Cartograph, AI 에이전트의 MCP 도구 탐색을 효율화

문제의 배경

Model Context Protocol(MCP)은 AI 에이전트가 외부 도구를 발견하고 호출하도록 돕는 표준 인터페이스입니다. 그러나 연결된 서버와 도구가 늘어나면 이름, 설명, 스키마를 모두 모델 컨텍스트에 넣는 비용이 커집니다. Cartograph는 전체 카탈로그를 처음부터 주입하는 대신, 검색 결과를 단계적으로 공개하는 프록시 구조를 제안합니다.

주요 구성

• 연합형 MCP 프록시: 보고된 배포 환경은 22개 서버와 374개 도구로 구성됐지만, 에이전트에 직접 노출되는 것은 374개 정의가 아니라 3개의 프록시 도구입니다. 시스템은 먼저 관련 서버를 고르고, 그 안에서 실제 도구를 다시 검색합니다.
• 운영자 인증 능력 카드: 능력 카드는 배포 운영자의 통제 아래 생성되며 Ed25519로 서명됩니다. 이를 통해 검색에 사용되는 설명의 출처와 무결성을 확인할 수 있고, 질의별 랭킹에 어떤 설명이 사용됐는지도 기록할 수 있습니다.
• Rift 분석: 밀도 클러스터링, 질의 마진 분석, 토큰 진단을 결합해 서로 혼동하기 쉬운 도구를 찾습니다. 실험에서는 49개의 혼동 클러스터가 확인됐고, 부트스트랩 방식으로 생성된 카드 중 4개 클러스터는 HIGH 위험으로 분류됐습니다.
• 점진적 컨텍스트 사용: 보고된 Top-5 탐색 교환은 475토큰을 사용했습니다. 논문이 제시한 전체 카탈로그 계산에서는 42,450토큰이 필요하므로, 탐색 단계의 입력을 후보 수 중심으로 줄일 수 있다는 점을 보여줍니다.

결과와 한계

저자들이 직접 만든 49개 질의 벤치마크에서 Cartograph의 R@5는 0.816으로, Jaccard 키워드 기준선의 0.592보다 높았습니다. 119개의 LLM 생성 설명을 사용한 탐색적 비교에서는 관찰된 거리 0 클러스터가 사라졌습니다. 하지만 서로 다른 생성 방식의 카드를 섞으면 R@5가 낮아질 수 있어, 설명의 자연스러움뿐 아니라 생성 과정의 일관성도 중요하다는 점을 시사합니다.

게이트웨이 지연은 10회 측정에서 직접적인 stdio MCP 호출보다 평균 5밀리초 증가했으며, 논문이 보고한 상대 증가는 0.8%였습니다. 다만 이 결과는 하나의 22개 서버 배포와 저자 제작 질의 세트에 기반합니다. 더 큰 카탈로그와 실제 운영 부하에서도 같은 성능이 유지되는지는 아직 확인되지 않았습니다.

의미와 영향

Cartograph의 핵심은 토큰 절감만이 아닙니다. 도구 탐색을 추적 가능한 검색 과정으로 만들고, 운영자가 관리하는 설명의 출처와 검색 결과를 연결합니다. 많은 내부 API, 플러그인, 외부 MCP 서비스를 운영하는 조직이라면 불필요한 정의를 컨텍스트에 넣거나 비슷한 도구를 잘못 선택하는 위험을 줄이는 데 활용할 수 있습니다.

이 방식은 코드 실행 접근법을 대체하기보다 보완합니다. 코드 실행은 에이전트가 여러 능력을 어떻게 조합할지를 다루고, Cartograph는 어떤 도구 설명을 먼저 보여줄지와 그 설명이 어디에서 왔는지를 다룹니다. 더 넓은 독립 벤치마크가 필요하지만, MCP 에이전트가 항상 전체 카탈로그를 읽어야 한다는 전제를 재검토하게 하는 설계로 볼 수 있습니다.

출처: arXiv