line·2025년 8월 12일원문

LY Corporation의 AI 기술의 현재, Tech-Verse 2025 후기 (새 탭에서 열림)

Tech-Verse 2025는 LY Corporation이 LINE과 Yahoo Japan의 통합 이후 선보인 AI 전략의 핵심과 실무적인 기술 성과를 집약적으로 보여준 행사였습니다. 이번 컨퍼런스에서는 단순한 기술 트렌드 나열을 넘어, RAG와 MCP 등 최신 AI 기술을 실제 서비스와 개발 환경에 적용하며 겪은 시행착오와 구체적인 해결 방안이 중점적으로 다뤄졌습니다. 특히 AI가 개발 프로세스 전체에 스며들어 생산성과 품질을 동시에 확보하는 기술적 내공이 강조되었습니다. **AI 기반 개발 생산성 혁신: Ark Developer** * 사내 개발자들을 위해 구축된 'Ark Developer'는 RAG 기반의 코드 어시스턴트로, 코드 자동 완성, 리뷰, 보안 확인, 테스트 코드 작성을 지원합니다. * 사내 문서를 스트리밍 형태로 실시간 참조하여 코드의 맥락에 맞는 정확한 도움을 제공하며, GitHub와 연동되어 PR 생성까지 자동화된 워크플로우를 보여줍니다. * 단순히 코드 베이스를 텍스트 뭉치로 취급하는 대신, 디렉토리 구조를 그래프 형태로 분석(Graph Analysis)하여 연관 코드를 더욱 정밀하게 참조하는 기술적 차별점을 갖췄습니다. * 실제 현업 개발자들 사이에서 기존의 범용 AI 도구보다 체감 성능이 뛰어나다는 평가를 받으며 개발 사이클 전반에 깊숙이 통합되어 활용되고 있습니다. **생성형 AI의 품질 측정과 정교한 평가 체계** * 주관성이 강한 이미지 생성 기술의 품질을 관리하기 위해 분포 기반의 FID(Fréchet Inception Distance), IS(Inception Score)와 같은 전통적 지표를 넘어 다각적인 평가 모델을 도입했습니다. * 미적 기준을 측정하는 Aesthetic Score, LLM 기반의 CLIP-IQA 및 Q-Align, 그리고 비디오-언어 모델을 활용한 VQA(Visual Question Answering) 방식 등 정밀한 정량 평가를 수행합니다. * 이미지 번역 및 인페인팅 서비스에서는 단순한 텍스트 변환을 넘어 원래의 레이아웃과 구조까지 자연스럽게 복원해야 하는 복합적인 과제를 생성형 AI로 해결하고 있습니다. * 생성형 AI 기술의 완성도는 단순히 모델을 구현하는 것에 그치지 않고, '어떻게 정답이 없는 결과를 객관적으로 검증하고 개선할 것인가'에 달려 있음을 시사합니다. **실무형 AI 도입을 위한 통찰** 이번 컨퍼런스는 LLM과 에이전트 기술이 실험실을 벗어나 실제 서비스의 품질을 결정짓는 성숙기에 접어들었음을 보여줍니다. 특히 생성형 AI 결과물에 대한 정량적 평가 지표를 수립하고, 코드 베이스를 그래프 구조로 분석하는 등의 구체적인 접근법은 AI 서비스를 고도화하려는 실무자들에게 매우 유용한 벤치마킹 사례가 될 것입니다. 단순한 기술 도입보다는 우리 조직의 데이터 구조와 서비스 특성에 맞는 '평가와 검증 체계'를 먼저 고민하는 것이 품질 높은 AI 서비스를 만드는 핵심입니다.

모델 컨텍스트 프로토콜AI대규모 언어 모델RAG+5

figma·2025년 8월 5일·4분 읽기큐레이션 요약

디자인 시스템과 AI: MCP 서버

디자인 시스템은 AI가 브랜드와 팀의 표준에 맞는 코드를 생성하도록 만드는 핵심 맥락이며, MCP 서버는 이 맥락을 디자인 도구와 개발 환경 사이에서 전달하는 연결 고리다. Figma MCP 서버는 컴포넌트, 스타일, 변수, Code Connect 정보 등을 AI 에이전트에 제공해 생성 코드의 정확도와 일관성을 높인다. 결과적으로 디자인 시스템과 AI는 서로를 강화하는 선순환을 만들며, 더 빠르면서도 품질 높은 제품 개발을 가능하게 한다. ## 디자인 시스템과 AI의 선순환 - 디자인 시스템은 디자인과 엔지니어링 팀이 확장된 환경에서도 일관된 결정을 내리도록 돕는 기반이다. - 성공적인 디자인 시스템의 요소인 문서화, 공통 언어, 재사용 패턴, 브랜드 가이드는 AI 활용에도 필수적인 맥락이 된다. - AI가 디자인 시스템을 이해하면 단순히 “작동하는 결과물”이 아니라 팀의 표준과 의도에 맞는 결과물을 생성할 수 있다. - AI가 디자인 시스템을 활용해 더 나은 코드를 만들면, 디자인 시스템의 활용도와 품질도 다시 향상되는 선순환이 형성된다. ## MCP 서버가 제공하는 역할 - Figma MCP 서버는 Figma의 디자인 정보를 IDE와 AI 에이전트에 전달한다. - AI가 활용할 수 있는 정보에는 다음이 포함된다. - 컴포넌트와 스타일 - 디자인 변수와 변수의 코드 문법 - Code Connect를 통해 연결된 실제 코드 리소스 - 디자인 요소가 코드와 연결되어 있을수록 AI는 기존 컴포넌트와 구현을 재사용할 수 있어 더욱 정확한 코드를 생성한다. - 디자인 시스템이 아직 충분히 구축되지 않은 조직에서도 토큰과 컴포넌트 구현을 시작하는 데 MCP 서버를 활용할 수 있다. ## 디자인 시스템은 디자인과 AI의 공통 언어 - LLM을 통해 아이디어를 실행으로 옮기기 쉬워질수록, 기능뿐 아니라 시각적 완성도와 브랜드 정체성이 차별화 요소가 된다. - 디자인 시스템은 다음과 같은 기반을 제공한다. - **확장 가능한 기반:** 색상, 간격, 타이포그래피 등의 토큰을 정의해 플랫폼 전반의 일관성을 유지 - **재사용 가능한 컴포넌트:** 다양한 사용 사례에 대응하면서도 단일한 기준점 유지 - **내장된 접근성:** 처음부터 포용적이고 사용 가능한 인터페이스 설계 - 디자인 시스템이 없으면 AI가 생성한 결과가 비슷하고 일반적인 UI의 조합으로 수렴할 수 있다. - 디자인 시스템은 AI를 조직의 브랜드, 품질 기준, 개발 관행에 연결하는 매개체가 된다. ## 속도와 정확도를 높이는 디자인 맥락 - 글에서 인용한 Figma AI 보고서에 따르면 개발자의 68%가 코드 작성에 AI를 사용하지만, 생성 결과를 신뢰하는 디자이너와 개발자는 32%에 그친다. - AI가 디자인 시스템 없이 코드를 생성하는 것은 팀의 온보딩을 거치지 않은 신입 개발자에게 바로 코드를 배포하게 하는 것과 비슷하다. - 디자인 시스템 맥락이 제공되면 AI는 다음을 수행할 수 있다. - 기존 컴포넌트와 패턴을 재사용해 중복과 불일치 감소 - 디자인 토큰을 자동 적용해 브랜드 및 접근성 기준 준수 - 개발자가 바로 개선할 수 있는 품질 높은 초기 코드 제공 - 디자인과 개발 사이의 오해 및 QA 시간을 줄여 피드백 주기 단축 ## Figma MCP 서버의 코드 생성 방식 - Figma 프레임을 검사하면 MCP 서버가 해당 화면의 컴포넌트, 스타일, 변수 등의 맥락을 AI 에이전트에 전달한다. - Code Connect와 변수 코드 문법이 설정되어 있으면 AI는 실제 코드베이스의 컴포넌트와 리소스를 직접 활용할 수 있다. - 연결 정보가 없더라도 MCP 서버는 색상, 스타일, 레이아웃 등 디자인 정보를 제공해 AI가 디자인에 맞는 코드를 새로 작성하도록 돕는다. - 자동 디자인 시스템 규칙 생성 기능은 코드베이스를 분석해 다음 내용을 포함한 구조화된 규칙 파일을 만들 수 있다. - 토큰 정의 - 컴포넌트 라이브러리 - 스타일 계층 구조 - 명명 규칙 - 이 규칙 파일은 AI 에이전트의 시스템 수준 지침으로 작동해, 개발자가 매번 간격·토큰·이름 규칙을 상세히 프롬프트하지 않아도 팀의 기본값을 적용하게 한다. - 주석(annotations)을 사용하면 접근성 요구사항, 상호작용 방식, 콘텐츠 관련 추가 맥락도 AI에 전달할 수 있다. ## 실용적인 적용 방향 - AI 코드 생성 전에 디자인 토큰, 컴포넌트, 변수의 이름과 구조를 정리한다. - Figma 컴포넌트와 실제 코드 컴포넌트를 Code Connect로 연결한다. - 코드베이스의 규칙과 명명 체계를 AI가 참조할 수 있는 규칙 파일로 관리한다. - 접근성, 상호작용 동작, 콘텐츠 제약은 주석으로 명시한다. - MCP 서버는 AI를 대체하는 도구라기보다, 조직의 디자인 시스템을 AI가 활용할 수 있도록 변환하는 인프라로 보는 것이 적절하다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜Figma디자인 시스템AI 에이전트+2

figma·2025년 6월 25일·4분 읽기큐레이션 요약

AI 시대를 위해 모든 엔지

AI 시대의 엔지니어는 코드를 빠르게 생성하는 사람을 넘어, 사용자 문제를 정의하고 더 나은 해결책을 탐색하는 사람이어야 한다. AI는 단순한 비용 절감이나 자동화 도구가 아니라, 엔지니어의 판단력·창의성·협업 능력을 확장하는 수단으로 활용해야 한다. 이를 위해 문제 탐색, 에이전트 활용, 코드 검토, 맥락 제공과 같은 새로운 업무 방식이 중요해진다. ## 자동화를 넘어 문제 해결에 AI 활용하기 - AI의 가치는 반복 작업을 줄이는 데만 있지 않고, 엔지니어가 더 높은 수준의 문제 정의와 해결에 집중하도록 돕는 데 있다. - 코드 작성 외에도 엔지니어는 다음을 판단해야 한다. - 어떤 문제를 해결할 것인가 - 사용자는 무엇을 필요로 하는가 - 어떤 방식이 가장 적절한가 - 단순하고 지루한 작업을 자동화하면 사용자 공감, 제품의 의미, 동료와의 협업처럼 자동화하기 어려운 영역에 더 많은 시간을 쓸 수 있다. - AI 시대에도 제품에 대한 이해와 세심한 구현 품질은 여전히 핵심 역량이다. ## 바이브 코딩으로 가능성 탐색하기 - 바이브 코딩은 코드를 대충 생성하는 방식이 아니라, 자연어 대화를 통해 문제 공간을 탐색하고 해결책을 실험하는 방법이다. - AI를 사용하면 기존의 한두 가지 접근법에 머무르지 않고 여러 경로를 빠르게 시도할 수 있다. - 생성된 프로토타입이나 시각적 결과물을 공유해 사용자와 동료의 피드백을 일찍 받을 수 있다. - Figma Make처럼 프롬프트로 앱과 고충실도 프로토타입을 만들면 구현에 들어가기 전에 사용자 경험을 검증할 수 있다. - AI는 사용자 경험에 대한 고민을 없애는 것이 아니라, 더 앞단에서 충분히 검토하도록 돕는다. ## 에이전트와 MCP로 더 정확한 결과 만들기 - 에이전트형 AI는 Cursor나 Copilot 같은 도구가 다른 소프트웨어와 상호작용하며 작업하도록 만든다. - MCP(Model Context Protocol)는 AI 도구와 외부 소프트웨어가 정보를 주고받는 표준이다. - Figma MCP 서버는 디자인 구조, 컴포넌트, 관련 맥락을 LLM에 전달해 디자인에 충실한 코드를 생성하도록 돕는다. - 충분한 맥락이 제공되면 다음과 같은 효과를 얻을 수 있다. - 기존 컴포넌트 라이브러리 재사용 - 디자인 시스템 준수 - 접근성 규칙 반영 - 구현 결과와 디자인 간 차이 감소 - AI의 출력 품질은 모델 자체뿐 아니라, 모델에 전달하는 도구·코드베이스·디자인 맥락의 품질에 좌우된다. ## Pull Request를 스스로 사전 점검하기 - LLM을 PR 제출 전 검토자로 활용하면 코드 리뷰 전에 문제를 발견할 수 있다. - 코드베이스를 이해하는 LLM은 다음과 같은 문제를 찾아낼 수 있다. - 이미 존재하는 구현을 다시 작성한 경우 - 중복 로직 - 프로젝트의 기존 패턴과 어긋나는 코드 - 잠재적인 누락이나 개선 지점 - AI 리뷰는 사람의 최종 검토를 대체하기보다, 리뷰 요청 전에 작성자가 코드 품질을 높이는 사전 검증 단계로 유용하다. - 결과적으로 리뷰어와 작성자의 부담을 줄이고 개발 처리량을 높일 수 있다. ## 여러 AI 에이전트를 조율하기 - 복잡한 문제를 작은 작업으로 분해하고, 각각을 여러 AI 에이전트에게 맡기는 능력이 중요해진다. - 엔지니어는 각 에이전트에 명확한 지시와 맥락을 제공해야 한다. - 작업 범위 - 관련 파일과 제약 조건 - 기대하는 출력 형식 - 프로젝트의 코딩 규칙 - 여러 에이전트가 만든 결과를 검토하고 하나의 일관된 해결책으로 통합하는 역할은 여전히 엔지니어의 몫이다. - 마크다운 지침 파일이나 프로젝트 문서를 정리해 LLM에 지속적으로 맥락을 제공하는 것도 새로운 업무 역량으로 부상한다. - 핵심은 AI에게 모든 판단을 위임하는 것이 아니라, 문제를 분해하고 결과를 조율하는 것이다. ## 기술보다 중요한 제품 감각과 협업 - AI가 코드를 빠르게 만들어도 무엇을 만들어야 하는지 결정하는 책임은 엔지니어에게 남는다. - 사용자 관점에서 문제의 의미와 우선순위를 판단해야 하며, 동료와 함께 아이디어를 발전시켜야 한다. - AI가 생성한 결과는 빠른 초안이나 탐색 도구로 활용하고, 최종 품질은 엔지니어의 검증과 제품 이해를 통해 확보해야 한다. - 앞으로의 강한 엔지니어는 코딩 능력뿐 아니라 문제 정의, 맥락 전달, 결과 평가, 협업 능력을 함께 갖춘 사람이다. AI를 도입할 때는 단순히 코드 생성량을 늘리기보다, 프로토타입 탐색과 사전 리뷰처럼 사고의 품질을 높이는 과정에 먼저 적용하는 것이 좋다. 특히 프로젝트 규칙과 디자인 시스템을 문서화하고 AI에 충분한 맥락을 제공하면 생산성과 결과의 정확도를 함께 개선할 수 있다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜AI대규모 언어 모델AI 에이전트+2

line·2025년 6월 13일원문

AI와 글쟁이의 동행: 코드 주면 API 레퍼런스 써드려요 (새 탭에서 열림)

기술 문서 부족 문제를 해결하기 위해 엔지니어링 관점에서 접근한 이 글은, 생성형 AI를 활용해 사내 기술 컨텍스트와 스타일 가이드가 반영된 API 레퍼런스를 자동 생성하는 프로젝트 과정을 소개합니다. 일반적인 코딩 어시스턴트의 한계를 극복하기 위해 프롬프트 워크플로를 최적화하고, 특정 IDE에 종속되지 않도록 MCP(Model Context Protocol)를 도입하여 범용성을 확보했습니다. 최종적으로 AI가 생성한 결과물은 높은 품질을 보였으나, 기술 문서의 특성상 정확성을 담보하기 위한 인간의 검토 단계가 필수적임을 강조하며 결론을 맺습니다. ## 기존 AI 도구의 한계와 도큐먼트 엔지니어링의 목표 * 기술 문서는 항상 부족하며, 개발자 교육만으로는 시간과 관심의 부재라는 근본적인 원인을 해결하기 어렵다는 판단하에 자동화 프로세스를 구축했습니다. * GitHub Copilot과 같은 기존 도구는 코드 파악 능력은 뛰어나지만, 사내 전용 기술 용어나 특수한 스타일 가이드, 프로젝트별 컨텍스트를 반영하지 못하는 단점이 있습니다. * '사내 정보를 참고해 스타일 가이드에 맞는 API 주석을 작성하고, 이를 한곳에서 배포하기'를 목표로 테크니컬 라이터의 노하우를 자동화 공정에 이식했습니다. ## 프롬프트 최적화와 단계별 워크플로 구성 * 초기에는 방대한 지시 사항이 담긴 긴 프롬프트를 사용했으나, LLM이 복잡한 지시를 놓치는 문제가 발생하여 실행 단계를 세분화했습니다. * 처리 속도와 정확도 사이의 타협점을 찾기 위해 '프로그래밍 언어 인식', 'API 파악 및 예제 작성', '설명 및 파라미터/응답 값 작성'의 3단계 워크플로로 압축했습니다. * LINE의 고유 식별자인 'MID'를 단순한 약어(Member ID 등)로 오해하지 않고 사내 정의에 맞게 설명하도록 컨텍스트를 주입하여 일반 AI 도구와 차별화된 품질을 구현했습니다. ## 범용성 확보를 위한 MCP(Model Context Protocol) 도입 * 초기 프로토타입은 VS Code 익스텐션으로 제작했으나, IntelliJ 등 다양한 IDE를 사용하는 개발자들의 요구를 수용하기 위해 MCP 기반으로 전환했습니다. * MCP 서버는 클라이언트와의 통신에만 집중하므로, UI 구현에 드는 비용을 줄이고 언어 판별이나 코드 블록 선택 같은 부가 기능을 MCP 호스트(IDE 등)에 위임할 수 있습니다. * 사용자가 AI와 대화하며 파라미터를 입력하는 방식은 현대적인 AI 사용 경험에 부합하며, 특정 도구에 종속되지 않는 범용적인 문서화 솔루션을 제공합니다. ## AI 문서화의 성과와 실질적인 한계 * 자체 평가 결과, 생성된 주석의 88%가 기준을 만족했으며 78%의 사례에서 GitHub Copilot보다 우수한 품질의 설명을 생성하는 성과를 거두었습니다. * 그러나 AI는 확률 기반으로 작동하므로 100%의 정확성을 보장하지 못하며, 단 한 줄의 오류가 문서 전체의 신뢰도를 떨어뜨리는 API 레퍼런스의 특성상 위험 요소가 존재합니다. * 따라서 AI를 '완벽하지 않은 동반자'로 정의하고, AI가 초안을 대량으로 빠르게 생산하되 마지막 단계에서는 반드시 담당 개발자가 내용을 검토하는 '사람 중심의 검증' 프로세스를 권장합니다.

모델 컨텍스트 프로토콜AI대규모 언어 모델생성형 AI+4

figma·2025년 6월 10일·3분 읽기큐레이션 요약

요점 정리: 제11호

AI가 작업 방식을 바꾸고 있지만, 좋은 결과물을 만들기 위한 장인정신과 품질 기준의 중요성은 여전히 변하지 않는다는 내용이다. Figma는 AI를 단순 자동화 도구가 아니라 창의성과 감정을 표현하는 협업자로 바라보며, 디자인 맥락·신뢰·안전·연습을 통해 더 인간적인 결과를 만들어야 한다고 강조한다. ## 프롬프트로 구현하는 인터랙티브 프로토타입 - Figma Make는 자연어 프롬프트나 정적 디자인을 바탕으로 인터랙티브 프로토타입을 생성하는 prompt-to-code 도구다. - 아이디어를 코드로 옮기는 초기 단계에서 활용할 수 있으며, 사용 시점이나 제작 범위에 제한이 적다. - 효과적인 활용을 위해서는 적절한 프롬프트 작성법, 반복적인 개선, 팀의 제작 과정에 맞춘 사용 방식이 중요하다. ## 디자인 맥락을 연결하는 Figma MCP 서버 - AI 코딩 도구는 충분한 맥락이 없으면 사용자의 의도와 디자인을 정확히 반영하기 어렵다. - Figma MCP 서버는 Figma 파일의 디자인 정보를 AI 코딩 도구에 전달한다. - LLM이 변수, 컴포넌트, 스타일 등의 정보를 활용해 디자인 의도에 가까운 코드를 생성할 수 있도록 돕는다. - 이를 통해 AI 기반 코드 생성이 단순한 시각적 모방을 넘어 디자인 시스템과 구현 맥락을 반영하도록 한다. ## 효율성보다 중요한 애정과 연결 - Config 2025에서는 AI가 단순한 도구에서 협업자 또는 팀원에 가까운 존재로 발전하고 있다는 논의가 다뤄졌다. - 작업 효율만 극대화하면 결과물에서 배려, 관계, 감정 같은 인간적인 요소가 약화될 수 있다는 문제를 제기한다. - “최소 실행 가능한 결과물”을 만드는 것과 충분한 완성도·의미를 담는 것 사이의 균형이 필요하다. - 효율성은 목표가 아니라 좋은 작업을 돕는 수단이어야 한다는 관점이다. ## 신뢰와 안전을 우선한 AI 정신건강 동반자 - Headspace는 AI 정신건강 동반자 Ebb를 설계하면서 신뢰와 안전을 핵심 기준으로 삼았다. - 캐릭터의 이름과 외형뿐 아니라 대화 방식과 conversational guideline까지 세심하게 설계했다. - AI라는 사실을 숨기지 않으면서도 사용자가 지지받고 있다고 느끼도록 균형을 맞췄다. - 정신건강처럼 민감한 영역에서는 기능 구현보다 투명성, 사용자 보호, 적절한 상호작용 설계가 우선되어야 한다. ## 장인정신은 반복적인 연습에서 나온다 - Figma의 출판물 *Practice*는 디자인과 제작 역량을 키우는 과정을 다룬다. - 숙련에는 인내심, 정밀함, 경계를 넓히려는 태도, 지속적인 연습이 필요하다. - AI가 제작 속도를 높이더라도 결과물의 완성도와 독창성을 판단하고 다듬는 능력은 여전히 사람에게 요구된다. - 좋은 작업은 한 번의 생성으로 완성되는 것이 아니라 반복적인 수정과 실험을 통해 만들어진다. AI 도구를 사용할 때는 속도와 자동화만 추구하기보다 디자인 맥락을 충분히 제공하고, 결과물을 반복해서 검토하며, 신뢰·안전·감정적 경험까지 고려하는 것이 바람직하다. Ultimately, AI가 제작을 돕더라도 품질과 의미를 결정하는 것은 여전히 사람의 관심과 장인정신이다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜FigmaAI대규모 언어 모델+3

figma·2025년 6월 4일·3분 읽기큐레이션 요약

더블 클릭: MCP가 에이

MCP(Model Context Protocol)는 AI 어시스턴트와 외부 도구·데이터 소스를 연결하는 공통 규격으로, 도구마다 별도 연동을 개발해야 했던 문제를 줄인다. 글은 MCP가 LLM이 대화 중 실시간으로 도구를 인식하고 호출하게 함으로써 에이전틱 AI의 속도와 확장성을 크게 높이는 “가속 장치”가 될 수 있다고 설명한다. HTTP나 USB-C처럼 가볍고 조합 가능하며 상호운용적인 표준으로 자리 잡을 가능성도 제시한다. ## MCP의 등장과 역할 - Anthropic이 2024년 11월 MCP를 발표했고, OpenAI가 지원을 발표하면서 대중적인 관심이 급격히 커졌다. - Claude, Copilot, Cursor 같은 AI 애플리케이션이 외부 도구 및 데이터 소스와 통신하는 방식을 표준화한다. - 기존에는 AI 제품과 각 API 사이에 맞춤형 통합을 도구별로 따로 구축해야 했다. - MCP를 사용하면 하나의 공통 프로토콜을 통해 다양한 서버와 도구를 연결할 수 있다. - 글에서는 MCP를 다음과 같이 비유한다. - AI 애플리케이션을 위한 USB-C - 다양한 페이로드를 운반하는 HTTP - 프로토콜 자체가 특정 데이터 형식이나 기능에 강하게 종속되지 않기 때문에, 여러 도구를 조합하고 확장하기 쉽다. ## 에이전틱 AI와 실시간 도구 사용 - MCP는 LLM이 단순히 코드를 생성하는 데 그치지 않고, 대화 도중 필요한 도구를 직접 인식하고 호출하도록 한다. - 일반적인 API 연동 방식에서는 다음 과정이 반복될 수 있다. - LLM이 API 호출 코드를 생성한다. - 생성된 코드를 실행한다. - 결과를 다시 LLM에 전달한다. - MCP에서는 도구가 모델의 사용 가능한 기능으로 노출되므로, 매번 별도의 실행 코드를 생성하지 않아도 된다. - 그 결과 도구 사용 과정이 더 빠르고 효율적이며, 여러 도구를 연결한 복합 작업도 구현하기 쉬워진다. - 이는 사용자의 요청에 따라 AI가 검색, 일정 관리, 콘텐츠 생성 등 여러 단계를 연속적으로 수행하는 에이전틱 AI의 기반이 된다. ## MCP가 제공하는 확장성과 조합 가능성 - MCP 서버 생태계는 빠르게 확대되고 있으며, 공개 서버 목록도 지속적으로 늘어나고 있다. - 서로 다른 서비스의 MCP 서버를 연결하면 하나의 에이전트가 여러 시스템을 넘나들며 작업할 수 있다. - Tenstorrent의 사례에서는 네 개의 에이전트가 Google Maps, Airbnb, Google Calendar, Weather를 함께 사용해 자동화된 여행 서비스를 구성했다. - Blender MCP 서버 사례에서는 사용자가 몇 문장으로 설명한 “보물을 지키는 로우폴리 드래곤” 3D 장면을 생성했다. - 이러한 사례는 MCP가 단일 API 연동을 넘어, 여러 전문 도구를 조합하는 워크플로를 가능하게 함을 보여준다. ## Figma MCP 서버와 디자인 기반 코드 생성 - Figma는 개발자 workflow에 Figma를 직접 연결하는 MCP 서버 베타를 공개했다. - 이 서버의 목적은 LLM이 디자인 정보를 바탕으로 코드를 생성하도록 돕는 것이다. - 디자인 파일의 맥락을 AI가 실시간으로 활용하면, 단순한 시각적 추측보다 실제 디자인 사양에 가까운 코드를 생성할 수 있다. - MCP는 디자인 도구와 개발 도구 사이의 간극을 줄이고, 디자인-informed code generation을 실현하는 연결 계층으로 활용될 수 있다. ## MCP가 의미하는 에이전틱 웹의 방향 - Microsoft CTO Kevin Scott은 MCP가 에이전틱 웹의 HTTP와 같은 기반이 될 수 있다고 평가했다. - MCP의 핵심 가치는 특정 AI 모델이나 서비스에 종속되지 않는 상호운용성이다. - 표준이 널리 채택되면 AI 에이전트가 다양한 서비스와 도구를 공통 방식으로 발견하고 사용할 수 있다. - 동시에 도구를 연결하는 일이 쉬워질수록, 여러 에이전트와 서비스가 복잡하게 결합된 자동화도 빠르게 늘어날 수 있다. MCP는 AI를 외부 시스템과 연결하는 표준 계층으로서 에이전틱 AI의 실용화를 앞당길 가능성이 크다. 다만 실제 도입 시에는 연결할 도구의 권한, 데이터 접근 범위, 실행 결과에 대한 검증과 사용자 승인 절차를 함께 설계하는 것이 중요하다.

원문 읽기(새 탭에서 열림)

모델 컨텍스트 프로토콜Figma대규모 언어 모델AI 에이전트+1

figma·2025년 6월 3일원문

MCP 서버 소개: 워크 (새 탭에서 열림)

Figma는 개발자가 LLM 기반 협업 도구에서 디자인 맥락을 실시간으로 활용할 수 있도록 지원하는 'Figma MCP(Model Context Protocol) 서버'를 베타 버전으로 출시했습니다. 이 서버는 단순한 이미지 전달을 넘어 디자인 시스템의 컴포넌트, 변수, 스타일링 정보를 AI에게 직접 제공함으로써, 개발자가 사용하는 코드베이스의 패턴에 최적화된 고품질 코드를 생성하도록 돕습니다. 결과적으로 Cursor, VS Code Copilot 등 AI 기반 코딩 도구에서 디자인 의도를 더욱 정확하고 효율적으로 구현할 수 있게 되었습니다. ### 디자인 의도를 코드로 전환하는 MCP 서버의 역할 * **표준화된 컨텍스트 제공**: MCP는 애플리케이션이 LLM에 맥락을 제공하는 표준 규격으로, 이를 통해 Figma의 디자인 데이터를 가공 없이 AI 에이전트(Cursor, Windsurf, Claude Code 등)에 직접 연결합니다. * **학습 데이터의 한계 극복**: LLM은 일반적인 코드는 잘 작성하지만 특정 팀의 고유한 코드 구조나 프레임워크 패턴은 알지 못합니다. MCP 서버는 팀 고유의 디자인 의도를 전달해 이 간극을 메웁니다. * **효율적인 워크플로우**: 단순히 디자인을 보고 코드를 짜는 단계를 넘어, AI가 디자인의 구조와 논리를 스스로 이해하고 멀티 레이어 애플리케이션 흐름을 구축할 수 있도록 지원합니다. ### 디자인 시스템 및 패턴 메타데이터 활용 * **정밀한 코드 매칭**: 디자인에 정의된 컴포넌트, 변수(Variable), 스타일 정보를 직접 전달합니다. AI가 단순히 비슷한 색상을 찾는 것이 아니라, 시스템에 정의된 정확한 토큰 이름과 변수명을 사용하게 합니다. * **Code Connect 연동**: Figma에 설정된 'Code Connect' 정보를 바탕으로 AI에게 해당 디자인이 구현된 실제 코드 파일의 경로를 정확히 안내하여 중복 컴포넌트 생성을 방지합니다. * **토큰 절약 및 정확도 향상**: 디자인 시스템의 패턴을 직접 참조함으로써 AI가 탐색에 소모하는 토큰 양을 줄이고, 디자인 시스템을 벗어난 코드를 생성할 확률을 낮춥니다. ### 시각적 정보와 상호작용의 결합 * **고수준 스크린샷 제공**: 텍스트 데이터로 설명하기 어려운 전체적인 화면 흐름, 반응형 레이아웃, 섹션 간의 관계를 스크린샷을 통해 AI에게 시각적으로 보완 설명합니다. * **인터랙션 및 의사 코드(Pseudocode)**: 복잡한 상태 변화나 UI 시퀀스를 설명하기 위해 '의사 코드' 형태의 프로토타입 데이터를 제공합니다. 이는 단순한 메타데이터 트리보다 AI가 컴포넌트의 동작 논리를 이해하는 데 훨씬 효과적입니다. * **선택적 컨텍스트 제어**: 사용자는 특정 도구가 반환하는 정보의 양을 설정하여, 현재 작업 중인 코드 구현에 가장 적합한 수준의 디자인 컨텍스트를 조절할 수 있습니다. ### 실용적인 활용 및 향후 계획 현재 Figma MCP 서버는 베타 단계로, VS Code의 Copilot이나 Cursor 같은 도구에 연결하여 즉시 디자인 기반 코드 생성을 테스트해 볼 수 있습니다. 향후 Figma는 원격 서버 기능 지원과 코드베이스와의 더욱 깊은 통합을 포함한 업데이트를 지속할 예정입니다. 디자인 시스템이 잘 구축된 팀일수록 이 서버를 통해 디자인과 코드 간의 일치성을 극대화하는 경험을 할 수 있을 것입니다.

모델 컨텍스트 프로토콜Figma대규모 언어 모델AI 에이전트+3