MCP Bridge: A Lightweight, LLM-Agnostic RESTful Proxy for Model Context Protocol Servers

이 논문은 모바일 및 엣지 환경에서도 MCP 서버를 안전하게 활용할 수 있도록 RESTful 프록시인 'MCP Bridge'를 제안하고, 강화학습을 통해 MCP 도구 호출 성능을 대폭 향상시킨 경량 Qwen 모델을 개발하여 이를 MCPToolBench++ 벤치마크에서 검증했습니다.

핵심

이 논문은 **"MCP 브리지 (MCP Bridge)"**라는 새로운 기술을 소개합니다. 이 기술을 이해하기 위해 일상생활에 비유해 설명해 드리겠습니다.

🏠 비유: "고급 주방 (LLM) 과 외부 배달 서비스 (MCP)"

상상해 보세요. **거대한 인공지능 (LLM)**은 요리 실력이 뛰어난 마스터 셰프입니다. 이 셰프는 아주 똑똑하지만, 자신의 주방 (학습 데이터) 밖으로 나갈 수 없거나, 직접 장을 보거나 특수 장비를 쓸 수 없습니다.

최근 **'MCP (Model Context Protocol)'**라는 새로운 규정이 생겼습니다. 이는 셰프가 외부의 식재료 가게나 특수 장비 대여소에 연결할 수 있게 해주는 'USB-C 포트' 같은 표준 규격입니다. 하지만 문제는 이 규격이 아직은 '집 안'에서만 작동한다는 점입니다.

• 기존의 문제점: 셰프가 장을 보려면 직접 주방 문을 열고 나가서 (로컬 프로세스 실행) 가게와 연결해야 합니다. 하지만 스마트폰, 웹 브라우저, 혹은 작은 태블릿 같은 '작은 주방'에서는 문을 열고 나갈 공간이 없거나, 그 과정이 너무 무겁습니다.

🌉 해결책: "MCP 브리지 (가교)"

이 논문은 바로 이 문제를 해결하는 **가교 (Bridge)**를 제안합니다.

1. 무게가 가벼운 중개소 (RESTful Proxy):

   • MCP 브리지는 셰프 (AI) 와 외부 가게 (도구) 사이를 잇는 가벼운 중개소입니다.
   • 스마트폰이나 웹 브라우저 같은 작은 기기들은 이 중개소에게 "장보러 가줘"라고 말하면 됩니다.
   • 중개소는 그 요청을 받아 실제 무거운 주방 (서버) 으로 전달하고, 결과를 다시 가져옵니다.
   • 핵심: 작은 기기들은 무거운 일을 할 필요가 없으며, 어떤 AI 모델을 쓰든 (LLM-agnostic) 모두 이 중개소를 이용할 수 있습니다.

2. 안전 관리 시스템 (위험도 기반 실행):

   • 이 중개소는 매우 신중합니다. 요청하는 작업의 위험도에 따라 3 단계로 처리합니다.
     • 낮은 위험 (예: 날씨 조회): 바로 실행합니다.
     • 중간 위험 (예: 파일 삭제): "정말 삭제할까요?"라고 사용자에게 확인을 받습니다.
     • 높은 위험 (예: 시스템 변경): **독립된 방 (Docker 컨테이너)**에서 실행합니다. 만약 여기서 사고가 나더라도 다른 곳으로 퍼지지 않도록 격리합니다.

🎓 두 번째 이야기: "똑똑한 비서 훈련하기"

중개소 (브리지) 가 잘 작동하려면, 셰프 (AI) 가 요청을 정확한 형식으로 써야 합니다. 하지만 일반적인 오픈소스 AI 들은 이 형식을 잘 지키지 못해 실수를 하곤 합니다.

저자들은 Qwen3라는 AI 모델들을 훈련시켜서 MCP 규칙을 완벽하게 따르도록 만들었습니다.

• 훈련 방법: AI 가 올바른 도구를 선택하고, 형식을 잘 맞출 때마다 **보상 (점수)**을 주는 강화 학습 (RL) 기술을 사용했습니다.
• 결과:
  • 훈련된 8B(80 억 파라미터) 모델은, 1200 억 파라미터라는 거대하고 비싼 모델 (GPT-OSS-120B) 보다 더 정확하게 도구를 사용하는 능력을 보여주었습니다.
  • 마치 작은 비서가 훈련을 통해 거장 비서보다 더 꼼꼼하게 업무를 처리하는 것과 같습니다.

🚀 요약: 왜 이것이 중요한가요?

1. 어디서나 사용 가능: 이제 스마트폰이나 웹 브라우저에서도 복잡한 AI 도구들을 안전하게 쓸 수 있게 되었습니다.
2. 안전성: 위험한 작업은 자동으로 확인하거나 격리해서 보호해 줍니다.
3. 비용 효율성: 거대하고 비싼 AI 모델을 쓸 필요 없이, 훈련된 작은 AI 모델로도 뛰어난 성능을 낼 수 있습니다.

한 줄 요약:

"MCP 브리지"는 AI 가 외부 도구와 소통할 수 있게 해주는 '안전하고 가벼운 중개소'이며, 이를 통해 작은 AI 모델도 거대 모델 못지않게 똑똑하고 안전하게 일할 수 있게 되었습니다.

기술 요약

1. 문제 정의 (Problem Statement)

대형 언어 모델 (LLM) 은 외부 도구와 데이터를 연결하는 표준화된 인터페이스인 모델 컨텍스트 프로토콜 (MCP) 을 통해 기능을 확장하고 있습니다. 그러나 현재 MCP 구현체에는 다음과 같은 치명적인 한계가 존재합니다.

• STDIO 전송의 의존성: 대부분의 MCP 서버는 로컬 프로세스 실행을 위한 STDIO(Standard Input/Output) 전송에 의존합니다. 이는 모바일 기기, 웹 브라우저, 엣지 컴퓨팅 등 리소스가 제한된 환경에서 직접적인 프로세스 실행이 불가능하여 적용이 어렵습니다.
• 리소스 비효율성: 여러 클라이언트가 MCP 서버에 직접 연결할 경우 중복된 프로세스 생성으로 인해 리소스 사용량이 급증합니다.
• 기술적 복잡성: MCP 도구 포맷의 복잡성은 비전문가 사용자의 접근성을 낮춥니다.
• 모델 의존성: MCP 클라이언트로서 신뢰할 수 있는 도구 호출을 생성하려면 모델이 프로토콜 스키마를 엄격하게 준수해야 하며, 오픈 가중치 (open-weight) 모델은 이러한 형식적 요구사항을 충족하는 데 어려움을 겪습니다.

2. 방법론 (Methodology)

이 논문은 시스템 아키텍처와 모델 정렬 (Model Alignment) 두 가지 측면에서 해결책을 제시합니다.

A. MCP Bridge 시스템 아키텍처

저자들은 MCP Bridge라는 경량화된 RESTful 프록시를 개발했습니다.

• 아키텍처: 클라이언트 (모바일, 브라우저 등) 와 MCP 서버 사이에서 작동하는 REST API 프록시입니다. Node.js 기반이며, STDIO 및 SSE(Server-Sent Events) 를 지원하는 MCP 서버와 연결됩니다.
• 기능:
  • 통합 API: 여러 MCP 서버의 기능을 하나의 통일된 RESTful API 로 노출합니다.
  • LLM-무관성 (LLM-Agnostic): 백엔드 모델이나 벤더에 구애받지 않고 어떤 LLM 이든 도구 호출을 수행할 수 있게 합니다.
  • 위험 기반 실행 모델 (Risk-Based Execution):
    1. 저위험 (Level 1): 추가 확인 없이 표준 실행 (읽기 전용 등).
    2. 중위험 (Level 2): 실행 전 명시적인 사용자 확인 (Confirmation Workflow) 필요.
    3. 고위험 (Level 3): Docker 컨테이너 격리 환경에서 실행하여 보안 강화.

B. 모델 정렬 및 강화 학습 (RL)

MCP Bridge 를 효과적으로 사용하기 위해 오픈 가중치 모델이 MCP 스키마를 엄격하게 준수하도록 Qwen3-4B 및 Qwen3-8B 모델을 미세 조정 (Fine-tuning) 했습니다.

• 데이터셋: Agent-Ark/Toucan-1.5M 데이터셋을 기반으로 도구 호출이 포함된 서브셋을 사용했습니다.
• 강화 학습 기법 비교: 네 가지 RL 알고리즘을 비교 평가했습니다.
  • GRPO (Group Relative Policy Optimization)
  • Dr. GRPO (Training pathologies 개선 버전)
  • BNPO (Beta Normalization Policy Optimization)
  • DAPO (Decoupled Clip and Dynamic sAmpling Policy Optimization)
• 보상 신호 (Reward Signal):
  1. 도구 선택 (Tool Selection): 올바른 도구를 선택했는지 (Precision, Recall, F1 기반).
  2. 형식 준수 (Format Compliance): MCP Bridge 가 파싱 가능한 JSON 구조로 도구 호출을 생성했는지.

3. 주요 기여 (Key Contributions)

1. MCP Bridge 개발: STDIO 전송의 한계를 극복하고, 모바일/웹/엣지 환경에서 MCP 서버를 REST API 를 통해 접근 가능하게 하는 최초의 경량 프록시 솔루션을 제시했습니다.
2. 보안 및 격리 메커니즘: 위험 수준에 따른 세 가지 실행 모드 (표준, 확인, Docker 격리) 를 도입하여 실제 배포 환경에서의 안전성을 확보했습니다.
3. 소규모 모델의 도구 사용 능력 향상: 4B 및 8B 규모의 Qwen3 모델을 강화 학습을 통해 MCP 프로토콜에 정렬시켜, 120B 이상의 거대 모델과 경쟁 가능한 도구 사용 성능을 달성했습니다.
4. 오픈 소스 제공: 전체 구현체 (MCP Bridge) 와 학습 코드를 오픈 소스로 공개하여 커뮤니티 활용을 장려했습니다.

4. 실험 결과 (Results)

시스템 성능 (MCP Bridge)

• 지연 시간 (Latency): REST 프록시를 통한 호출은 지속적 STDIO 연결 대비 평균 1.07~1.64ms의 오버헤드만 발생했습니다. 반면, 요청마다 새 프로세스를 생성하는 방식 (STDIO per-spawn) 보다 2.5~4.3 배 빠릅니다.
• 처리량 (Throughput): 50 개의 동시 클라이언트 환경에서 초당 900 건 이상의 요청을 처리하며, 오류율은 0% 를 기록했습니다.
• 리소스 사용: 메모리 사용량이 안정적이며 (RSS 약 47MB), 시스템 리소스에 미치는 영향이 미미합니다.

모델 성능 (RL Fine-tuning)

• 벤치마크: MCPToolBench++ (6 개 카테고리, 총 300 개 샘플) 에서 평가했습니다.
• 성능 비교:
  • Qwen3-8B + Dr. GRPO: F1 점수 73.4%, 정확도 (Accuracy) **69.7%**를 기록했습니다.
  • 비교 대상: 이 성능은 GPT-OSS-120B(F1 62.17%, Accuracy 58.7%) 보다 우월하며, 70B+ 파라미터 모델들과도 경쟁 가능한 수준입니다.
  • 통계적 유의성: 8B 모델의 성능은 120B 모델 대비 통계적으로 유의미하게 높았으며 (95% 신뢰구간 불중첩), 4B 모델 (GRPO 적용, F1 67.4%) 역시 120B 모델을 능가했습니다.
• 오류 분석: RL 학습을 통해 "도구 호출 부재" 및 "형식 오류"가 크게 감소하고, 올바른 도구 선택률이 향상되었습니다.

5. 의의 및 결론 (Significance)

이 연구는 MCP 생태계의 배포 가능성 (Deployability) 을 획기적으로 높였습니다.

• 환경적 제약 해소: 리소스가 제한된 환경 (모바일, 브라우저) 에서도 MCP 기반 에이전트를 실행할 수 있는 인프라를 제공했습니다.
• 비용 효율성: 거대 모델 (120B 이상) 없이도 소규모 오픈 모델 (8B) 로 고품질의 도구 사용이 가능함을 입증하여, LLM 기반 애플리케이션의 운영 비용을 절감할 수 있는 경로를 제시했습니다.
• 안전성 강화: 위험 기반 실행 모델을 통해 실제 환경에서의 도구 실행에 따른 보안 리스크를 관리 가능한 수준으로 낮췄습니다.

결론적으로, MCP Bridge와 RL 기반 정렬된 오픈 모델의 결합은 MCP 를 단순한 로컬 개발 도구를 넘어, 이질적인 AI 시스템 간에 보편적으로 적용 가능한 도구 접근 계층으로 발전시키는 핵심 기술로 평가됩니다.