MCP 대신 CLI, AI 에이전트 비용 94% 절감!

기존 MCP 방식은 모든 도구의 스키마(Schema)를 세션 시작 시 컨텍스트 윈도우에 로드하여 과도한 토큰 비용을 발생시킨다. CLI 방식은 필요한 시점에 도구를 로드하는 Lazy Loading 방식을 통해 토큰 사용량을 획기적으로 줄인다. 특히, CLIHub를 통해 다양한 도구에 대한 CLI를 생성하고 관리할 수 있다는 점이 강조된다. 결과적으로 CLI는 MCP 대비 94%의 토큰 절감 효과를 보이며, AI 에이전트의 비용 효율성을 높이는 데 기여한다.

Anthropic의 Tool Search는 MCP의 문제점을 해결하기 위해 Lazy Loading 방식을 도입했지만, 여전히 모든 도구의 JSON 스키마를 로드하는 문제를 안고 있다. 반면, CLI는 도구의 이름과 위치만 로드하여 세션 시작 시 토큰 사용량을 최소화한다. 기술적으로 보면, CLI는 모델이 이미 익숙한 CLI 패턴을 활용하여 추가적인 학습 없이 효율적인 도구 호출을 가능하게 한다. 이러한 차이점은 CLI가 다양한 모델과 호환되며, 더 높은 비용 절감 효과를 제공하는 이유이다.

MCP는 복잡한 OAuth 인증(OAuth Handshake), 도구 로딩 및 선택, 재로딩 등의 문제를 야기한다. 특히 MCP 도구는 스크립트가 불가능하여, 데이터 처리 및 파이프라인 구성(Pipeline Configuration)에 어려움이 있다. 반면 CLI는 스크립트 가능성을 통해 데이터 처리의 유연성을 제공하며, 모델이 이미 익숙한 CLI 패턴(CLI Patterns)을 활용할 수 있다. 결론적으로 CLI는 MCP의 복잡성을 해결하고, AI 에이전트의 효율적인 데이터 처리를 지원한다.

커뮤니티에서는 MCP의 OAuth 인증(OAuth Authentication)의 필요성을 인정하면서도, CLI의 스크립트 가능성과 토큰 비용 절감(Token Cost Reduction) 효과에 주목한다. 또한, AI 에이전트의 Semantic Space를 효율적으로 관리하고, Lazy Loading 방식을 통해 필요한 도구만 로드하는 방식에 대한 논의가 이루어진다. 더 나아가, AI 모델의 컨텍스트 길이 증가와 시스템 프롬프트 캐싱(Prompt Caching)을 통해 MCP의 단점을 보완하려는 시도도 언급된다.