AI 에이전트가 복잡한 작업을 수행할 때, 어떤 도구(tool)를 어떤 상황에서 사용해야 할지 몰라 불필요한 오류를 반복하는 문제가 빈번하게 발생합니다. 이러한 '헛발질'은 시간과 컴퓨팅 자원 낭비로 이어지는데, 최근 'MCPgraphy'라는 새로운 프록시(proxy)가 이 문제를 해결하며 에이전트의 효율성을 크게 개선하고 있습니다. 이 프록시는 에이전트의 도구 호출 패턴을 학습하여 잘못된 호출을 사전에 경고하거나 차단하는 방식으로 작동합니다.
MCPgraphy는 에이전트와 도구 서버(MCP server) 사이에 위치하여 에이전트의 모든 도구 호출을 수동적으로 관찰합니다. 호출 전후의 리소스 상태를 기록하여 '행동 그래프(behavior graph)'를 구축하고, 이를 통해 특정 상태에서 어떤 도구가 성공하고 실패했는지 학습합니다. 이렇게 학습된 정보를 바탕으로, 에이전트가 이전에 실패했던 호출을 다시 시도할 경우 경고를 보내거나 아예 호출을 차단합니다. 특히, 릴리스 파이프라인(release pipeline)과 티켓 트래커(ticket tracker)를 시뮬레이션한 벤치마크 테스트에서 MCPgraphy는 에이전트의 무효 호출 수를 크게 줄였으며, GPT-5.4-mini 기반의 실제 LLM 에이전트(LLM agent)의 작업 완료율을 74%에서 99%로 향상시키는 놀라운 결과를 보여주었습니다.
이러한 MCPgraphy의 등장은 AI 에이전트 개발 및 운영 방식에 중요한 변화를 가져올 수 있습니다. 에이전트의 '시행착오' 비용을 줄여 개발 속도를 높이고, 실제 환경에서 에이전트의 안정성과 신뢰성을 크게 향상시킬 수 있기 때문입니다. 특히, 대규모 언어모델(LLM) 기반 에이전트가 다양한 도구를 활용하여 복잡한 작업을 수행하는 시대에, MCPgraphy와 같은 안전 및 효율성 강화 도구는 에이전트의 상용화와 확산에 필수적인 역할을 할 것으로 기대됩니다. 이는 에이전트가 더욱 똑똑하고 안전하게 작동하도록 돕는 중요한 진전으로 평가됩니다.