Clip 2: Claude code 에 연결하고 랜덤 값 변경해보기

학습 목표

• MCP server를 Claude Code에 연결하는 방법을 학습한다

• MCP server의 코드를 수정하여 동작 원리를 실험적으로 이해한다

• Tool 실행 시 AI에게 전달되는 값을 확인한다

• 디버깅을 통해 MCP 프로토콜의 동작을 깊이 이해한다

실습 개요

이번 클립에서는 Clip 1에서 만든 Calculate와 Random MCP server를 Claude Code에 실제로 연결하고, Random MCP server의 코드를 의도적으로 수정하여 MCP의 동작 메커니즘을 실험적으로 확인합니다.

---

실습 1: MCP Server를 Claude Code에 연결하기

1단계: MCP 설정 추가

프로젝트 루트에 .mcp.json 파일을 생성하고 다음 설정을 추가합니다:

{
  "mcpServers": {
    "calculate": {
      "command": "uv",
      "args": [
        "--directory",
        "calculate-mcp-server",
        "run",
        "calculate-mcp-server"
      ],
      "env": {}
    },
    "random": {
      "command": "uv",
      "args": [
        "--directory",
        "random-mcp-server",
        "run",
        "random-mcp-server"
      ],
      "env": {}
    }
  }
}

2단계: Claude Code 재시작

설정 파일을 저장한 후 Claude Code를 완전히 종료하고 다시 시작합니다.

3단계: 연결 확인

Claude Code에서 다음과 같이 요청하여 MCP server가 정상 연결되었는지 확인합니다:

"12와 8을 더해줘"
"랜덤 숫자 하나 생성해줘"

---

실습 2: Random MCP Server 코드 수정하여 동작 이해하기

실험 목표

Random MCP server가 실제로 항상 77을 반환하도록 코드를 수정하여, MCP server의 코드 변경이 Claude Code에 어떻게 영향을 미치는지 확인합니다.

수정 전 코드

현재 Random MCP server는 1~100 사이의 랜덤 숫자를 생성합니다:

# src/random_mcp_server/server.py
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    """도구 호출을 처리합니다."""

    if name == "get_random_number":
        # 디버깅 정보 출력 (stderr)
        print(f"[DEBUG] get_random_number() called", file=sys.stderr)

        # 1~100 사이의 랜덤 숫자 생성
        result = random.randint(1, 100)

        print(f"[DEBUG] Generated random number: {result}", file=sys.stderr)

        return [
            TextContent(
                type="text",
                text=f"생성된 랜덤 숫자: {result}"
            )
        ]

수정 후 코드 (항상 77 반환)

코드를 다음과 같이 수정합니다:

# src/random_mcp_server/server.py
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    """도구 호출을 처리합니다."""

    if name == "get_random_number":
        # 디버깅 정보 출력 (stderr)
        print(f"[DEBUG] get_random_number() called", file=sys.stderr)

        # 실험용: 항상 77을 반환
        result = 77  # random.randint(1, 100) 대신 고정값

        print(f"[DEBUG] Generated random number: {result}", file=sys.stderr)

        return [
            TextContent(
                type="text",
                text=f"생성된 랜덤 숫자: {result}"
            )
        ]

변경 사항 적용

1. src/random_mcp_server/server.py 파일을 위와 같이 수정합니다

2. 파일을 저장합니다

3. Claude Code를 재시작합니다 (중요!)

동작 확인

Claude Code에서 여러 번 요청하여 항상 77이 반환되는지 확인합니다:

"랜덤 숫자를 생성해줘"
"랜덤 숫자를 하나 더 뽑아줘"
"또 다른 랜덤 숫자를 생성해줘"

예상 결과:

생성된 랜덤 숫자: 77
생성된 랜덤 숫자: 77
생성된 랜덤 숫자: 77

---

핵심 정리

LLM은 MCP Server의 응답 값만 읽는 구조

이번 실습의 가장 중요한 발견은 LLM은 MCP server가 반환하는 값만 읽는다는 것입니다.

실험 결과 분석:

• 사용자가 "랜덤 숫자를 생성해줘"라고 요청

• Claude Code는 get_random_number tool을 호출

• MCP server가 항상 77을 반환

• Claude는 반환된 77이라는 값만 보고 사용자에게 응답

핵심 메커니즘:

이것이 의미하는 것

1. LLM은 Tool의 내부 구현을 모른다

   • LLM은 Tool이 어떻게 동작하는지 알 수 없음

   • 단지 Tool의 description과 inputSchema만 읽음

   • 실행 후 반환된 결과 텍스트만 확인

2. MCP Server가 모든 로직을 처리

   • 랜덤 생성, 데이터베이스 조회, API 호출 등 모든 로직은 MCP server에서 처리

   • LLM은 그 결과를 신뢰하고 사용

3. Tool의 반환 값이 곧 진실

   • 실제로 랜덤하지 않아도 LLM은 반환된 값을 "랜덤 숫자"로 인식

   • MCP server가 반환한 값이 LLM에게는 절대적인 정보

MCP 개발의 핵심 원칙

이러한 구조는 다음과 같은 중요한 개발 원칙을 제시합니다:

1. 명확한 반환 메시지 작성

   • LLM이 이해하기 쉬운 형태로 결과를 반환해야 함

   • 예: "생성된 랜덤 숫자: 77" (명확함)

2. Tool Description의 중요성

   • LLM은 description을 보고 Tool을 선택

   • Tool의 실제 동작과 description이 일치해야 함

3. 신뢰할 수 있는 구현

   • LLM은 MCP server의 결과를 검증할 수 없음

   • 정확하고 신뢰할 수 있는 로직 구현이 필수

---

강사 정보

• 작성자: 정구봉

• LinkedIn: https://www.linkedin.com/in/gb-jeong/

• 이메일: [e-mail]

강의 자료

• 강의 자료: https://goobong.gitbook.io/fastcampus

• Github: https://github.com/Koomook/fastcampus-ai-agent-vibecoding

• FastCampus 강의 주소: https://fastcampus.co.kr/biz_online_vibeagent