Gradio가 MCP(Model Context Protocol) 서버 기능을 자동으로 제공하여 Python 함수를 LLM 도구로 변환하고 IDM-VTON 모델과 연동한 AI 쇼핑 어시스턴트 구현

Context

LLM은 일반적인 텍스트 기반 질문 답변만 가능하며, 온라인 쇼핑처럼 특정 작업을 자동으로 수행하거나 전문화된 AI 모델(예: 가상 피팅)과 통합하기 어렵다. 개발자가 MCP 서버를 구축하려면 복잡한 기술 스택과 수동 구현이 필요했다.

Technical Solution

• Gradio의 자동 함수 변환: Python 함수의 docstring을 MCP 도구 설명으로 자동 생성하고, API 엔드포인트를 입력 스키마가 포함된 LLM 도구로 변환
• Gradio MCP 서버 설정: launch(mcp_server=True)로 웹 서버를 MCP 프로토콜 호환 서버로 배포 (http://127.0.0.1:7860/gradio_api/mcp/)
• IDM-VTON Gradio Space를 Client API로 통합: gradio_client.Client를 사용하여 원격 모델 호출하고, handle_file()로 이미지 업로드 자동 처리
• VS Code AI Chat MCP 등록: mcp.json에 vton 서버 URL과 playwright MCP 서버(웹 브라우징)를 설정하여 LLM에서 직접 호출 가능하도록 구성
• 통합 워크플로우: LLM이 playwright로 의류 검색 → 이미지 수집 → vton_generation 함수 호출 → 가상 피팅 이미지 반환의 자동화

Key Takeaway

Gradio의 자동 MCP 변환 기능과 Hugging Face 생태계를 결합하면, 복잡한 프로토콜 구현 없이 Python 함수만으로도 LLM과 전문화된 AI 모델들을 연결한 멀티에이전트 시스템을 구축할 수 있다. 이는 LLM의 추론 능력과 특정 작업 전문 모델의 강점을 조합하는 실질적인 패턴을 제시한다.