피드로 돌아가기
Dev.toAI/ML
원문 읽기
MCP 기반 Local Knowledge Base 구축을 통한 Claude Code 컨텍스트 최적화
How I Built My First MCP Server for Claude Code (4 Lessons)
AI 요약
Context
내부 문서가 분산된 환경에서 LLM Agent가 파일을 반복적으로 Read하고 Grep 하며 발생하는 컨텍스트 낭비와 추론 효율 저하 문제 발생. 단순 파일 접근 방식으로는 모델이 필요한 정보의 위치를 정확히 파악하지 못해 불필요한 토큰 소모와 세션 단절이 반복되는 한계 직면.
Technical Solution
- Node.js 22.x 및 @modelcontextprotocol/sdk 기반의 MCP Server 구축을 통한 도구 중심 인터페이스 설계
- stdio 및 JSON-RPC Transport 채택으로 인증 및 네트워크 오버헤드가 없는 로컬 프로세스 간 통신 구현
- search_notes와 get_note라는 2단계 계층 구조 도구 설계를 통해 전체 문서 로드 없이 필요한 정보만 정밀하게 추출
- LLM을 위한 Instruction 기반의 Tool Schema 정의로 모델의 도구 호출 정확도 및 인자 값 정밀도 향상
- Exception Throw 대신 isError: true와 가이드 문구를 포함한 응답 반환으로 모델의 자기 수정(Self-correction) 루프 유도
- 불필요한 도구 노출을 제한하여 컨텍스트 윈도우 내 토큰 점유율을 최소화하고 추론 일관성 유지
실천 포인트
- LLM용 도구 설계 시 API 명세서가 아닌 협업자에게 주는 지침서 형태로 Description 작성 - 에러 발생 시 단순 실패 알림이 아닌, 해결을 위해 호출해야 할 다음 도구를 명시하여 응답 - JSON Schema의 Required 필드를 엄격히 정의하여 모델의 무작위 호출 및 빈 인자 전달 방지 - stdio 통신 시 stdout 오염을 막기 위해 모든 로그는 stderr로 출력하도록 설정 - 도구 개수를 최소화하여 모델의 추론 경로를 단순화하고 토큰 비용 절감