피드로 돌아가기
Dev.toAI/ML
원문 읽기
Observation 기반 NDBC 파싱 및 Small Model 최적화 MCP 설계
Why generic weather MCPs fail for marine navigation (use NDBC buoys)
AI 요약
Context
기존 Weather MCP 서버들이 Forecast 중심 API에 의존하여 실제 해상 항해에 필수적인 실시간 관측 데이터(Observed Data)를 제공하지 못하는 한계 존재. 특히 Small Local Model 기반의 Voice Agent 환경에서 Raw JSON 응답으로 인한 포맷팅 오류와 Tool-selection 정확도 저하 문제 발생.
Technical Solution
- NDBC .spec 파일 파싱 로직 구현을 통한 Swell과 Wind Wave의 정밀 분리 및 누락 데이터 복구
- API 호출 비용 가시화를 위해 Quota 상태를 확인하는 전용 Tool을 설계하여 Agent의 자원 소모 제어
- TTS-safe Display String 컨트랙트를 Tool Layer에 내장하여 모델의 재포맷팅 부하 제거 및 발음 오류 방지
- Tool-selection 정확도 향상을 위해 도메인을 4개의 핵심 Tool로 제한하는 Minimalist Surface 설계
- 외부 라이브러리 의존성을 최소화한 Stdlib 기반 파싱으로 런타임 경량화 및 배포 효율성 확보
실천 포인트
- Small Model 사용 시 Tool 개수를 5~8개 사이로 유지하여 선택 정확도를 확보하고 있는가? - LLM의 포맷팅 능력에 의존하지 않고 TTS-safe 등 최종 출력 형태를 Tool Layer에서 정의했는가? - API 비용이나 할당량이 존재하는 경우, 이를 Agent가 인지할 수 있도록 Quota 확인 Tool을 제공하는가? - Forecast 데이터와 실제 Observation 데이터의 간극을 메울 수 있는 Ground-truthing 소스를 확보했는가?