소속팀: AI플랫폼엔지니어링 작성자: 손재홍
안녕하세요. AI 플랫폼엔지니어링팀 손재홍입니다.
최근 Cursor AI와 MCP 서버 연동 방식을 다시 정리했습니다. PDP에는 Cursor AI MCP 서버 연동 및 고급 에이전트 코딩 워크플로우 구축으로 개발 생산성을 높이는 내용으로 기록했습니다. 처음에는 Cursor의 자동완성, chat, agent 기능처럼 IDE 안에서 코드를 더 빨리 수정하는 도구 정도로 봤습니다. 그런데 MCP를 같이 보면 관심사가 조금 달라집니다. 단순히 코드를 잘 고치는 도구가 아니라, IDE 안의 AI가 외부 문서, 내부 API, DB, 이슈 시스템 같은 도구에 안전하게 접근하는 구조를 어떻게 만들 것인가의 문제로 보입니다.
이번 글은 Cursor 사용법을 하나씩 설명하는 글은 아닙니다. 핵심은 MCP를 AI 코딩 워크플로우에 붙일 때 어떤 기준으로 봐야 하는지입니다. 기존에 정리했던 Claude Code, Codex 글과도 관점을 다르게 잡았습니다. Claude Code나 Codex는 터미널, 저장소, 작업 자동화, 리뷰 흐름에 더 무게가 있었습니다. 이번 Cursor MCP 글은 IDE 안에서 코드 수정과 도구 접근이 붙는 방식에 초점을 두었습니다.
Cursor 공식 문서에서는 MCP를 Cursor가 외부 도구와 데이터 소스에 연결되는 방식으로 설명합니다. 설치, 인증, 데이터베이스, API, third-party services 연동을 다룹니다. MCP 공식 문서에서는 MCP를 AI application이 외부 system에 연결되는 open standard로 설명합니다. local files, database, search tool, 워크플로우 같은 외부 시스템을 하나의 표준 방식으로 연결하는 개념입니다. 이 설명을 그대로 업무에 옮기면, AI 코딩 도구가 단순히 저장소 안의 파일만 보는 것이 아니라 필요한 근거와 실행 도구를 가져오는 구조라고 볼 수 있습니다.
MCP를 코드 도우미 기능으로만 보면 부족한 이유
AI 코딩 도구를 처음 쓸 때는 대부분 코드 생성과 수정에 관심이 갑니다. 함수 하나를 만들어주거나, 에러를 고치거나, 테스트 코드를 생성하는 식입니다. Cursor도 이런 부분이 강합니다. IDE 안에서 파일을 보고 바로 수정할 수 있고, chat으로 코드 맥락을 주고받을 수 있습니다. 그런데 실제 개발 업무에서는 코드만으로 판단하기 어려운 일이 많습니다.
예를 들어 데이터 파이프라인을 수정한다고 가정하면 저장소 코드만 보면 부족합니다. 현재 운영 중인 DAG 상태, 데이터 스키마, 최근 장애 로그, 사내 문서, API 명세, 배포 정책, 권한 정책을 같이 봐야 합니다. 사람이 개발할 때도 이런 자료를 열어보며 판단합니다. AI 도구도 마찬가지입니다. 모델이 코드만 보고 추측하면 빠르지만 위험합니다. 반대로 필요한 자료를 구조적으로 가져오면 답변 품질이 달라집니다.
MCP는 이 지점을 해결하기 위한 표준에 가깝습니다. MCP 공식 문서 기준으로 MCP는 AI application과 외부 system을 연결합니다. MCP host는 Cursor 같은 AI application입니다. MCP client는 특정 MCP server와 연결을 유지하는 구성 요소입니다. MCP server는 context와 capability를 제공하는 프로그램입니다. server는 tools, resources, prompts 같은 primitive를 제공할 수 있습니다.
이 구조를 IDE에 붙이면 Cursor는 host가 되고, 각 MCP server는 특정 외부 도구와 연결됩니다. 예를 들어 문서 서버는 사내 문서 검색을 제공할 수 있고, DB 서버는 schema 조회나 제한된 query를 제공할 수 있고, issue 서버는 ticket 정보를 제공할 수 있습니다. AI는 필요한 순간에 tool을 호출해 근거를 가져옵니다. 중요한 점은 모델이 모든 것을 알고 있는 것이 아니라, 필요한 도구를 호출할 수 있게 된다는 점입니다.
Cursor에서 MCP를 붙인다는 것
Cursor 공식 문서의 MCP 페이지는 설치, `mcp.json`, 인증, chat에서의 tool 사용, tool approval, tool response, security를 다룹니다. 여기서 제가 중요하게 본 것은 설정 자체보다 운영 기준입니다. MCP server를 하나 추가하는 일은 간단해 보일 수 있습니다. 하지만 실제 업무 환경에서는 어떤 서버를 허용할지, 어떤 권한을 줄지, 어떤 데이터를 읽게 할지, tool call을 자동 승인할지 사람이 승인할지 정해야 합니다.
Cursor 문서에는 `mcp.json`을 사용하는 설정 흐름이 나옵니다. server command, args, env, envFile 같은 설정을 통해 서버를 정의할 수 있습니다. `envFile`은 `.env`나 `${workspaceFolder}/.env` 같은 파일에서 환경 변수를 읽는 방식으로 설명됩니다. 이 부분은 실무에서 중요합니다. API key나 token을 코드에 직접 쓰면 안 되고, 환경 변수나 별도 secret 관리로 분리해야 합니다.
Cursor는 chat에서 MCP tool을 사용할 수 있고, tool call 결과를 chat 안에서 보여줍니다. tool approval도 중요합니다. Cursor 문서에는 tool approval, Run Mode, tool response 같은 항목이 있습니다. 즉, MCP는 AI가 무조건 외부 도구를 마음대로 쓰게 하는 구조가 아니라, 사용자가 어떤 수준으로 승인할지 정하는 영역이 있습니다. AI agent 워크플로우에서는 이 승인 지점이 안전 장치입니다.
MCP server가 실패했을 때의 동작도 확인했습니다. Cursor 문서의 FAQ에서는 server가 실패하면 chat에 error message를 보여주고, tool call이 failed로 표시되며, retry하거나 log를 확인할 수 있고, 다른 MCP server는 계속 동작한다고 설명합니다. 이것은 운영 관점에서 꽤 중요합니다. MCP server 하나가 죽었다고 IDE 전체 워크플로우가 멈추면 안 됩니다. 실패 격리가 되어야 합니다.
MCP의 tools, resources, prompts
MCP 공식 아키텍처 문서에서 가장 중요하게 본 부분은 primitive입니다. server가 제공하는 주요 primitive는 tools, resources, prompts입니다.
tools는 실행 가능한 함수에 가깝습니다. 파일 조작, API 호출, DB query, 워크플로우 실행처럼 행동을 수행할 수 있습니다. AI coding 워크플로우에서 tool은 생산성을 크게 올릴 수 있지만 위험도 큽니다. DB query tool, ticket update tool, deployment trigger tool 같은 것은 잘못 쓰면 실제 시스템에 영향을 줄 수 있습니다. 그래서 tool은 이름, description, input schema가 명확해야 하고, 권한도 최소화해야 합니다.
resources는 context data입니다. 문서 내용, database schema, API response, 저장소 metadata 같은 정보를 모델에게 제공할 수 있습니다. resources는 실행보다 읽기에 가깝습니다. 하지만 읽기라고 해서 항상 안전한 것은 아닙니다. 민감한 문서나 고객 데이터가 포함될 수 있습니다. 어떤 resource를 AI에게 제공할지 기준이 필요합니다.
prompts는 재사용 가능한 interaction template입니다. 예를 들어 장애 분석용 prompt, PR 리뷰용 prompt, 데이터 파이프라인 변경 검토용 prompt를 서버에서 제공할 수 있습니다. prompt는 단순 문장 템플릿이 아니라 팀의 작업 방식을 담을 수 있는 영역입니다. 다만 prompt가 너무 많거나 목적이 불명확하면 오히려 tool 선택과 답변 품질을 흐릴 수 있습니다.
저는 이 세 가지를 업무 기준으로 나누면 이렇게 봅니다. tools는 행동, resources는 근거, prompts는 절차입니다. AI 코딩 도구가 일을 잘하려면 셋이 섞여야 하지만, 권한과 책임은 나눠야 합니다. 예를 들어 DB schema 조회는 resource로 제공하고, 실제 update query 실행은 tool로 제공하되 기본적으로 막아두는 식입니다.
IDE 안에서 MCP를 쓰는 장점
Cursor MCP의 장점은 작업 위치가 IDE라는 점입니다. 개발자는 이미 코드를 보고 있습니다. 여기에서 문서, ticket, schema, API 명세를 같이 불러올 수 있으면 context switching이 줄어듭니다. 브라우저, wiki, DB client, terminal을 계속 오가는 시간이 줄어듭니다.
데이터 엔지니어링 업무에서는 특히 schema와 pipeline context가 중요합니다. 예를 들어 특정 column 이름을 바꾸는 작업을 할 때 코드 검색만으로는 부족합니다. upstream source에는 어떤 이름으로 들어오는지, target table schema는 어떻게 되어 있는지, dashboard나 downstream job에서 쓰는지 확인해야 합니다. MCP server가 schema lookup이나 lineage 조회를 제공한다면 Cursor chat 안에서 바로 확인할 수 있습니다.
물론 이 장점은 MCP server가 제대로 설계됐을 때만 나옵니다. 아무 MCP server나 붙이면 tool clutter가 생깁니다. tool이 많아지면 AI가 어떤 tool을 써야 할지 헷갈릴 수 있고, 사용자는 어떤 tool call을 승인해야 할지 판단하기 어려워집니다. 그래서 server 수와 tool 수를 제한하는 것이 좋습니다. 처음에는 read-only tool부터 시작하는 편이 현실적입니다.
저는 Cursor MCP를 도입한다면 처음부터 많은 서버를 붙이기보다, 개발 워크플로우에서 자주 보는 근거를 하나씩 붙이는 방식이 맞다고 봅니다. 예를 들어 공식 문서 검색, 저장소 내부 규칙, schema 조회, issue 조회 정도입니다. write 권한이 있는 tool은 나중에 검증 후 붙이는 것이 낫습니다.
데이터 엔지니어링 업무에서 쓸 수 있는 MCP 후보
데이터 플랫폼 업무 기준으로 Cursor MCP에 붙일 만한 후보를 생각해보면 몇 가지가 있습니다.
첫째, 문서 검색 서버입니다. 사내 운영 가이드, 배포 절차, 장애 대응 문서, 데이터 표준 문서를 resource로 제공할 수 있습니다. Cursor에서 코드를 수정하면서 “이 table naming 규칙이 맞는지”, “배포 전 어떤 checklist가 필요한지” 물어볼 수 있습니다. 다만 문서에는 민감정보가 섞일 수 있으므로 공개 범위와 indexing 범위를 조심해야 합니다.
둘째, schema 조회 서버입니다. Unity Catalog, Glue Data Catalog, information_schema 같은 metadata를 read-only로 조회하는 tool을 생각할 수 있습니다. 특정 table의 column, type, comment, owner, last updated 정보를 가져오는 정도입니다. update나 delete 권한은 필요 없습니다. schema 조회만 가능해도 코드 수정 전에 영향 범위를 보는 데 도움이 됩니다.
셋째, job 상태 조회 서버입니다. Databricks Jobs, Airflow DAG, CloudWatch log 같은 운영 상태를 제한적으로 조회하는 tool입니다. 예를 들어 최근 실패한 job, 특정 DAG의 latest run, 특정 task duration을 가져올 수 있습니다. 이 기능은 장애 분석이나 수정 방향 확인에 도움이 됩니다. 다만 운영 로그에 민감정보가 있을 수 있으므로 masking이 필요합니다.
넷째, issue와 PR 조회 서버입니다. Jira, GitHub, GitLab 같은 도구에서 ticket description, acceptance criteria, PR discussion을 가져올 수 있습니다. 코드 변경 의도를 확인하기 좋습니다. 단순히 “이 코드를 고쳐줘”보다 ticket 내용을 같이 주면 더 정확하게 수정할 수 있습니다.
다섯째, 내부 API 명세 조회 서버입니다. OpenAPI spec, endpoint 문서, 인증 방식, sample request를 resource로 제공할 수 있습니다. 데이터 플랫폼에서는 내부 API와 연동하는 batch나 monitoring script가 많기 때문에, API 명세를 바로 볼 수 있으면 편합니다.
보안 기준
Cursor 공식 문서의 security considerations는 꽤 직접적입니다. MCP server를 설치할 때 source를 검증하고, 어떤 data와 API에 접근하는지 확인하고, API key 권한을 최소화하고, critical integration은 server source code를 review하라고 설명합니다. 그리고 MCP server가 external service에 접근하고 사용자를 대신해 code를 실행할 수 있으므로, 설치 전 무엇을 하는지 이해해야 한다고 적습니다.
이 부분은 실제 업무에서 가장 중요합니다. MCP는 편리하지만, AI에게 외부 도구를 열어주는 구조입니다. 특히 데이터 플랫폼 업무에서는 DB, cloud, log, ticket, 문서가 모두 민감할 수 있습니다. 잘못된 MCP server를 붙이면 정보 노출이나 잘못된 tool execution 문제가 생길 수 있습니다.
제가 생각하는 기본 기준은 아래와 같습니다.
- 처음에는 read-only server만 허용
- API key는 최소 권한으로 발급
- secret은 `mcp.json`에 직접 쓰지 않고 env나 secret 관리 사용
- server source와 dependency를 확인
- 고객 데이터나 개인정보가 포함된 resource는 제외
- write tool은 별도 승인과 logging이 있을 때만 허용
- tool call log를 남기고 재현 가능하게 관리
특히 remote server와 local server의 기준을 나눠야 합니다. MCP 공식 문서에서는 local server가 stdio transport를 쓰고, remote server는 Streamable HTTP transport를 사용할 수 있다고 설명합니다. Cursor 문서도 sensitive data를 다룰 때 local server와 stdio transport를 고려하라고 안내합니다. 민감한 데이터나 내부 시스템 접근은 처음에는 local 또는 내부망 기준으로 제한하는 것이 더 안전해 보입니다.
tool approval을 어떻게 봐야 하는가
AI agent 워크플로우에서 tool approval은 귀찮은 확인 절차처럼 보일 수 있습니다. 하지만 운영 환경에서는 이게 핵심입니다. AI가 tool을 호출하려 할 때 사람이 확인할 수 있어야 하고, 어떤 tool이 어떤 argument로 실행되는지 보여야 합니다.
예를 들어 `get_table_schema` 같은 read-only tool은 자동 승인해도 괜찮을 수 있습니다. 하지만 `run_query`, `create_ticket`, `trigger_job`, `update_config` 같은 tool은 승인 없이 실행하면 위험합니다. 특히 이름은 harmless해 보여도 내부에서 어떤 API를 호출하는지 모르면 안 됩니다. tool description과 input schema만 믿지 말고 server 구현도 확인해야 합니다.
Cursor에서는 tool response를 chat 안에서 expandable view로 보여주는 방식이 있습니다. 이 점은 디버깅에 좋습니다. tool call arguments와 response를 확인할 수 있으면 모델이 어떤 근거로 답변했는지 추적하기 쉽습니다. AI가 이상한 답변을 했을 때도 tool response가 틀렸는지, 모델 해석이 틀렸는지 구분할 수 있습니다.
업무 기준으로는 tool approval을 세 단계로 나눠볼 수 있습니다. 첫째, 읽기 전용 조회는 낮은 승인 수준입니다. 둘째, 비용이 발생하거나 외부 API를 호출하지만 변경은 없는 작업은 중간 승인 수준입니다. 셋째, 데이터 변경, 배포, job 실행, ticket 변경은 높은 승인 수준입니다. 이 구분 없이 모두 자동화하면 편하지만 위험합니다.
로그와 디버깅
Cursor 문서에서는 MCP issue를 debug할 때 Output panel에서 MCP Logs를 볼 수 있다고 안내합니다. log에는 server initialization, tool calls, error messages가 표시됩니다. 이 부분은 실제 사용에서 매우 중요합니다. MCP 연결이 안 될 때는 문제가 여러 곳에 있을 수 있습니다. server command가 틀렸을 수도 있고, env가 없을 수도 있고, 인증이 실패했을 수도 있고, tool input schema가 맞지 않을 수도 있습니다.
AI 코딩 워크플로우에 MCP를 붙이면 실패 원인을 빠르게 나눠야 합니다.
- server가 시작되지 않음
- authentication 실패
- tool list가 비어 있음
- tool call argument가 schema와 맞지 않음
- server 내부 API 호출 실패
- response가 너무 크거나 민감정보 masking이 안 됨
- model이 tool 결과를 잘못 해석함
이런 문제를 해결하려면 log가 필요합니다. 특히 team 단위로 MCP server를 운영한다면 단순히 개인 PC에서 동작하는지보다, 어떤 error가 반복되는지, 어떤 server가 자주 timeout 되는지, 어떤 tool이 자주 실패하는지 봐야 합니다. Cursor 문서에는 server failure가 다른 server에 영향을 주지 않도록 격리된다는 설명도 있습니다. 그래도 장애 원인을 찾으려면 log와 설정 관리가 필요합니다.
Cursor, Claude Code, Codex를 구분해서 쓰기
이번 학습에서 혼동하지 않으려고 한 부분은 도구별 역할입니다. Cursor, Claude Code, Codex는 모두 AI 코딩에 쓸 수 있지만, 같은 방식으로 쓰면 장점이 흐려집니다.
Cursor는 IDE 안에서 빠르게 코드 맥락을 보고 수정하기 좋습니다. 파일 탐색, 작은 수정, 주변 코드 이해, 문서와 schema를 보면서 코드를 고치는 흐름에 잘 맞습니다. MCP를 붙이면 IDE 안에서 외부 context를 가져오는 능력이 커집니다.
Claude Code는 terminal 중심 작업이나 local command, 저장소 단위 작업 흐름에 강점이 있습니다. 계획을 세우고 파일을 수정하고 테스트를 돌리는 식의 흐름에 맞습니다. Codex는 이 workspace에서 제가 지금 쓰고 있는 것처럼 여러 파일을 읽고, 문서화하고, 검증 명령을 돌리고, 결과를 남기는 작업에 잘 맞습니다.
따라서 Cursor MCP는 모든 것을 대체하는 도구라기보다, IDE에서 개발자가 직접 보고 있는 코드와 외부 context를 이어주는 위치로 보는 것이 맞습니다. 대규모 자동 수정은 별도 agent 워크플로우가 더 나을 수 있고, 즉석 코드 이해와 수정은 Cursor가 더 편할 수 있습니다.
작게 적용해볼 수 있는 방식
현실적으로는 처음부터 사내 전체 MCP 환경을 만들기보다 작은 워크플로우부터 시작하는 것이 좋습니다. 예를 들어 read-only 문서 검색 server 하나, schema 조회 server 하나 정도입니다. 그리고 Cursor에서 실제 작업 중에 사용해봅니다.
첫 번째 실험은 문서 검색입니다. 특정 저장소의 README, 운영 가이드, 배포 checklist를 MCP resource로 제공하고, Cursor chat에서 코드 수정 전에 확인하게 합니다. 이때 민감한 문서는 제외하고 공개 가능한 내부 개발 문서부터 시작합니다.
두 번째 실험은 schema 조회입니다. 특정 catalog나 schema에 대해서 table metadata만 조회할 수 있는 read-only tool을 만듭니다. query 실행이 아니라 metadata 조회만 허용합니다. 이 정도면 권한 리스크가 낮고 실제 개발에 도움이 됩니다.
세 번째 실험은 job 상태 조회입니다. 최근 실패 job이나 task duration을 조회하는 tool입니다. write 권한 없이 조회만 합니다. 장애 분석 글이나 운영 개선 글로도 연결하기 좋습니다.
이 세 가지가 안정적으로 동작하면 다음 단계에서 ticket 조회, PR 조회, API spec 조회를 붙일 수 있습니다. write 권한은 마지막 단계입니다. 자동 ticket 생성이나 job trigger는 편하지만, 먼저 approval과 log 기준이 있어야 합니다.
마무리
Cursor MCP는 단순히 Cursor에 기능 하나를 추가하는 정도로 보기에는 의미가 큽니다. IDE 안의 AI가 외부 context와 tool을 구조적으로 연결하는 방식입니다. 데이터 엔지니어링 업무에서는 코드만 보고 판단하기 어려운 일이 많기 때문에, 문서, schema, job 상태, issue 정보를 안전하게 가져오는 구조가 실제 생산성에 도움이 될 수 있습니다.
다만 MCP는 편한 만큼 조심해야 합니다. tool은 행동을 수행할 수 있고, resource는 민감한 정보를 포함할 수 있습니다. 그래서 처음에는 read-only, local, 최소 권한, log 확인, approval 기준을 잡고 시작하는 것이 맞습니다. 이번 학습에서 제가 가져간 기준도 이 부분입니다. AI 코딩 도구를 더 강하게 만드는 것보다, 안전하게 쓸 수 있는 경계를 먼저 만드는 것이 중요했습니다.
참고 자료
- Cursor MCP docs: https://cursor.com/docs/mcp
- Model Context Protocol intro: https://modelcontextprotocol.io/docs/getting-started/intro
- Model Context Protocol architecture: https://modelcontextprotocol.io/docs/learn/architecture
- Cursor Learn – Cursor AI 공식 무료 코스