저자: @BlazingKevin_, 자산운용사 블록부스터 연구원

1. 에이전트 스킬의 배경 및 발전 과정

2025년, AI 에이전트 분야는 "기술적 개념"에서 "엔지니어링 구현"으로 전환되는 중요한 시점에 도달할 것입니다. 이러한 과정에서 앤트로픽의 역량 캡슐화 연구는 예상치 못하게 업계 전반의 패러다임 변화를 촉진했습니다.

2025년 10월 16일, 앤스로픽은 에이전트 스킬을 공식 출시했습니다. 초기에는 이 기능에 대한 공식적인 설명이 매우 제한적이었으며, 복잡한 코드 로직이나 특정 데이터 분석과 같은 특정 분야에서 클로드의 성능을 향상시키는 보조 모듈 정도로만 여겨졌습니다.

하지만 시장과 개발자들의 반응은 예상을 훨씬 뛰어넘었습니다. 이러한 "모듈형 기능" 설계는 실제 엔지니어링에서 매우 높은 수준의 분리성과 유연성을 보여주는 것으로 빠르게 확인되었습니다. 이는 프롬프트 튜닝의 중복성을 줄였을 뿐만 아니라 특정 작업을 수행하는 에이전트의 안정성을 크게 향상시켰습니다. 이러한 경험은 개발자 커뮤니티에 빠르게 연쇄 반응을 일으켰습니다. 단기간에 VS Code, Codex, Cursor를 포함한 주요 생산성 도구 및 통합 개발 환경(IDE)들이 에이전트 스킬 아키텍처에 대한 기본 지원을 순차적으로 완성해 나갔습니다.

생태계의 자발적인 확장에 직면하여, 앤스로픽은 이 메커니즘의 근본적인 보편적 가치를 인식했습니다. 2025년 12월 18일, 앤스로픽은 획기적인 결정을 내렸습니다. 바로 에이전트 스킬을 오픈 표준으로 공식 출시한 것입니다 .

이어서 2026년 1월 29일, Skill의 공식 상세 사용자 설명서가 공개되어 프로토콜 수준에서 플랫폼 간 및 제품 간 재사용을 가로막는 기술적 장벽이 완전히 허물어졌습니다. 이러한 일련의 조치는 Agent Skill이 "Claude 전용 액세서리"라는 꼬리표를 완전히 벗어던지고 AI 에이전트 분야 전체에서 보편적인 기본 설계 패턴 으로 자리매김했음을 의미합니다.

이 시점에서 다음과 같은 질문이 제기됩니다. 주요 기업과 핵심 개발자들이 수용한 Agent Skill은 엔지니어링 수준에서 어떤 핵심적인 문제점을 실제로 해결하는 것일까요? 그리고 Agent Skill과 현재 널리 사용되는 MCP 사이에는 어떤 본질적인 차이점과 협력 관계가 있을까요?

이 글에서는 이러한 문제들을 명확히 하고 궁극적으로 암호화폐 산업 투자 연구 의 실질적인 구축에 적용하기 위해 다음과 같은 주제들을 단계적으로 살펴보겠습니다.

• 개념 분석 : 에이전트 스킬의 핵심과 기본 아키텍처 구성.
• 기본 워크플로 : 기본 작동 논리와 실행 흐름을 보여줍니다.
• 고급 메커니즘 : 참조 및 스크립트의 두 가지 고급 활용법에 대한 심층 분석.
• 실제 사례 연구 : 에이전트 스킬과 MCP의 핵심적인 차이점을 분석하고, 암호화폐 투자 연구 시나리오에서 두 기법을 결합하여 적용하는 방법을 보여줍니다.

2. 에이전트 스킬이란 무엇이며, 기본 구조는 무엇입니까?

에이전트 스킬이란 정확히 무엇일까요? 가장 간단하게 설명하자면, 언제든 참조할 수 있는 대형 모델에 대한 "맞춤형 사용 설명서" 라고 할 수 있습니다.

일상생활에서 AI를 사용할 때 흔히 겪는 불편함이 있습니다. 바로 새로운 대화를 시작할 때마다 긴 요청 내용을 다시 작성해야 한다는 점입니다. 에이전트 스킬은 이러한 문제를 해결하기 위해 개발되었습니다.

실질적인 예를 들어보겠습니다. "지능형 고객 서비스" 상담원을 만들고 싶다고 가정해 봅시다. 스킬에 다음과 같은 규칙을 명확하게 작성할 수 있습니다. "사용자 불만을 접했을 때 가장 먼저 해야 할 일은 사용자를 진정시키는 것이며, 절대로 보상을 약속해서는 안 됩니다." 또 다른 예로, "회의 요약"을 자주 작성해야 한다면 스킬에 다음과 같은 템플릿을 직접 정의할 수 있습니다. "회의 요약을 출력할 때마다 '참석자', '핵심 문제', '최종 결정'의 세 가지 섹션 형식을 엄격히 준수해야 합니다."

이 "사용 설명서"만 있으면 매번 대화할 때마다 긴 지시 사항을 반복할 필요가 없습니다. 대형 모델이 작업을 받으면 해당 스킬을 자동으로 참조하여 어떤 표준을 사용하여 작업을 수행해야 하는지 즉시 파악합니다.

물론, "문서화"는 이해를 돕기 위한 단순화된 비유일 뿐입니다. 실제로 Agent Skill은 서식 지침을 제공하는 것 이상의 기능을 제공하며, 후반 장에서 그 강력한 고급 기능들을 자세히 살펴보겠습니다. 하지만 초기 단계에서는 Agent Skill을 효율적인 작업 지침서라고 생각하시면 됩니다.

다음으로, 익숙한 시나리오인 "회의 요약"을 사용하여 에이전트 스킬을 만드는 방법을 살펴보겠습니다. 전체 과정은 복잡한 프로그래밍 지식을 필요로 하지 않습니다.

현재 주요 도구(예: Claude Code)의 설정에 따르면, 컴퓨터 사용자 디렉터리에서 .claude/skill 이라는 폴더를 찾거나 생성해야 합니다. 이 폴더는 모든 스킬이 저장되는 "본부" 역할을 합니다.

먼저, 이 디렉터리에 새 폴더를 만드세요. 폴더 이름은 요원 스킬 이름과 동일하게 지정하세요 . 둘째, 방금 만든 폴더에 skill.md 라는 텍스트 파일을 생성하세요.

모든 에이전트 스킬에는 skill.md 파일이 있어야 합니다. 이 파일의 목적은 AI에게 내가 누구인지, 무엇을 할 수 있는지, 그리고 내 지시에 따라 어떻게 작동해야 하는지를 알려주는 것입니다. 이 파일을 열어보면 두 부분으로 명확하게 나뉘어 있는 것을 알 수 있습니다.

파일의 맨 처음 부분, 일반적으로 두 개의 --- 둘러싸인 영역에는 name 과 description 두 가지 핵심 속성만 기록됩니다.

• name : 이것은 스킬의 이름이며, 외부 폴더의 이름과 정확히 일치해야 합니다.
• description : 이 부분은 매우 중요합니다. 이 설명은 해당 스킬의 구체적인 목적을 AI 모델에 설명하는 역할을 합니다. AI는 백그라운드에서 모든 스킬 설명을 지속적으로 검토하여 사용자의 질문에 답하는 데 어떤 스킬을 사용해야 할지 결정합니다. 따라서 정확하고 포괄적인 설명을 작성하는 것은 AI가 해당 스킬을 정확하게 활성화할 수 있도록 하는 필수 조건입니다.

하이픈 아래 나머지 텍스트는 AI에 적용되는 구체적인 규칙입니다. 공식적으로는 "지침"이라고 부릅니다. 여기서 창의력을 발휘해야 합니다. 모델이 따라야 할 논리를 자세히 설명해야 합니다. 예를 들어 회의 요약 예시에서는 "참석자 목록, 논의된 주제, 최종 결정 사항을 추출해야 합니다."와 같이 명확하게 명시할 수 있습니다.

이 단계를 완료하면 간단하면서도 매우 실용적인 에이전트 스킬이 생성됩니다.

하지만 진정으로 유용한 기술은 종종 꼼꼼한 사전 설계에서 시작됩니다. 첫 줄을 작성하기 전에 목표, 범위 및 성공 기준을 명확하게 정의하면 개발 프로세스가 훨씬 더 효율적이 될 것입니다.

기술을 개발하는 첫 번째 단계는 "AI에게 어떤 묘기를 부리게 할 수 있을까?"를 생각하는 것이 아니라, " 내 일상 업무에서 반복적으로 해결해야 하는 문제는 무엇일까? "를 스스로에게 묻는 것입니다. 먼저 이 기술이 다뤄야 할 구체적인 시나리오 2~3개를 정의하는 것이 좋습니다.

둘째로, 성공 기준을 정의하세요. 작성한 스킬이 좋은지 아닌지 어떻게 알 수 있을까요? 시작하기 전에 측정 가능한 기준을 몇 가지 설정하세요. 예를 들어, 양적 기준으로는 "처리 속도가 향상되었는지"를, 질적 기준으로는 "추출된 회의 결정 사항이 매번 충분히 정확하고 누락 없이 제공되는지"를 설정할 수 있습니다.

3. 에이전트 스킬의 기본 운영 워크플로

요원 스킬의 기본 사항을 배우고 나니, 실제 작전에서 이 "문서화"가 정확히 어떻게 작동하는지 궁금하지 않을 수 없습니다.

최근 Manus AI와 같은 제품을 사용해 보셨다면 다음과 같은 상황을 경험해 보셨을 겁니다. 특정 질문을 던졌을 때, AI는 장황한 설명을 늘어놓거나 횡설수설하는 대신, "이 문제는 특정 에이전트 스킬의 관할에 속합니다."라고 예리하게 인식합니다. 그리고 화면에 해당 스킬 사용을 허용할지 묻는 메시지가 나타납니다.

"동의"를 클릭하면 AI는 완전히 다른 사람처럼 행동하며 미리 설정된 규칙에 따라 완벽하게 결과를 도출합니다.

겉보기에 간단해 보이는 "신청-동의-실행" 상호작용 이면에는 매우 정교한 워크플로가 숨어 있습니다. 이 메커니즘을 완전히 설명하기 위해서는 먼저 프로세스 전반에 걸쳐 상호작용에 관여하는 "세 가지 핵심 역할"을 파악해야 합니다.

1. 사용자 : 작업 요청을 시작하는 사람.
2. 클라이언트 측 도구(예: Claude Code)는 일정 관리 및 조정을 담당하는 "중개자" 역할을 합니다.
3. 대규모 언어 모델 : 의도를 이해하고 최종 결과를 생성하는 "두뇌" 역할을 합니다.

시스템에 요청을 입력하면(예: "오늘 아침 프로젝트 회의 내용을 요약해 주세요"), 다음 네 단계의 정확한 협업 과정을 통해 세 가지 역할이 동시에 진행됩니다.

1단계: 경량 스캔(메타데이터 전송)

사용자가 요청을 입력하면 클라이언트 도구(Claude Code)는 모든 문서를 즉시 대형 모델로 전송하지 않습니다. 대신, 사용자의 요청과 현재 시스템에 있는 모든 에이전트 스킬의 "이름" 및 "설명" (이전 장에서 언급한 메타데이터 계층)을 함께 패키징하여 대형 모델로 전송합니다. 즉, 수십 개의 스킬이 설치되어 있더라도 대형 모델은 "경량 디렉토리"만 수신하게 됩니다. 이러한 설계는 모델의 처리 부담을 크게 줄이고 정보의 상호 간섭을 방지합니다.

2단계: 정확한 의도 매칭. 사용자의 요청과 "스킬 디렉토리"를 수신한 후, 빅 모델은 신속한 의미 분석을 수행합니다. 사용자의 요청이 "회의 요약"이며, 디렉토리에는 설명이 해당 작업과 완벽하게 일치하는 "회의 요약 도우미"라는 스킬이 있음을 발견합니다. 이때 빅 모델은 클라이언트 도구에 "이 작업은 '회의 요약 도우미'로 해결할 수 있다는 것을 알았습니다."라고 알립니다.

3단계: 필요에 따라 전체 교육 내용 불러오기. 대형 모델에서 피드백을 받은 후, 클라이언트 도구(Claude Code)는 "회의 요약 도우미" 전용 폴더로 이동하여 전체 skill.md 텍스트를 읽습니다. 이는 매우 중요한 설계 요소입니다. 전체 교육 내용 전체는 이 단계에서만 읽히며, 시스템은 선택된 하나의 스킬만 읽습니다. 선택 되지 않은 다른 스킬들은 디렉토리에 그대로 남아 리소스를 소모하지 않습니다.

4단계: 엄격한 실행 및 응답 출력 마지막으로 클라이언트 도구는 "사용자의 원래 요청"과 "회의 요약 도우미에서 추출한 전체 skill.md 내용"을 대형 모델로 전송합니다. 이때 대형 모델은 더 이상 선택을 하지 않고 실행 모드에 들어갑니다. skill.md 에 정의된 규칙(예: 참석자, 핵심 주제, 최종 결정 사항 추출)을 엄격하게 준수하여 고도로 구조화된 응답을 생성한 후, 이를 클라이언트 도구에 전달하여 사용자에게 표시합니다.

4. 핵심 메커니즘 1: 온디맨드 로딩 및 참조

이전 장의 워크플로에서는 에이전트 스킬의 첫 번째 핵심 기본 메커니즘인 온디맨드 로딩을 ​​소개했습니다.

모든 스킬의 이름과 설명은 대형 모델에 항상 표시되지만, 구체적인 지침은 해당 스킬이 정확하게 사용된 후에야 모델의 컨텍스트로 실제로 전달됩니다.

이는 귀중한 토큰 리소스를 크게 절약해 줍니다. 예를 들어 "바이럴 카피라이팅", "회의 요약", "온체인 데이터 분석"과 같은 대규모 스킬을 12개 이상 동시에 배포한다고 가정해 보세요. 모델은 처음에 아주 저렴한 "디렉토리 검색"만 수행하면 됩니다. 대상이 선택된 후에야 시스템은 해당 스킬에 맞는 skill.md 파일을 모델에 제공합니다. 이러한 "온디맨드 로딩" 방식이 바로 에이전트 스킬을 가볍고 효율적으로 유지하는 비결입니다.

하지만 최고의 효율성을 추구하는 고급 사용자에게는 단순히 1단계의 온디맨드 로딩을 ​​달성하는 것만으로는 충분하지 않습니다.

사업이 확장됨에 따라, 우리는 종종 더욱 스마트한 기능을 원합니다. "회의 요약 도우미"를 예로 들어보겠습니다. 이 도우미는 단순히 회의 내용을 요약하는 것을 넘어, 심층적인 인사이트를 제공할 수 있어야 합니다. 예를 들어, 회의에서 예산 지출이 결정되면, 해당 지출이 그룹의 재정 규정을 준수하는지 여부를 요약에 바로 표시해 주고, 외부 협업이 포함될 경우 잠재적인 법적 위험을 자동으로 알려주는 기능이 필요합니다. 이렇게 하면 팀원들이 요약을 검토할 때 핵심적인 규정 준수 사항을 즉시 파악할 수 있어, 규정을 일일이 확인하는 번거로운 과정을 없앨 수 있습니다.

하지만 이는 엔지니어링 측면에서 치명적인 모순을 야기합니다. Skill이 이러한 기능을 갖추려면 모든 장황한 "재정 규정"과 "법률 조항"을 skill.md 파일에 억지로 집어넣어야 합니다. 그 결과 핵심 명령어 파일이 엄청나게 커집니다. 단순히 기술적인 아침 회의라 할지라도, 모델은 수만 단어에 달하는 재정 및 법률 관련 "쓸데없는 내용"을 로드해야 하는데, 이는 토큰 낭비를 초래할 뿐만 아니라 모델이 쉽게 "주의를 분산시키는" 원인이 됩니다.

그렇다면 온디맨드 로딩 방식 위에 "온디맨드 안에 또 다른 온디맨드" 방식을 추가하는 것이 가능할까요? 예를 들어, 회의에서 실제로 "돈"에 대한 논의가 있을 때만 시스템이 모형 금융 규정을 보여주도록 할 수 있을까요?

네, 그렇습니다. 에이전트 스킬 시스템의 참조 메커니즘은 바로 이러한 목적을 위해 만들어졌습니다.

Reference의 핵심은 조건에 따라 작동하는 외부 지식 기반 입니다. 이것이 위에서 언급한 문제점들을 어떻게 우아하게 해결하는지 살펴보겠습니다.

1. 외부 참조 파일 생성 : 먼저, 이 스킬의 디렉토리에 별도의 파일(기술 용어로는 참조 파일)을 추가합니다. 파일 이름은集团财务手册.md 로 지정하고, 이 파일에는 경비 정산 기준(예: 숙박비 1박당 500위안, 식비 1인당 1일 300위안 등)을 자세히 명시합니다.
2. 트리거 조건 설정 : 다음으로, 핵심 스킬인 skill.md 파일로 돌아가서 "재정 알림 규칙"을 추가합니다. 다음과 같이 자연어로 명시적으로 정의할 수 있습니다. "회의 내용에 돈, 예산, 조달, 지출과 같은 단어가 언급될 때만 트리거됩니다. 트리거가 발생하면集团财务手册.md 파일을 읽어야 합니다. 이 파일의 내용을 바탕으로 회의 결정 금액이 한도를 초과하는지 여부를 표시하고 해당 승인자를 지정하십시오."

설정이 완료되면 다음 회의에서 예산 배분을 검토하면서 훌륭하고 역동적인 협업이 시작됩니다.

1. 클라이언트 도구가 스캔 후 "회의 요약 도우미" 스킬 사용을 요청합니다(주문형 로딩의 첫 번째 단계 완료).
2. 모델이 회의록을 읽던 중 "예산"이라는 단어를 예리하게 포착하고 즉시 skill.md 에 내장된 규칙을 작동시켰습니다.
3. 이 시점에서 시스템은 두 번째 요청을 보냅니다. "集团财务手册.md 읽도록 허용하시겠습니까?" (두 번째 단계의 온디맨드 로딩을 ​​완료하세요: 참조가 동적으로 트리거됩니다).
4. 승인이 완료되면, 해당 모델은 회의 내용을 동적으로 도입된 재무 기준과 상호 참조하여 최종적으로 "참가자, 주제 및 결정 사항"뿐만 아니라 "재무 규정 준수 경고"까지 포함하는 고품질 요약 보고서를 생성합니다.

참조의 핵심 특징을 기억해 주십시오. 참조 는 엄격한 조건에 따라 달라집니다 . 반대로, 오늘 회의가 코드 로직을 논의하는 기술 브리핑이고 금전적인 문제가 전혀 관련이 없다면, 이集团财务手册.md 파일은 하드 드라이브에 조용히 저장되어 컴퓨팅 파워 토큰을 단 하나도 소모하지 않을 것입니다.

5. 스크립트 및 단계적 정보 공개 메커니즘

정보 과부하 문제를 해결하기 위한 참조 메커니즘에 대해 논의했으니, 이제 에이전트 스킬의 또 다른 핵심 기능인 코드 실행(스크립트) 에 대해 알아보겠습니다.

숙련된 에이전트에게 단순히 "정보를 검색"하고 "요약을 작성하는" 것만으로는 충분하지 않습니다. 진정한 자동화는 업무를 직접 처리할 수 있을 때 달성됩니다. 바로 이 지점에서 스크립트가 중요한 역할을 합니다.

"회의 요약 도우미"를 예시로 계속 사용해 보겠습니다. 요약 작성이 완료되면 일반적으로 회사 내부 시스템과 동기화해야 합니다. 이 마지막 단계를 위해 Skill 폴더에 upload.py 라는 새로운 Python 스크립트를 생성하고, 이 스크립트에 회사 서버에 연결하여 업로드하는 로직을 구현합니다.

다음으로, 핵심 스킬 파일인 skill.md 로 돌아가서 다음과 같은 명시적인 지침을 추가합니다. "사용자가 '업로드', '동기화', '서버로 전송'과 같은 단어를 언급하면, 생성된 요약 콘텐츠를 서버로 전송하기 위해 upload.py 스크립트를 실행해야 합니다."

인공지능에게 "요약이 잘 작성되었으니 서버에 동기화해 주세요."라고 말할 때.

클라이언트 도구는 즉시 upload.py 파일을 실행하도록 요청할 것입니다. 하지만 중요한 기본 원리를 하나 알려드리겠습니다. 이 과정에서 AI는 해당 코드의 내용을 "읽는" 것이 아니라 단순히 "실행"할 뿐입니다.

즉, 파이썬 스크립트에 10,000줄에 달하는 매우 복잡한 비즈니스 로직이 포함되어 있더라도, 대규모 모델 컨텍스트를 사용하는 양은 거의 없다는 뜻입니다. AI는 마치 "블랙박스" 도구를 사용하는 것과 같습니다. 도구를 어떻게 시작하고 최종적으로 성공하는지에만 관심이 있고, 블랙박스 내부 작동 방식에는 관심이 없습니다.

이로 인해 참조와 스크립트라는 두 가지 고급 기능 간의 근본적인 작동 방식 차이가 발생합니다.

• 참조(읽기): 외부 파일의 내용을 모델의 두뇌(컨텍스트)로 참조 형태로 "이동"시키므로 토큰을 소모합니다 .
• 스크립트(실행): 외부 환경에서 직접 실행됩니다. 실행 방법을 명확하게 정의하면 모델의 컨텍스트를 점유 하지 않습니다 .

물론, 함정을 피하기 위한 팁을 드리자면, skill.md 파일을 작성할 때 스크립트의 트리거 조건과 실행 명령을 매우 명확하게 설명해야 합니다. AI가 모호한 지시를 만나 어떻게 진행해야 할지 모르는 경우, 코드를 들여다보며 단서를 찾으려 할 수 있는데, 이는 토큰 낭비로 이어질 수 있습니다. 따라서 스킬 작성의 핵심 규칙은 규칙을 최대한 명확하고 포괄적으로 정의하는 것입니다.

지금까지 우리는 요원 스킬의 핵심 구성 요소를 모두 살펴보았습니다. 이제 잠시 멈추고 전체적인 관점에서 정리해 보겠습니다.

전체 로딩 과정을 자세히 살펴보면 Agent Skill의 설계 철학이 매우 정교하고 점진적인 정보 공개 메커니즘 임을 알 수 있습니다. 높은 성능을 유지하면서 계산 효율성을 극대화하기 위해 시스템은 엄격하게 세 계층으로 나뉘며, 각 계층의 작동 조건은 점진적으로 더욱 까다로워집니다.

• 첫 번째 계층: 메타데이터 계층(항상 로드됨). 이 계층에는 모든 에이전트 스킬의 name 과 description 저장됩니다. 마치 대형 모델의 "상주 디렉토리"와 같으며, 매우 가볍습니다. 대형 모델은 각 주문을 수락하기 전에 이 계층을 참조하여 초기 경로 매칭을 완료합니다.
• 두 번째 계층인 명령 계층(요청 시 로드됨) 은 skill.md 에 있는 특정 규칙에 해당합니다. 첫 번째 계층이 작업 소유권을 확인한 후에야 AI는 해당 계층을 "열고" 특정 규칙을 자신의 두뇌에 로드합니다.
• 세 번째 계층은 리소스 계층(온디맨드 내 온디맨드 로딩) 입니다. 이는 가장 깊고 큰 계층이며, 세 가지 핵심 구성 요소를 포함합니다.
  • 참고: 예를 들어,集团财务手册.md 대화에서 특정 조건(예: "돈" 언급)이 충족될 때만 읽힙니다.
  • upload.py 와 같은 스크립트는 특정 작업(예: "업로드")이 필요할 때만 실행됩니다.
  • 자산에는 회사 로고, 사용자 지정 글꼴, 연구 보고서 생성에 필요한 특정 PDF 템플릿 등이 포함됩니다. 이러한 자산은 최종 결과물을 생성할 때만 사용됩니다.

6. 에이전트 스킬과 MCP의 본질적인 차이점 및 실제적인 조합

에이전트 스킬의 고급 활용법에 대해 논의한 후, AI 프로토콜의 기본 원리에 익숙한 독자라면 강한 데자뷔를 느낄 수도 있습니다. 에이전트 스킬의 스크립팅 메커니즘이 최근 인기를 얻고 있는 MCP( 다중 채널 프로그래밍)와 매우 유사해 보이기 때문입니다. 본질적으로 둘 다 대규모 모델이 외부 세계에 연결하고 이를 조작할 수 있도록 한다는 점에서 공통점이 있지 않을까요?

기능적으로 중복되는 부분이 있는데, 암호학 연구 워크플로우를 구축할 때 어떤 것을 선택해야 할까요?

이 문제와 관련하여, 인류학 연구진은 두 가지의 가장 핵심적이고 본질적인 차이점을 지적하기 위해 매우 고전적인 표현을 사용한 적이 있습니다.

"MCP는 클로드를 데이터에 연결해 줍니다. 스킬은 클로드에게 그 데이터를 사용하는 방법을 가르쳐 줍니다."

이 설명은 핵심을 정확히 짚고 있습니다. MCP는 본질적으로 대규모 모델에 외부 정보를 표준화된 방식으로 제공하는 "데이터 파이프라인"입니다 (예: 블록체인의 최신 블록 높이 조회, 거래소에서 실시간 캔들스틱 차트 가져오기, 현지 투자 연구 PDF 읽기 등). 반면 에이전트 스킬은 이러한 데이터를 받은 후 대규모 모델이 어떻게 작동해야 하는지를 규제하는 "행동 강령(SOP)" 세트입니다 (예: 투자 연구 보고서에 토큰 경제 모델이 포함되어야 하고, 출력 결론에 위험 경고가 포함되어야 한다는 조항 등).

이 시점에서 일부 기술 애호가들은 이렇게 반박할지도 모릅니다. "Agent Skill은 Python 코드도 실행할 수 있는데, 스크립트에 로직을 추가해서 데이터베이스에 연결하거나 API를 호출하면 되지 않나요? Agent Skill 하나로 MCP의 모든 기능을 구현할 수 있지 않나요?"

실제로 엔지니어링 구현 측면에서 에이전트 스킬을 이용해 데이터를 가져올 수도 있습니다. 하지만 그 방식은 매우 어색하고 비전문적입니다.

이러한 "전문성 부족"은 두 가지 치명적인 측면에서 나타납니다.

1. 운영 메커니즘 및 상태 유지 : 에이전트 스킬의 스크립트는 "상태 비저장" 방식으로 실행되며, 실행될 때마다 독립적으로 작동한 후 완료되어 사라집니다. 반면 MCP는 독립적으로 실행되는 장기 실행 서비스로, 외부 데이터 소스(예: 아래에서 설명할 WebSocket 장기 연결)에 대한 지속적인 연결을 유지할 수 있습니다. 이는 단순한 스크립트로는 불가능한 기능입니다.
2. 보안 및 안정성 : AI가 매번 최고 시스템 권한으로 Python 스크립트를 실행하도록 허용하는 것은 상당한 보안 위험을 초래하는 반면, MCP는 표준화된 격리 환경과 인증 메커니즘을 제공합니다.

그러므로, 최고 수준의 암호화폐 연구 시스템을 구축할 때 가장 강력한 해결책은 두 가지 옵션 중 하나를 선택하는 것이 아니라, 두 가지를 결합하여 강력한 시스템을 만드는 것입니다. 즉, "물 공급을 위한 MCP와 제조를 위한 스킬"을 결합하는 것입니다.

이러한 조합의 강력함을 모든 사람이 직접 체감할 수 있도록, 웹3 개발사인 Cryptoxiao가 구축한 opennews-mcp 예로 들어 API 기반 기술을 활용하여 완전 자동화된 암호화 뉴스 정보 센터를 만드는 방법을 살펴보겠습니다.

이러한 유형의 스킬의 핵심 논리는 MCP가 제공하는 개별 API 기능을 스킬의 명령 오케스트레이션을 통해 최종 투자 연구 목표에 맞춰 설계된 지능형 에이전트로 캡슐화하는 것입니다.

이 시스템은 인공지능에 네 가지 핵심 모듈에서 기능을 부여합니다.

모듈 1: 뉴스 출처 찾기

이는 AI가 도구의 기능적 한계를 이해하는 진입점입니다. discovery.py 의 도구를 통해 AI는 어떤 채널에서 정보를 얻을 수 있는지를 동적으로 학습할 수 있습니다.

제2모듈: 다차원 뉴스 검색

이는 news.py 에 의해 구현된 핵심 쿼리 모듈로, 간단한 뉴스 검색부터 복잡한 뉴스 검색까지 다양한 방법을 제공합니다.

모듈 3: AI 기반 분석 및 인사이트

이 도구의 해당 부분은 6551.io 백엔드에서 이미 완료된 AI 분석 결과를 활용하여 AI 에이전트가 "사실"뿐 아니라 "의견"까지 직접 문의할 수 있도록 합니다.

핵심 통찰: AI 에이전트가 이러한 도구를 호출할 때, MCP 서버가 내부적으로 2단계 "가져오기-필터링" 프로세스를 수행한다는 사실을 알지 못합니다. AI에게는 마치 마법처럼 "높은 평가를 받은 뉴스" 또는 "긍정적인 뉴스"를 바로 반환하는 도구처럼 느껴져 워크플로가 크게 단순화됩니다.

모듈 4: 실시간 뉴스 스트림

이는 realtime.py 에 의해 구현된 opennews-mcp의 "핵심" 기능으로, AI가 실시간 이벤트를 수신할 수 있도록 해줍니다.

핵심 요점: 이 기능은 상태를 유지하는 지속적인 네트워크 연결이 필요하기 때문에 순수 스킬로는 구현할 수 없습니다. 전용 MCP 서버를 통해서만 가능합니다.

이러한 MCP 기반 도구가 에이전트 스킬의 명령 흐름에 통합되면, 여러분의 AI는 공식적으로 "일반 채팅 도우미"에서 "월스트리트 수준의 웹3 분석가"로 변모합니다. 이전에는 연구원들이 몇 시간씩 걸려야 했던 복잡한 워크플로우를 완벽하게 자동화할 수 있게 되는 것입니다.

워크플로우 예시 1: 신규 통화에 대한 신속한 실사(DD)

1. 명령 실행 : 사용자가 "새롭게 출시된 @NewCryptoCoin 프로젝트에 대한 심층 조사를 수행하세요"라고 입력했습니다.
2. 기본 평가 : 에이전트는 공식 트위터 데이터를 가져오기 위해 opentwitter.get_twitter_user 자동으로 호출합니다.
3. 지지 기반 교차 검증 : opentwitter.get_twitter_kol_followers 호출하여 어떤 주요 KOL이나 벤처캐피탈리스트들이 조용히 프로젝트를 팔로우하고 있는지 분석할 수 있습니다.
4. 전체 네트워크 여론 검색 : opennews.search_news_by_coin 사용하여 언론 보도 및 홍보 활동을 검색하세요.
5. 신호 대 잡음비 필터링 : opennews.get_high_score_news 호출하여 가치 없는 속보를 제거하고 높은 점수를 받은 장문의 기사만 읽습니다.
6. 조사 보고서 출력 : Skill에 미리 설정된 조사 보고서 형식에 따라 Agent는 "기본 정보, 커뮤니티 자산 구조, 언론 관심도 및 AI 종합 평가"를 포함하는 표준 실사 보고서를 출력합니다.

워크플로우 예시 2: 실시간 이벤트 기반 거래 신호 검색

1. 지시사항 : 사용자가 "24시간 내내 시장을 모니터링하고 '제로 지식 증명(ZK)' 부문에서 갑작스러운 거래 기회를 찾도록 도와주세요."라고 입력했습니다.
2. 센티넬 배포 : 에이전트는 opennews.subscribe_latest_news 호출하여 WebSocket 장기 연결을 설정하고, 콘텐츠에 "ZK" 또는 "영지식 증명"이 포함되어 있고 특정 토큰과 연결된 뉴스 스트림을 수신합니다.
3. 긍정적 뉴스 포착 : 시스템이 특정 프로젝트(예: SomeCoin)가 ZK 기술에서 획기적인 발전을 이루었다는 가중치가 높은 긍정적 뉴스를 포착하고, 감정 지표가 '롱'으로 판단되면 즉시 휴면 상태를 차단합니다.
4. 커뮤니티 정서 공감대 형성 테스트 : 에이전트는 트위터 검색 도구를 밀리초 단위로 호출하여 ZK 분야의 여러 핵심 KOL이 동시에 해당 이벤트를 확산시키고 있는지 확인합니다.
5. 알림 트리거 : "미디어 최초 공개 + 커뮤니티 반응" 조건이 충족되면 에이전트는 사용자에게 높은 확실성의 알파 거래 알림을 즉시 전송합니다.

따라서 에이전트 스킬을 통해 행동 논리를 표준화하고 MCP를 통해 데이터 동맥을 연결함으로써 고도로 자동화되고 전문적인 암호 연구 워크플로가 완벽하게 구현됩니다.