **무손실 컨텍스트 전송**: 코드를 복사-붙여넣기 할 때 발생하는 정보 누락이나 형식 훼손 없이, AI가 원본 파일 구조와 메타데이터를 직접 읽고 해독 가능.
-- **워크플로우 통합**: 브라우저와 IDE를 오가는 컨텍스트 스위칭 없이, 대화창 안에서 코드 검색, 변경 이력 확인, PR 요약 등의 작업을 수행하여 개발 몰입도(Flow) 유지.
-- **상호운용성 (Interoperability)**: 표준 프로토콜을 준수하는 모든 MCP 서버는 다양한 AI 모델 및 클라이언트와 즉각적으로 연동되어 도구 생태계의 재사용성 극대화.
+## 3. 엔지니어링 실무 적용
+- **코드베이스 탐색**: AI가 저장소의 디렉토리 구조, 파일 내용, 커밋 이력을 직접 쿼리하여 시스템 아키텍처를 실시간으로 분석.
+- **PR 및 이슈 통합**: 풀 리퀘스트의 변경 사항과 연결된 이슈 티켓의 맥락을 결합하여 설계 의도에 맞는 리뷰 수행.
+- **동적 지식 연동**: 위키(Confluence), 문서, 데이터베이스 스키마 등 산재된 엔터프라이즈 데이터를 단일 대화 창에서 통합 조회.
 
 ## 4. 트레이드오프 및 주의사항
-- **컨텍스트 창(Context Window)의 제약**: AI가 한 번에 처리할 수 있는 정보량에는 한계가 있다. 방대한 저장소를 분석할 때는 정보를 적절히 요약하거나 필요한 부분만 선택적으로 호출하는 전략 필요.
-- **보안 및 권한 관리**: AI가 로컬 파일이나 민감한 API에 접근하므로, 최소 권한 원칙(Least Privilege)에 따라 서버 스코프를 제한하고 OAuth 등 인증 체계를 철저히 관리해야 함.
-- **실행 능력의 부재**: 현재의 MCP는 주로 '읽기'와 '정보 획득'에 최적화되어 있다. 실제 코드를 빌드하거나 테스트를 실행하는 동적 행위는 여전히 로컬 실행 환경과의 유기적인 결합이 요구됨.
+- **장점**: 문맥 상실 없는 연속적인 작업 가능, 도구 재사용성 및 모듈성 확보, 실시간 데이터 기반의 추론.
+- **단점**: API 호출에 따른 속도 제한(Rate Limits) 발생 가능, 코드 실행(Execution)이 아닌 읽기(Read) 중심의 프로토콜 한계.
+- **보안**: 프라이빗 데이터 접근 시 OAuth 스코프 관리 및 서버의 접근 권한 통제가 필수적임.
 
 ## 5. 지식 연결 (Related)
-- [[Automated_Code_Analysis]]: MCP를 통해 지능형 분석을 수행하는 상위 도구 체계.
-- [[Abstract_Syntax_Tree]]: AI가 MCP로 가져온 코드를 구조적으로 이해하는 방식.
-- [[GitHub_Artifacts]]: MCP 도구가 주로 접근하여 지식을 추출하는 주요 원천 데이터.
+- [[Agentic_Workflows]]: MCP를 통해 손과 발을 얻은 자율형 에이전트의 업무 흐름.
+- [[LLM_Context_Extraction]]: MCP를 통해 수집된 파편화된 정보를 유의미한 지식으로 구조화하는 기술.
+- [[AI_Powered_Code_Review]]: MCP를 활용하여 고도화된 코드 리뷰를 수행하는 실전 사례.
 
 ## 🧪 검증 상태 (Validation)
 - **정보 상태**: 검증 완료 (Verified)
 - **출처 신뢰도**: A
-- **검토 이유**: AI 에이전트가 개발 도구 및 데이터와 상호작용하는 차세대 인터페이스 표준을 정립하고, 지능형 지식 전수 체계의 기술적 토대 마련.
+- **검토 이유**: AI와 외부 데이터 간의 표준화된 연결 고리를 제공하여 지능형 개발 도구의 상호운용성을 확보하기 위한 핵심 프로토콜 정립.