본 포스팅은 패스트 캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
'50일의 기적 AI 환급반' 도전 26일차 입니다.
오늘은 part2의 'ch4. 사전 구축 Agent '중
06. LangChain MCP Adapters - 데이터 분석 Agent
위 1개의 강의를 수강하였습니다.
이번 강의에서는 MCP를 사용한 데이터 분석 Agent를 구현해보는 실습을 하였습니다. 단순히 데이터 분석 코드를 작성하는 것이 아니라, Agent가 외부 도구(MCP Tool)를 호출해 분석, 시각화, 모델링까지 수행하는 구조는 마치 작은 데이터 분석가를 하나 만들고 있는 듯한 느낌을 받았습니다.
MCP는 일종의 표준 프로토콜로, AI 모델이 외부 데이터나 기능에 접근할 수 있도록 연결해주는 역할을 합니다. LangChain MCP Adapter는 Agent가 MCP 서버의 다양한 Tool을 손쉽게 사용할 수 있도록 연결해주는 브리지 역할을 수행해 매우 유용했습니다.
가장 흥미로웠던 부분은 실제 MCP 서버를 구성하고, 그 안에 데이터 통계 도구, 시각화 도구, 모델링 도구를 각각 구현한 것입니다. describe_column 함수는 pandas의 describe 메서드를 활용해 CSV 데이터의 특정 컬럼 통계를 반환하고, plot_histogram 함수는 seaborn을 이용해 컬럼 분포를 시각화한 후 이미지를 저장합니다. 또한 model 함수는 입력 컬럼(x)과 목표 컬럼(y)을 바탕으로 자동으로 분류 또는 회귀 모델을 선택하여 학습하고, 적절한 성능 지표를 반환하는 로직이 인상 깊었습니다. 머신러닝 입문자라도 따라가기 쉽게 설계되어 있다는 점에서 실무에 적용해보기 좋은 구조라는 생각이 들었습니다.
MCP Client 부분에서는 Stdio 방식으로 서버와 연결하여 LangChain 기반의 Agent가 MCP Tool을 불러오는 과정을 배웠습니다. 특히 prompts를 MCP 서버에서 가져오는 부분에서 서버와 클라이언트 간의 명확한 역할 분담이 잘 느껴졌습니다. 이처럼 MCP를 활용하면 모델, 데이터, 도구를 분리하여 관리할 수 있어 확장성과 유지보수 측면에서도 큰 장점을 가집니다.
- 필수 URL 가이드
https://fastcampus.info/4n8ztzq
- 인증샷-
