피드로 돌아가기
Dev.toAI/ML
원문 읽기
MCP 도입을 통한 실시간 Crawler 기반 AI Readiness 분석 자동화
Building Glippy MCP: giving Claude the power to audit a site's AI readiness
AI 요약
Context
기존 데스크톱 앱의 분석 리포트를 LLM에 수동으로 복사하는 과정에서 발생하는 데이터 파편화와 지연 시간 발생. LLM이 정적인 텍스트가 아닌 실시간 Crawl 데이터에 직접 접근하여 컨텍스트를 유지하는 구조적 필요성 대두.
Technical Solution
- MCP SDK 및 StdioServerTransport 기반의 JSON-RPC 2.0 통신 계층 설계로 LLM과 도구 간 직접 연결 구현
- 기존 4,800라인 규모의 검증된 cheerio 기반 Scoring Engine을 래핑하여 비즈니스 로직 재사용성 극대화
- Zod Schema를 활용한 런타임 유효성 검사 및 LLM용 Tool Definition 동시 정의로 파라미터 전달 오류 최소화
- Domain 및 maxPages 기준 5분 TTL In-memory Cache 적용으로 중복 Crawling 방지 및 응답 속도 개선
- Cloudflare Worker 기반의 License 검증 체계와 로컬 실행 환경 분리를 통한 운영 비용 절감 및 데이터 프라이버시 확보
- 분석 결과의 JSON 모드 지원을 통한 Tool 간 결과 객체 전달 방식으로 캐시 의존도 제거 및 워크플로우 예측 가능성 향상
실천 포인트
- 기존 도구의 MCP화 시 로직 재작성 대신 검증된 엔진을 래핑하는 Wrapper 전략 검토 - LLM의 잘못된 파라미터 생성을 막기 위해 Zod .describe()에 구체적인 제약 조건 명시 - 잦은 API 호출과 비용 절감을 위해 하위 호환성을 갖춘(예: max_pages 5 결과로 3 요청 처리) 캐싱 전략 도입 - 개인정보 및 보안 민감 데이터 처리를 위해 분석 로직은 Local에, 인증 및 라이선스는 Serverless에 배치하는 하이브리드 구조 고려