Ollama를 데이터베이스 및 API에 MCP로 연결하기: 로컬 AI 에이전트 설정 2026

빠른 사실

• 프로토콜: stdio(로컬 하위 프로세스) 또는 HTTP/SSE(원격)를 통한 JSON-RPC 2.0. 로컬 에이전트는 거의 독점적으로 stdio를 사용합니다.
• 유지 관리: Anthropic(오픈 소스 사양); 참조 서버는 GitHub의 modelcontextprotocol/servers에서 유지 관리되며 성장하는 타사 생태계가 있습니다.
• 2026년 로컬 클라이언트: Goose(Block), Cline(VS Code 확장), Continue.dev(VS Code/JetBrains), LM Studio(데스크톱 앱), 그리고 여러 CLI 도구들.
• 지원되는 Ollama 모델: 네이티브 tool calling 훈련을 받은 모든 모델. 2026년 5월 기준: Gemma 4 27B, GLM-5.1 32B, Qwen3 32B, Qwen3-Coder 30B, Llama 3.3 70B.
• 기본 전송: 로컬 프로세스를 위한 stdio; 서버를 기기 또는 에이전트 간에 공유해야 할 때만 HTTP/SSE.
• 설정은 단일 파일에 있습니다: ~/.config/goose/config.yaml(Goose), ~/.continue/config.json의 MCP 블록(Continue.dev) 또는 Cline 설정 인터페이스의 mcpServers. 모두 동일한 구조: 서버 이름, 명령, args, 환경 변수.
• Claude Desktop이 필요하지 않습니다. 프로토콜은 Claude Desktop 독점 사용 이전부터 존재했습니다; 모든 참조 서버는 MIT/Apache 라이선스이며 모든 호환 클라이언트에서 작동합니다.

MCP가 로컬 모델에 실제로 가능하게 하는 것

• **"이 저장소에서 모든 TODO를 찾아 파일별로 그룹화하고 notes/todos.md에 Markdown 요약을 작성하십시오."** — filesystem 서버가 읽고, 모델이 그룹화하고, 동일한 서버가 씁니다. 처음부터 끝까지 단 한 번의 왕복.
• "이번 분기 수익 기준 상위 10개 고객을 보여주고 차트를 만드십시오." — postgres 서버가 SQL을 실행하고(읽기 전용 역할), 모델이 요약하고 차트 도구를 위해 filesystem을 통해 CSV를 씁니다.
• "Hacker News 첫 페이지를 열어 상위 3개 AI 기사를 찾아 요약하고 내 읽기 목록에 추가하십시오." — puppeteer 서버가 headless 브라우저를 제어하고, 모델이 추출 및 요약하고, filesystem이 추가합니다.
• **"내 포크에 대해 chore: bump deps 제목으로 draft PR을 열고 실패한 CI 실행을 링크하십시오."** — github 서버가 PR을 생성하고, 실행을 가져오고, 설명에 링크를 씁니다.
• **"events.db의 최근 100개 행을 보고 새 오류 급증에 책임이 있는 사용자 ID를 알려주십시오."** — sqlite 서버가 쿼리하고; 모델이 추론하고; 채팅 패널에서 답을 읽습니다.
• 이 각각은 이전에 호스팅된 도구가 있는 클라우드 모델 또는 손으로 작성한 스크립트가 필요했던 문장에서 행동으로의 워크플로입니다. MCP는 클라이언트 간에 동일한 서버를 재사용하고 서버 간에 동일한 모델을 재사용할 수 있게 하는 계층입니다.

가장 많이 사용되는 4개의 MCP 서버 비교

구성 요소가 맞춰지는 방식

• Ollama는 127.0.0.1:11434에서 백그라운드 서비스로 실행되며 OpenAI 호환 API를 통해 모델을 제공합니다. MCP가 무엇인지 알지 못합니다 — 단순히 채팅 완성에 응답하고 모델이 요청할 때 tool call을 생성합니다.
• MCP 클라이언트(Goose, Cline, Continue.dev, LM Studio)가 다리 역할을 합니다. 모델을 위해 Ollama와 통신하고 도구를 위해 MCP 서버와 통신합니다. 모델이 tool call을 생성하면 클라이언트가 올바른 서버로 라우팅하고, 결과를 받아 대화에 반환합니다.
• MCP 서버는 독립적인 하위 프로세스로, 각 기능마다 하나씩 있습니다. stdio를 통해 JSON-RPC 2.0을 말합니다. 각 서버는 Tools, Resources, Prompts 목록을 공개하며, 클라이언트는 이들을 모델에 제시되는 도구 표면으로 결합합니다.
• stdio 전송은 모든 것을 로컬에 유지합니다. 서버는 클라이언트가 시작하고, stdin/stdout을 통해 통신하며, 클라이언트가 종료될 때 종료됩니다. 서버 자체가 연결을 여는 경우를 제외하고는 네트워크를 통해 아무것도 전송되지 않습니다(브라우저 서버는 그렇게 하지만 filesystem 및 데이터베이스 서버는 하지 않습니다).
• 모델은 평평한 도구 목록을 봅니다. 모델의 관점에서 서버가 없습니다 — filesystem.read_file, sqlite.query, puppeteer.navigate와 같은 도구 이름의 목록만 있습니다. 클라이언트가 라우팅을 관리합니다.

설정: 15분 안에 Ollama + Goose

• 1단계 — Ollama 설치. ollama.com/download(macOS/Windows/Linux)에서 다운로드하십시오. curl http://127.0.0.1:11434/api/tags로 서비스가 실행 중인지 확인하십시오.
• 2단계 — tool calling 모델 다운로드. Gemma 4 27B(gemma4:27b), GLM-5.1 32B(glm5:32b), Qwen3 32B(qwen3:32b) 또는 Llama 3.3 70B(llama3.3:70b) 중에서 선택하십시오. 16GB 통합 메모리 또는 12GB VRAM으로 Q4_K_M에서 27B~32B를 편안하게 처리할 수 있습니다.
• 3단계 — Goose 설치. pipx install goose-ai(macOS, Linux) 또는 Goose releases 페이지에서 설치 프로그램을 다운로드하십시오. CLI는 goose로 설치됩니다.
• 4단계 — Ollama를 제공자로 구성. goose configure를 실행하고, ollama를 제공자로 선택하고, 모델을 다운로드한 것으로 설정하고, 호스트를 http://127.0.0.1:11434로 설정하십시오. Goose가 이것을 ~/.config/goose/config.yaml에 씁니다.
• 5단계 — filesystem MCP 서버 추가. ~/.config/goose/config.yaml을 편집하여 mcpServers 블록을 추가하십시오(아래 설정 예시). goose session을 재시작하고 테스트 디렉터리의 파일 나열을 요청하십시오. 첫 번째 턴이 서버가 연결되었음을 확인합니다.
• 6단계 — 실제 작업으로 확인. goose session을 시도하고 "notes/의 모든 Markdown 파일을 제목과 단어 수와 함께 나열하고 결과를 notes/index.md에 쓰십시오."를 요청하십시오. 에이전트가 읽고, 요약하고, 다시 쓰면 루프가 작동합니다.

# 1. Pull a tool-calling model
ollama pull gemma4:27b

# 2. Install Goose
pipx install goose-ai

# 3. Configure Ollama as the provider
goose configure
# Provider: ollama
# Model:    gemma4:27b
# Host:     http://127.0.0.1:11434

# 4. Start a session — Goose reads ~/.config/goose/config.yaml
goose session

Filesystem 서버: 격리된 디렉터리에서 읽기 및 쓰기

• 설치: 참조 서버는 @modelcontextprotocol/server-filesystem으로, npx -y를 통해 실행됩니다(전역 설치 불필요). Goose, Cline, Continue.dev가 설정 블록에서 자동으로 시작합니다.
• 허용 목록 경로: 서버는 하나 이상의 디렉터리 인수를 받아들이고 그 밖의 작업을 거부합니다. 항상 명시적이고 좁은 경로를 전달하십시오 — ~나 /는 절대 사용하지 마십시오.
• 노출된 도구: read_file, read_multiple_files, write_file, edit_file(행 대체), list_directory, search_files, move_file, create_directory, directory_tree. 모델은 이것들을 filesystem.read_file 등으로 봅니다.
• 사용 편의성: directory_tree는 JSON 트리를 반환합니다; 특정 파일을 읽기 전에 모델이 방향을 잡을 때 이상적입니다. search_files는 grep과 유사한 재귀 검색을 수행합니다.
• 위험 표면: 서버는 허용 목록을 존중하지만 그 안에서는 완전한 읽기/쓰기 권한이 있습니다. 허용 목록을 유일한 장벽으로 취급하고 홈 폴더 대신 전용 workspace 디렉터리를 선택하십시오.

# ~/.config/goose/config.yaml
mcpServers:
filesystem:
command: npx
args:
- "-y"
- "@modelcontextprotocol/server-filesystem"
- "/Users/you/agent-workspace"
env: {}

SQLite 및 Postgres 서버: 실제 데이터 쿼리

• **SQLite 서버(@modelcontextprotocol/server-sqlite)**는 .db 파일 경로를 받습니다. 데이터베이스를 실행할 필요 없이 로그 분석, 스키마 프로토타이핑, 내보내기 탐색에 유용합니다.
• **Postgres 서버(@modelcontextprotocol/server-postgres)**는 연결 문자열을 받습니다. 권장 패턴은 에이전트를 위한 전용 읽기 전용 역할을 만들고 해당 역할의 연결 문자열을 사용하는 것입니다.
• 노출된 도구: query(읽기 전용으로 구성되면 SELECT만), list_tables, describe_table. Postgres 서버는 list_schemas를 추가합니다. 일부 포크는 write_query를 추가합니다 — 이 데이터베이스에서 모델을 신뢰하지 않는 한 비활성화된 상태로 유지하십시오.
• 스키마 인식: 분석적 질문을 하기 전에 에이전트에게 "테이블을 나열하고 가장 많이 사용되는 5개를 설명하십시오"를 요청하십시오 — 모델이 열 이름을 추측하는 것보다 describe_table을 호출한 후에 훨씬 더 정확합니다.
• 비용: 쿼리가 데이터베이스로 직접 갑니다. 1억 행 테이블에 대한 잘못된 SELECT *는 인간이 한 것과 동일한 사고입니다 — 역할을 별도의 연결 풀에 statement timeout과 함께 유지하십시오.

# ~/.config/goose/config.yaml
mcpServers:
sqlite:
command: npx
args:
- "-y"
- "@modelcontextprotocol/server-sqlite"
- "--db-path"
- "/Users/you/data/events.db"
env: {}

postgres:
command: npx
args:
- "-y"
- "@modelcontextprotocol/server-postgres"
- "postgresql://agent_ro@127.0.0.1:5432/analytics"
env:
PGPASSWORD: "${PG_AGENT_PASSWORD}"

브라우저 서버: Puppeteer 또는 Playwright로 Chromium 제어

• 참조 서버: @modelcontextprotocol/server-puppeteer(더 가볍고 기본적으로 headless)와 @modelcontextprotocol/server-playwright(더 무겁고 여러 브라우저 지원). 로컬 에이전트의 경우 Puppeteer로 충분합니다.
• 노출된 도구: navigate, screenshot, click, fill, select, evaluate(JavaScript 실행), get_page_content. 모델은 get_page_content를 구조화된 텍스트를 읽기 위해, screenshot을 시각적으로 확인하기 위해 사용합니다.
• 지연: 실제 브라우저 세션은 작업당 1~5초가 걸립니다. 다단계 탐색은 페이지 내용이 크기 때문에 쉽게 30~60초와 수만 토큰을 소비할 수 있습니다. 32K+ 컨텍스트 창을 사용하십시오.
• 선택기: 모델이 CSS 선택기를 선택해야 합니다. 더 작은 모델은 자주 틀립니다; 27B+ tool calling 모델은 일반적인 패턴을 안정적으로 처리합니다. 작업을 제한적으로 유지하십시오 — "이 URL에서 제목과 첫 단락을 추출하십시오"는 "사이트를 탐색하여 연락처 페이지를 찾으십시오"보다 훨씬 신뢰할 수 있습니다.
• 올바른 사용 사례: 연구(페이지 열기, 요약하기, 노트에 추가), 회귀 테스트(탐색, 클릭, 스크린샷), 당신이 제어하는 페이지의 양식 작성. 잘못된 사용 사례: 라이브 웹에서 잘못된 클릭에 결과가 따르는 모든 것.

# ~/.config/goose/config.yaml
mcpServers:
puppeteer:
command: npx
args:
- "-y"
- "@modelcontextprotocol/server-puppeteer"
env:
PUPPETEER_HEADLESS: "true"
# Block obviously dangerous endpoints at the OS firewall level
# rather than relying on the agent to refuse them.

GitHub 서버: 로컬 모델에서 저장소, 이슈, PR

• 설치: @modelcontextprotocol/server-github, 환경 변수 GITHUB_PERSONAL_ACCESS_TOKEN의 PAT와 함께 실행. 토큰이 유일한 인증입니다 — 서버 자체에는 별도 설정이 없습니다.
• 노출된 도구: search_repositories, get_file_contents, create_or_update_file, create_pull_request, list_issues, create_issue, add_issue_comment, merge_pull_request, 그 외 수십 가지 추가 도구. 전체 표면이 크지만 대부분의 작업은 5~10개의 도구를 사용합니다.
• PAT 범위 제한. 최소 필요 권한(탐색을 위한 Read, PR/이슈 생성을 위한 Write)으로 특정 저장소에 범위가 지정된 세분화된 PAT를 사용하십시오. 실험적 에이전트에 repo가 있는 클래식 PAT를 사용하지 마십시오.
• 실제 워크플로: 트리아지("최근 20개의 열린 이슈를 읽어 그룹화하고 레이블을 제안하십시오"), 초안("README를 읽고 오타를 수정하는 PR을 여십시오"), 보고서("이번 주 비활성 PR이 무엇입니까").
• 위험 표면: 에이전트가 이슈와 PR을 만들고 댓글을 달 수 있으며, (쓰기 권한이 있는 경우) 커밋을 push할 수 있습니다. 모델과 워크플로 모두를 신뢰하지 않는 한 merge 도구를 비활성화하십시오 — 세분화된 PAT로 저장소에서의 실수 merge는 복구 가능하지만 빨리 알아차려야 합니다.

# ~/.config/goose/config.yaml
mcpServers:
github:
command: npx
args:
- "-y"
- "@modelcontextprotocol/server-github"
env:
GITHUB_PERSONAL_ACCESS_TOKEN: "${GH_AGENT_PAT}"
# Fine-grained PAT scoped to one or two test repos,
# not your personal account-wide classic token.

모델을 신뢰하지 않는 보안 모델

• filesystem 서버를 하나의 디렉터리로 제한하십시오. ~나 /는 절대 안 됩니다. agent-workspace/ 폴더를 선택하고 에이전트가 작업할 파일의 복사본을 그 안에 넣으십시오. 에이전트가 실패하더라도 최악의 경우는 하나의 폴더입니다.
• 데이터베이스 서버를 기본적으로 읽기 전용으로 실행하십시오. SELECT 권한만 있고 30초 statement timeout이 있는 전용 agent_ro 역할이 전체 사고 클래스를 제거합니다.
• 모든 쓰기 또는 셸 도구를 명시적 승인 뒤에 두십시오. Goose, Cline, Continue.dev는 도구별 승인 규칙을 지원합니다. 기본적으로 읽기 도구를 허용하고; write_file, edit_file, execute_command, create_pull_request, 양식을 제출하는 모든 브라우저 작업에 승인을 요구하십시오.
• 감사 로그를 사용하십시오. 모든 MCP 클라이언트는 tool call과 결과를 기록합니다. 긴 세션 후에 로그를 검토하십시오: 모델이 예상치 못한 것을 시도하는 것을 발견할 것입니다(때로는 무해하지만, 때로는 권한 조정을 정당화합니다).
• 좁은 범위의 토큰으로 타사 접근을 제한하십시오. 두 개의 테스트 저장소로 제한된 GitHub PAT. 읽기 전용 Postgres 역할. 자격 증명 없는 브라우저 세션. 모델은 결국 예상치 못한 것을 시도할 것입니다; 무엇을 할 수 있는지의 한계가 모델이 올바르게 행동하는지에 의존해서는 안 됩니다.
• 민감한 데이터 작업을 위해 에이전트를 격리하십시오. 개인 데이터로 작업할 때 에이전트가 실행되는 동안 호스트에서 네트워크 접근을 비활성화하십시오(또는 네트워크 네임스페이스 사용). 로컬 스택은 이미 기기 밖으로 아무것도 전송하지 않지만 심층 방어는 타사 서버의 버그를 포착합니다.
• MCP 서버 선택을 모든 의존성 선택과 동일하게 취급하십시오. 참조 서버는 잘 유지 관리됩니다; 많은 타사 서버는 그렇지 않습니다. 자격 증명이 필요한 서버를 설치하기 전에 서버 코드를 읽으십시오.

로컬 MCP vs Claude Desktop: 무엇이 바뀌고 무엇이 남는가

로컬 MCP를 위한 tool calling 모델 선택

• **Gemma 4 27B(gemma4:27b)** — Google의 tool calling 훈련은 이 크기에서 최고 수준입니다. Q4_K_M에서 16GB 통합 메모리 또는 24GB VRAM에 맞습니다. 훌륭한 일반 추론; 연쇄 tool call에서 약간 보수적.
• **GLM-5.1 32B(glm5:32b)** — Zhipu의 모델은 매우 높은 tool calling 신뢰성과 표준 128K 컨텍스트 창을 가집니다. Gemma 4보다 약간 무겁지만 24GB GPU에 편안하게 맞습니다.
• **Qwen3 32B(qwen3:32b) — 균형 잡힘; 조밀한 32B는 MCP를 문제없이 처리하고 긴 에이전트 루프에서 잘 작동합니다. Qwen3-Coder 30B(qwen3-coder:30b)**는 에이전트 작업이 코드 지향적인 경우 최선입니다.
• **Llama 3.3 70B(llama3.3:70b)** — 가장 높은 성능이지만 가장 무겁습니다. Q4_K_M에서 48GB+ 통합 메모리 또는 2× 24GB GPU. 하드웨어가 지원하는 경우에만 사용하십시오; 더 작은 모델이 충분한 경우가 많습니다.
• MCP 작업에서 피해야 할 것: 7B 미만의 모든 것과 명시적인 tool calling 훈련이 없는 범용 모델. 잘못된 형식의 호출을 생성하고, 루프가 차단되고, harness를 탓하게 됩니다 — 하지만 harness는 괜찮습니다.
• 모든 모델에서 tool calling 품질을 향상시키는 구조적 프롬프팅 기법은 Chain-of-thought 프롬프팅을 참조하십시오.
• 비교 데이터는 2026년 tool calling을 위한 최고의 로컬 모델을 참조하십시오.

MCP vs 일반 Function Calling: 차이점은 무엇인가

• Function calling은 LLM 측의 기능입니다: 모델이 도구 이름과 인수를 설명하는 구조화된 JSON 객체를 생성합니다. OpenAI의 도구, Anthropic의 도구, Ollama의 tool call API는 약간 다른 wire 형식으로 동일한 아이디어를 사용합니다.
• MCP는 그 위에 위치합니다: 도구가 프로세스 간에 설명, 발견, 호출, 반환되는 방식을 표준화합니다. function calling만 있는 모델은 filesystem에 대해 아무것도 모릅니다; MCP 서버는 filesystem 작업을 사용 가능하게 만들고, 클라이언트는 이를 모델의 function calling API에 매핑하고, 모델이 호출할 수 있습니다.
• 이점은 상호 운용성입니다. filesystem 서버를 한 번 작성하면; Claude Desktop, Goose, Cline, Continue.dev, LM Studio 모두 변경 없이 사용합니다. Claude에서 Gemma 4로 모델을 바꿔도; 서버는 바뀌지 않습니다.
• pure function calling으로 에이전트를 만들 수 있습니다. 프로젝트별로 filesystem, 데이터베이스, 브라우저 핸들러를 재구현하게 됩니다. MCP를 사용하면 이것들이 즉시 사용 가능한 의존성이 됩니다.
• 일회성 스크립트의 경우 pure function calling이 더 간단합니다. 프로젝트나 모델 간에 재사용하고 싶은 모든 것에 대해 MCP는 며칠 내에 가장 낮은 노력의 경로입니다.

로컬 MCP 설정 시 일반적인 실수

• 실수 1: 범용 소형 모델 사용. 7B 미만 모델(그리고 tool calling 파인튜닝 없는 대부분의 7B~13B 범용 모델)은 잘못된 형식의 tool call을 생성합니다. tool calling에 파인튜닝된 27B+ 모델을 사용하고 harness와 싸우는 것을 그만두십시오.
• 실수 2: 허용 목록에 홈 디렉터리 넣기. "테스트만을 위한" ~ 허용 목록은 일상적인 사용까지 살아남습니다. 처음부터 전용 agent-workspace를 만드십시오.
• 실수 3: 데이터베이스 서버를 읽기/쓰기 모드로 두기. 실제 테이블에 대한 자신감 있는 에이전트의 DELETE 쿼리가 정확히 이것이 방지하는 사고입니다. agent_ro를 기본 역할로 만드십시오; 그것을 명시적으로 필요로 하는 작업에만, 그리고 그 작업 동안에만 별도의 쓰기 가능한 역할을 설정하십시오.
• 실수 4: 모든 도구 자동 승인. "모두 승인" 버튼은 편리하고 위험합니다. 읽기 도구(read_file, list_directory, query)를 자동 승인하십시오; 쓰기/셸/PR 도구는 항상 승인이 필요합니다.
• 실수 5: 다단계 브라우저 작업에 32K 컨텍스트 모델 사용. 페이지 내용이 크기 때문에 세 페이지를 탐색하는 에이전트가 추론 전에 32K 토큰을 소진할 수 있습니다. 브라우저 집약적인 작업에는 128K 컨텍스트 모델을 사용하십시오.
• 실수 6: 에이전트가 판단력이 있다고 가정하기. 그렇지 않습니다. 모델은 "이것이 프로덕션 데이터베이스이다" 또는 "이 PR이 배포될 것이다"라는 개념이 없습니다. 권한이 유일한 장벽입니다.
• 실수 7: 처음부터 모든 참조 서버 설치. 더 많은 도구 = 더 큰 시스템 프롬프트 = 더 느리고 덜 신뢰할 수 있는 도구 선택. filesystem으로 시작하십시오. 그것을 필요로 하는 워크플로가 있을 때만 다른 것을 추가하십시오.

출처

• Model Context Protocol 사양 — 공식 사양, JSON-RPC 스키마, 전송 및 수명 주기 정의.
• GitHub modelcontextprotocol/servers 저장소 — 참조 서버(filesystem, sqlite, postgres, github, puppeteer 등) 및 설정 문서.
• Goose 프로젝트 문서 — CLI 설치, Ollama 제공자 설정, MCP 서버 설정 구문.
• Ollama 모델 라이브러리 — 이 가이드에서 참조하는 사용 가능한 로컬 모델, tool calling 지원 지표 및 양자화 수준.
• Cline GitHub 저장소 — VS Code용 MCP 클라이언트 구현, MCP 서버 패널.
• Continue.dev 문서 — Continue.dev 클라이언트를 위한 mcpServers 설정 블록 참조.

FAQ

관련 읽기

• 2026년 tool calling을 위한 최고의 로컬 모델 — 위에서 권장한 모델(Gemma 4, GLM-5.1, Qwen3, Llama 3.3)에 대한 비교 벤치마크.
• 로컬 자율 에이전트가 실제로 작동합니다 — 장시간 작업에서 로컬 MCP 에이전트가 신뢰할 수 있게 할 수 있고 없는 것에 대한 현실 점검.
• Continue.dev vs Cline vs Aider: 2026년 최고의 로컬 코드 에이전트 — 코드 지향 작업을 위한 인접 에이전트 맥락; Cline과 Continue.dev도 MCP 클라이언트입니다.
• 2026년 최고의 로컬 LLM — 더 넓은 오픈 웨이트 환경을 위한 모델 참조.
• 로컬 AI 에이전트로 Zapier 대체하기 — 동일한 MCP 스택을 위한 워크플로 자동화 프레임워크.
• Power Local LLM 허브 — 전체 가이드 라이브러리.