> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# 인기 MCP 서버 & 실전 활용 시나리오

> 이 문서는 **[MCP](/blog/guides/mcp/overview)** 섹션의 일부입니다.

업계에서 가장 많이 사용되는 MCP 서버들과, 이들을 조합하여 실무 자동화를 구현하는 시나리오를 정리합니다.

> **참고**
> **학습 목표**

* 카테고리별 인기 MCP 서버와 주요 기능을 파악한다
* 여러 MCP 서버를 조합한 실전 자동화 시나리오를 설계할 수 있다
* Genie Code / Claude Code에 MCP 서버를 추가하는 방법을 이해한다
* MCP 서버 디렉토리에서 필요한 서버를 찾고 평가할 수 있다

***

## MCP 서버 디렉토리

MCP 서버를 찾을 수 있는 주요 사이트입니다:

| 디렉토리                    | URL                                                                                        | 특징                                   |
| ----------------------- | ------------------------------------------------------------------------------------------ | ------------------------------------ |
| **공식 레퍼런스 서버**          | [github.com/modelcontextprotocol/servers](https://github.com/modelcontextprotocol/servers) | Anthropic이 직접 관리하는 공식 서버. 품질과 안정성 보장 |
| **Smithery**            | [smithery.ai](https://smithery.ai)                                                         | 가장 큰 커뮤니티 마켓플레이스. 원클릭 설치, 인기순 정렬     |
| **MCP.so**              | [mcp.so](https://mcp.so)                                                                   | 서버 검색 및 비교. 카테고리별 분류                 |
| **Glama**               | [glama.ai/mcp/servers](https://glama.ai/mcp/servers)                                       | 서버 평가 및 리뷰                           |
| **Awesome MCP Servers** | [github.com/punkpeye/awesome-mcp-servers](https://github.com/punkpeye/awesome-mcp-servers) | GitHub Awesome 리스트. 커뮤니티 큐레이션        |
| **Cursor Directory**    | [cursor.directory](https://cursor.directory)                                               | Cursor IDE 중심의 MCP 서버 목록             |

> **팁**
> **서버 선택 기준**: GitHub Star 수, 최근 커밋 활동, 이슈 응답 속도, 공식(Anthropic/벤더) 여부를 확인하세요. 커뮤니티 서버는 품질 편차가 큽니다.

***

## 카테고리별 인기 MCP 서버

각 카테고리별로 왜 해당 MCP 서버들이 중요한지, 실무에서 어떤 가치를 제공하는지 맥락과 함께 설명합니다.

### 커뮤니케이션 & 협업

**왜 이 카테고리가 중요한가**: AI 에이전트의 분석 결과나 작업 완료 알림을 사람에게 전달하려면, 커뮤니케이션 도구와의 연동이 필수입니다. 특히 Slack은 MCP 생태계에서 **가장 많이 사용되는 출력 채널** 입니다. 분석 결과를 Slack으로 전송하면, 별도의 대시보드를 열지 않아도 팀 전체가 즉시 인사이트를 공유할 수 있습니다.

| 서버                  | 패키지 / 리포                                      | 주요 Tool                                                                   | 활용 사례                    |
| ------------------- | --------------------------------------------- | ------------------------------------------------------------------------- | ------------------------ |
| **Slack**           | `@modelcontextprotocol/server-slack`          | `send_message`, `search_messages`, `list_channels`, `get_channel_history` | 채널 메시지 전송, 대화 검색, 스레드 요약 |
| **Microsoft Teams** | `mcp-server-microsoft-teams` (커뮤니티)           | `send_message`, `list_teams`, `search_messages`                           | Teams 채널 알림, 회의 요약 전송    |
| **Discord**         | `@modelcontextprotocol/server-discord` (커뮤니티) | `send_message`, `read_messages`, `manage_channels`                        | 커뮤니티 관리, 봇 응답            |
| **Gmail**           | `@anthropic/gmail-mcp-server`                 | `search_emails`, `send_email`, `draft_email`, `read_email`                | 이메일 초안 작성, 수신함 분석        |
| **Google Calendar** | `@anthropic/google-calendar-mcp`              | `list_events`, `create_event`, `check_availability`                       | 일정 확인, 미팅 생성, 빈 시간 검색    |

### 개발 & DevOps

**왜 이 카테고리가 중요한가**: 개발 도구와의 연동은 "코드 검색 → 이슈 생성 → PR 확인"이라는 개발 워크플로를 AI 에이전트가 자율적으로 수행할 수 있게 합니다. 특히 GitHub MCP는 Genie Code와 조합하면 "Databricks에서 데이터 분석 → GitHub에서 관련 코드 검색 → 코드 변경의 데이터 영향 분석"이라는 **데이터와 코드를 넘나드는 워크플로** 가 가능합니다.

| 서버         | 패키지 / 리포                              | 주요 Tool                                                                          | 활용 사례                   |
| ---------- | ------------------------------------- | -------------------------------------------------------------------------------- | ----------------------- |
| **GitHub** | `@modelcontextprotocol/server-github` | `search_repositories`, `create_issue`, `list_pull_requests`, `get_file_contents` | PR 리뷰, 이슈 관리, 코드 검색     |
| **GitLab** | `@modelcontextprotocol/server-gitlab` | `create_issue`, `list_merge_requests`, `search_code`                             | MR 관리, 파이프라인 모니터링       |
| **JIRA**   | `mcp-server-atlassian` (커뮤니티)         | `search_issues`, `create_issue`, `update_issue`, `add_comment`                   | 이슈 생성, 스프린트 관리, 상태 업데이트 |
| **Linear** | `mcp-server-linear` (커뮤니티)            | `create_issue`, `list_issues`, `update_issue`                                    | 이슈 트래킹, 프로젝트 관리         |
| **Sentry** | `mcp-server-sentry` (커뮤니티)            | `list_issues`, `get_issue_details`, `resolve_issue`                              | 에러 모니터링, 이슈 분석          |

### 데이터베이스

**왜 이 카테고리가 중요한가**: 데이터베이스 MCP 서버는 AI 에이전트가 **실제 데이터에 직접 접근** 할 수 있게 합니다. 특히 Claude Desktop이나 Claude Code 같은 로컬 AI 클라이언트에서 PostgreSQL/MySQL MCP를 연결하면, 별도의 DB 클라이언트 없이 자연어로 데이터를 조회하고 분석할 수 있습니다. Databricks 환경에서는 Managed MCP(Databricks SQL)가 이 역할을 대신합니다.

| 서버             | 패키지 / 리포                                | 주요 Tool                                     | 활용 사례                     |
| -------------- | --------------------------------------- | ------------------------------------------- | ------------------------- |
| **PostgreSQL** | `@modelcontextprotocol/server-postgres` | `query`, `list_tables`, `describe_table`    | SQL 쿼리 실행, 스키마 탐색, 데이터 분석 |
| **MySQL**      | `@benborla29/mcp-server-mysql` (커뮤니티)   | `query`, `list_databases`, `describe_table` | DB 조회, 데이터 검증             |
| **MongoDB**    | `mcp-server-mongodb` (커뮤니티)             | `find`, `aggregate`, `list_collections`     | 문서 검색, 집계 쿼리              |
| **SQLite**     | `@modelcontextprotocol/server-sqlite`   | `query`, `list_tables`, `describe_table`    | 로컬 DB 분석, 프로토타이핑          |
| **Redis**      | `mcp-server-redis` (커뮤니티)               | `get`, `set`, `keys`, `info`                | 캐시 관리, 세션 데이터 조회          |

### 클라우드 & 인프라

**왜 이 카테고리가 중요한가**: 클라우드 인프라 MCP 서버는 DevOps/SRE 팀에게 특히 유용합니다. 인시던트 발생 시 "S3에서 관련 로그 파일 확인 → CloudWatch 메트릭 조회 → Lambda 함수 실행"을 AI 에이전트가 자율적으로 수행하여 초기 진단 시간을 크게 단축할 수 있습니다. AWS MCP는 AWS 공식 지원이므로 프로덕션 사용에도 안정적입니다.

| 서버             | 패키지 / 리포                       | 주요 Tool                                                  | 활용 사례                      |
| -------------- | ------------------------------ | -------------------------------------------------------- | -------------------------- |
| **AWS**        | `@aws/mcp` (AWS 공식)            | `s3_list`, `s3_get`, `cloudwatch_query`, `lambda_invoke` | S3 파일 관리, 로그 분석, Lambda 실행 |
| **GCP**        | `@anthropic/gcp-mcp-server`    | `bigquery_query`, `gcs_list`, `gcs_read`                 | BigQuery 분석, GCS 파일 관리     |
| **Azure**      | `mcp-server-azure` (커뮤니티)      | `blob_list`, `cosmos_query`                              | Blob Storage, CosmosDB 연동  |
| **Kubernetes** | `mcp-server-kubernetes` (커뮤니티) | `get_pods`, `get_logs`, `describe_resource`              | 클러스터 상태 확인, 파드 로그 조회       |
| **Docker**     | `mcp-server-docker` (커뮤니티)     | `list_containers`, `get_logs`, `exec_command`            | 컨테이너 관리, 로그 분석             |

### 문서 & 생산성

**왜 이 카테고리가 중요한가**: 분석 결과를 문서화하고 팀과 공유하는 것은 데이터 작업의 마지막 단계이자 가장 소홀히 되는 단계입니다. Notion/Confluence MCP를 연동하면 "분석 → 문서화"를 하나의 워크플로로 자동화할 수 있습니다. "이 분석 결과를 Notion에 보고서로 작성해줘"라는 한 마디로 구조화된 문서가 자동 생성됩니다.

| 서버                | 패키지 / 리포                                  | 주요 Tool                                                               | 활용 사례               |
| ----------------- | ----------------------------------------- | --------------------------------------------------------------------- | ------------------- |
| **Google Drive**  | `@modelcontextprotocol/server-gdrive`     | `search_files`, `read_file`, `list_files`                             | 문서 검색, 파일 내용 읽기     |
| **Notion**        | `@notionhq/notion-mcp-server` (Notion 공식) | `search`, `read_page`, `create_page`, `update_page`, `query_database` | 위키 관리, DB 조회, 문서 생성 |
| **Confluence**    | `mcp-server-confluence` (커뮤니티)            | `search_pages`, `get_page`, `create_page`                             | 문서 검색, 페이지 생성       |
| **Google Sheets** | `mcp-server-google-sheets` (커뮤니티)         | `read_sheet`, `write_cells`, `create_sheet`                           | 스프레드시트 자동화          |
| **Obsidian**      | `mcp-server-obsidian` (커뮤니티)              | `search_notes`, `read_note`, `create_note`                            | 노트 관리, 지식베이스 검색     |

### 웹 & 검색

**왜 이 카테고리가 중요한가**: LLM의 지식에는 학습 시점(cutoff) 이후의 정보가 없습니다. 웹 검색 MCP를 연동하면 AI 에이전트가 **최신 정보** 에 접근할 수 있습니다. 경쟁사 분석, 기술 동향 조사, 최신 문서 참조 등에 필수적입니다. Brave Search는 API 무료 티어가 있어 개인 사용에 적합합니다.

| 서버               | 패키지 / 리포                                    | 주요 Tool                                       | 활용 사례                |
| ---------------- | ------------------------------------------- | --------------------------------------------- | -------------------- |
| **Brave Search** | `@modelcontextprotocol/server-brave-search` | `web_search`, `local_search`                  | 웹 검색, 로컬 비즈니스 검색     |
| **Puppeteer**    | `@modelcontextprotocol/server-puppeteer`    | `navigate`, `screenshot`, `click`, `evaluate` | 웹 스크래핑, UI 테스트, 스크린샷 |
| **Playwright**   | `@anthropic/playwright-mcp`                 | `navigate`, `click`, `fill`, `screenshot`     | 브라우저 자동화, E2E 테스트    |
| **Fetch**        | `@modelcontextprotocol/server-fetch`        | `fetch`                                       | URL 내용 가져오기, API 호출  |

### 파일 & 스토리지

**왜 이 카테고리가 중요한가**: 파일 시스템 MCP는 로컬 개발 환경에서 AI가 프로젝트 파일을 직접 읽고 수정할 수 있게 합니다. Claude Code는 자체적으로 파일 접근이 가능하지만, 다른 MCP 클라이언트에서는 Filesystem MCP가 필요합니다. S3/GCS MCP는 클라우드 스토리지의 파일을 AI가 직접 관리할 수 있게 하여, 데이터 레이크 운영을 자동화합니다.

| 서버                       | 패키지 / 리포                                  | 주요 Tool                                                     | 활용 사례           |
| ------------------------ | ----------------------------------------- | ----------------------------------------------------------- | --------------- |
| **Filesystem**           | `@modelcontextprotocol/server-filesystem` | `read_file`, `write_file`, `search_files`, `list_directory` | 로컬 파일 관리, 코드 탐색 |
| **S3**                   | `@aws/s3-mcp-server`                      | `list_objects`, `get_object`, `put_object`                  | S3 파일 관리        |
| **Google Cloud Storage** | `mcp-server-gcs` (커뮤니티)                   | `list_blobs`, `read_blob`, `upload_blob`                    | GCS 파일 관리       |

### 모니터링 & 관측

**왜 이 카테고리가 중요한가**: 인시던트 대응은 시간이 생명입니다. 모니터링 MCP를 연동하면 "현재 Critical 알림 확인 → 관련 메트릭 조회 → 로그 분석 → 원인 추론 → 팀에 보고"라는 전체 대응 프로세스를 AI가 몇 분 만에 수행합니다. 특히 야간이나 주말에 온콜 엔지니어의 초기 대응 속도를 크게 높일 수 있습니다.

| 서버             | 패키지 / 리포                       | 주요 Tool                                                      | 활용 사례          |
| -------------- | ------------------------------ | ------------------------------------------------------------ | -------------- |
| **Datadog**    | `mcp-server-datadog` (커뮤니티)    | `query_metrics`, `list_monitors`, `get_events`               | 메트릭 조회, 알림 관리  |
| **Grafana**    | `mcp-server-grafana` (커뮤니티)    | `query_dashboard`, `list_alerts`, `search_dashboards`        | 대시보드 조회, 알림 확인 |
| **PagerDuty**  | `mcp-server-pagerduty` (커뮤니티)  | `list_incidents`, `acknowledge_incident`, `resolve_incident` | 인시던트 관리        |
| **Prometheus** | `mcp-server-prometheus` (커뮤니티) | `query`, `query_range`, `list_alerts`                        | 메트릭 쿼리, 알림 조회  |

***

## 실전 자동화 시나리오

여러 MCP 서버를 조합하여 강력한 워크플로를 구성할 수 있습니다. 아래는 업계에서 가장 많이 활용되는 시나리오들입니다.

### 시나리오 1: 데이터 파이프라인 모니터링 → 장애 알림

**사용 MCP**: Databricks SQL + Slack + JIRA

```
"어제 실행된 ETL 잡 중 실패한 것이 있는지 확인하고,
실패한 잡이 있으면 Slack #data-ops에 알리고 JIRA 티켓도 생성해"
```

**동작 흐름:**

1. **Databricks SQL MCP**→ `system.lakeflow.job_runs` 테이블에서 실패한 잡 조회
2. **Slack MCP**→ `#data-ops` 채널에 실패 요약 메시지 전송
3. **JIRA MCP**→ 실패 상세 내용으로 Bug 티켓 생성

> **참고**
> **Genie Code에서 구현**: Databricks SQL은 Managed MCP로 기본 제공됩니다. Slack과 JIRA는 External MCP(Unity Catalog Connection)로 연결합니다.

***

### 시나리오 2: PR 리뷰 → 코드 품질 보고

**사용 MCP**: GitHub + Slack

```
"이번 주에 올라온 PR들 목록을 가져와서 리뷰 상태를 확인하고,
리뷰 안 된 PR이 있으면 Slack #engineering에 리마인더 보내줘"
```

**동작 흐름:**

1. **GitHub MCP**→ 리포의 오픈 PR 목록 조회 + 리뷰 상태 확인
2. **LLM 분석**→ 리뷰 지연 PR 필터링, 담당자별 그룹핑
3. **Slack MCP**→ 리뷰어별 멘션과 함께 리마인더 메시지 전송

***

### 시나리오 3: 고객 문의 → 자동 응답 초안

**사용 MCP**: Gmail + PostgreSQL + Slack

```
"오늘 들어온 고객 문의 이메일을 확인하고,
고객 DB에서 해당 고객 정보를 조회한 뒤,
응답 초안을 작성해서 Slack #cs-team에 검토 요청해줘"
```

**동작 흐름:**

1. **Gmail MCP**→ 미읽은 고객 문의 이메일 검색 및 내용 읽기
2. **PostgreSQL MCP**→ 고객 이메일로 CRM DB에서 고객 정보, 계약 상태 조회
3. **LLM 분석**→ 문의 내용 + 고객 정보를 종합하여 응답 초안 작성
4. **Slack MCP**→ CS 팀 채널에 원문 + 초안 + 고객 정보 요약 전송

***

### 시나리오 4: 인시던트 대응 자동화

**사용 MCP**: PagerDuty/Datadog + Kubernetes + Slack

```
"현재 Critical 알림이 있는지 확인하고,
관련 파드 로그를 가져와서 원인을 분석한 뒤,
Slack #incident에 분석 결과를 포스팅해줘"
```

**동작 흐름:**

1. **Datadog MCP**→ 활성 Critical 알림 목록 조회
2. **Kubernetes MCP**→ 관련 서비스의 파드 로그 수집
3. **LLM 분석**→ 로그 패턴 분석, 가능한 원인 추론
4. **Slack MCP**→ `#incident` 채널에 분석 보고서 전송

***

### 시나리오 5: 스프린트 보고서 자동 생성

**사용 MCP**: JIRA + GitHub + Notion

```
"이번 스프린트의 완료/미완료 이슈를 JIRA에서 가져오고,
관련 PR의 머지 상태를 GitHub에서 확인한 뒤,
Notion에 스프린트 회고 문서를 생성해줘"
```

**동작 흐름:**

1. **JIRA MCP**→ 현재 스프린트의 이슈 목록 + 상태 조회
2. **GitHub MCP**→ 각 이슈에 연결된 PR의 머지 상태 확인
3. **LLM 분석**→ 완료율, 지연 원인, 다음 스프린트 주의점 분석
4. **Notion MCP**→ 회고 템플릿으로 문서 자동 생성

***

### 시나리오 6: 일일 업무 브리핑

**사용 MCP**: Google Calendar + Gmail + JIRA + Slack

```
"오늘 일정과 미읽은 이메일, 할당된 JIRA 티켓을 정리해서
아침 브리핑을 만들어줘"
```

**동작 흐름:**

1. **Google Calendar MCP**→ 오늘 일정 조회
2. **Gmail MCP**→ 미읽은 중요 이메일 요약
3. **JIRA MCP**→ 나에게 할당된 In Progress / To Do 이슈 조회
4. **LLM 분석**→ 우선순위 정리, 시간 배분 제안
5. **Slack MCP**→ DM으로 브리핑 전송 (선택)

***

### 시나리오 7: 데이터 품질 모니터링 → 보고

**사용 MCP**: Databricks SQL + Google Sheets + Slack

```
"주요 테이블의 null 비율, 중복 레코드, 최신성을 체크하고,
결과를 Google Sheets에 기록한 뒤, 이상이 있으면 Slack에 알려줘"
```

**동작 흐름:**

1. **Databricks SQL MCP**→ 데이터 품질 쿼리 실행 (null 비율, 중복, 최종 업데이트 시간)
2. **Google Sheets MCP**→ 품질 메트릭을 일별 시트에 기록
3. **LLM 분석**→ 임계치 초과 항목 판별
4. **Slack MCP**→ 이상 항목이 있으면 `#data-quality` 채널에 알림

***

### 시나리오 8: 경쟁사 모니터링

**사용 MCP**: Brave Search + Notion + Slack

```
"Snowflake, Redshift 관련 최신 뉴스를 검색하고,
주요 내용을 Notion '경쟁사 인텔리전스' DB에 추가하고,
요약을 Slack #competitive에 공유해줘"
```

**동작 흐름:**

1. **Brave Search MCP**→ 경쟁사 키워드로 최신 뉴스/블로그 검색
2. **LLM 분석**→ 핵심 내용 추출, 비즈니스 영향도 평가
3. **Notion MCP**→ 경쟁사 인텔리전스 DB에 새 항목 추가
4. **Slack MCP**→ 요약 리포트를 관련 채널에 공유

***

### 시나리오 9: 코드 변경 → 문서 자동 업데이트

**사용 MCP**: GitHub + Confluence

```
"최근 PR에서 API가 변경된 부분을 확인하고,
Confluence의 API 문서를 업데이트해줘"
```

**동작 흐름:**

1. **GitHub MCP**→ 최근 머지된 PR에서 API 관련 파일 변경 확인
2. **LLM 분석**→ 변경된 엔드포인트, 파라미터, 응답 포맷 정리
3. **Confluence MCP**→ 해당 API 문서 페이지 업데이트

***

### 시나리오 10: 주간 팀 성과 대시보드

**사용 MCP**: GitHub + JIRA + Slack + Google Sheets

```
"이번 주 팀의 PR 수, 코드 리뷰 수, 완료된 JIRA 이슈 수를 집계하고,
Google Sheets에 기록한 뒤 Slack에 요약 보고해줘"
```

**동작 흐름:**

1. **GitHub MCP**→ 이번 주 PR 수, 리뷰 수, 코드 변경량 집계
2. **JIRA MCP**→ 완료된 이슈 수, 스토리 포인트 합산
3. **Google Sheets MCP**→ 주간 트래킹 시트에 데이터 추가
4. **LLM 분석**→ 전주 대비 트렌드 분석
5. **Slack MCP**→ `#team-metrics` 채널에 주간 보고

***

## Genie Code에 외부 MCP 서버 추가하기

Databricks Genie Code에서 외부 MCP 서버를 사용하려면 **Unity Catalog Connection** 을 통해 연결합니다.

### 방법 1: Managed OAuth (권장)

Databricks가 OAuth 흐름을 관리합니다. 현재 지원되는 서비스:

| 서비스              | 연결 방법                                                   |
| ---------------- | ------------------------------------------------------- |
| **GitHub**       | Workspace Settings → Connections → GitHub (OAuth)       |
| **Slack**        | Workspace Settings → Connections → Slack (OAuth)        |
| **Google Drive** | Workspace Settings → Connections → Google Drive (OAuth) |
| **SharePoint**   | Workspace Settings → Connections → SharePoint (OAuth)   |
| **Glean**        | Workspace Settings → Connections → Glean (OAuth)        |
| **JIRA**         | Workspace Settings → Connections → Jira (OAuth)         |

**설정 절차:**

```
1. Databricks Workspace → Catalog Explorer → External Connections
2. "Create Connection" 클릭
3. Connection Type: "MCP Server" 선택
4. 서비스 선택 (GitHub, Slack 등)
5. OAuth 인증 완료
6. Genie Code 설정 → MCP Servers → 생성한 Connection 추가
```

### 방법 2: Custom HTTP Connection

Streamable HTTP를 지원하는 모든 MCP 서버에 연결할 수 있습니다.

```sql theme={null}
-- Unity Catalog에서 HTTP Connection 생성
CREATE CONNECTION my_mcp_server
TYPE mcp
OPTIONS (
  url = 'https://my-mcp-server.example.com/mcp',
  auth_type = 'bearer',
  token = secret('scope', 'my-mcp-token')
);
```

### 방법 3: Databricks Apps로 커스텀 MCP 호스팅

자체 MCP 서버를 Databricks App으로 배포하고 Genie Code에 연결합니다:

```python theme={null}
# app.py — FastAPI + MCP SDK
from fastapi import FastAPI
from mcp.server.fastmcp import FastMCP

app = FastAPI()
mcp = FastMCP("my-custom-tools")

@mcp.tool()
async def check_pipeline_status(pipeline_name: str) -> str:
    """데이터 파이프라인 상태를 확인합니다."""
    # Databricks API 호출
    ...

# MCP 엔드포인트를 FastAPI에 마운트
app.mount("/mcp", mcp.get_asgi_app())
```

```yaml theme={null}
# app.yaml
command:
  - uvicorn
  - app:app
  - --host=0.0.0.0
  - --port=8000
env:
  - name: DATABRICKS_HOST
    valueFrom: resources.databricks_host
resources:
  - name: databricks_host
    type: databricks_host
```

> **주의**
> **Genie Code 제한**: 전체 MCP 서버에 걸쳐 **최대 20개 Tool** 만 사용할 수 있습니다. 핵심 도구만 선택적으로 등록하세요.

***

## Claude Code에 MCP 서버 추가하기

Claude Code(CLI)에서는 `claude mcp add` 명령어로 간편하게 추가합니다.

### 자주 사용하는 조합 예시

```bash theme={null}
# Slack — 메시지 전송 및 검색
claude mcp add slack \
  -e SLACK_BOT_TOKEN=xoxb-your-token \
  -- npx -y @modelcontextprotocol/server-slack

# GitHub — 리포 관리, PR, 이슈
claude mcp add github \
  -e GITHUB_PERSONAL_ACCESS_TOKEN=ghp_xxx \
  -- npx -y @modelcontextprotocol/server-github

# PostgreSQL — DB 쿼리
claude mcp add postgres \
  -- npx -y @modelcontextprotocol/server-postgres \
  "postgresql://user:pass@localhost:5432/mydb"

# Notion — 문서 관리
claude mcp add notion \
  -e NOTION_API_KEY=ntn_xxx \
  -- npx -y @notionhq/notion-mcp-server

# Brave Search — 웹 검색
claude mcp add brave-search \
  -e BRAVE_API_KEY=BSA_xxx \
  -- npx -y @modelcontextprotocol/server-brave-search

# Filesystem — 로컬 파일 접근
claude mcp add files \
  -- npx -y @modelcontextprotocol/server-filesystem /path/to/project

# JIRA — 이슈 관리
claude mcp add jira \
  -e JIRA_URL=https://your-org.atlassian.net \
  -e JIRA_EMAIL=your@email.com \
  -e JIRA_API_TOKEN=xxx \
  -- npx -y mcp-server-atlassian

# 등록된 서버 확인
claude mcp list
```

### 프로젝트 설정 파일 (.mcp.json)

팀 전체가 같은 MCP 서버를 사용하도록 프로젝트 루트에 `.mcp.json`을 생성합니다:

```json theme={null}
{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}"
      }
    },
    "slack": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-slack"],
      "env": {
        "SLACK_BOT_TOKEN": "${SLACK_BOT_TOKEN}"
      }
    },
    "postgres": {
      "command": "npx",
      "args": [
        "-y", "@modelcontextprotocol/server-postgres",
        "${DATABASE_URL}"
      ]
    },
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-brave-search"],
      "env": {
        "BRAVE_API_KEY": "${BRAVE_API_KEY}"
      }
    }
  }
}
```

> **팁**
> `${ENV_VAR}` 구문으로 환경변수를 참조하면, `.mcp.json`을 git에 커밋해도 토큰이 노출되지 않습니다. 팀원은 각자 환경변수만 설정하면 됩니다.

***

## 시나리오별 권장 MCP 조합

| 역할/업무                | 권장 MCP 서버                                      | 핵심 활용                    |
| -------------------- | ---------------------------------------------- | ------------------------ |
| **데이터 엔지니어**         | Databricks SQL + Slack + GitHub                | 파이프라인 모니터링, 장애 알림, 코드 관리 |
| **데이터 분석가**          | Databricks SQL + Google Sheets + Slack         | 데이터 조회, 보고서 자동화, 결과 공유   |
| **백엔드 개발자**          | GitHub + JIRA + PostgreSQL + Slack             | 코드 리뷰, 이슈 추적, DB 디버깅     |
| **DevOps/SRE**       | Kubernetes + Datadog + PagerDuty + Slack       | 인시던트 대응, 로그 분석, 알림 관리    |
| **프로덕트 매니저**         | JIRA + Notion + Slack + Google Calendar        | 스프린트 관리, 문서화, 일정 관리      |
| **SA/SE (솔루션 아키텍트)** | Databricks MCP + GitHub + Slack + Brave Search | 고객 지원, PoC, 기술 리서치       |

***

## 실전 조합 전략 심화

위의 10개 시나리오는 개별 워크플로입니다. 여기서는 **여러 시나리오를 조합** 하여 팀 전체의 업무를 체계적으로 자동화하는 전략을 소개합니다.

### 전략 1: 데이터 팀의 "아침 자동 브리핑" 시스템

매일 아침 자동으로 실행되는 종합 브리핑을 구성합니다:

```
[매일 오전 9시 자동 실행]
1. Databricks SQL MCP → 야간 ETL 잡 실행 결과 확인
2. Databricks SQL MCP → 주요 테이블 데이터 품질 체크
3. JIRA MCP → 미해결 데이터 이슈 티켓 현황
4. GitHub MCP → 리뷰 대기 중인 PR 목록
5. LLM 분석 → 위 정보를 종합하여 우선순위 정리
6. Slack MCP → #data-team 채널에 브리핑 전송
```

### 전략 2: "데이터 이슈 자동 에스컬레이션" 파이프라인

데이터 품질 이슈를 발견하면 자동으로 관련 팀에 알리고 추적합니다:

```
[데이터 품질 알림 발생 시]
1. Databricks SQL MCP → 이상 데이터 상세 분석
2. GitHub MCP → 관련 파이프라인 코드의 최근 변경 확인
3. LLM 분석 → 원인 추정 및 영향도 평가
4. JIRA MCP → 자동 티켓 생성 (원인 분석 결과 포함)
5. Slack MCP → 담당자 멘션과 함께 이슈 알림
```

### 전략 3: 역할별 MCP 조합 최적화

모든 팀원이 같은 MCP 서버를 사용할 필요는 없습니다. 역할에 따라 최적의 조합이 다릅니다:

| 역할             | 필수 MCP                                           | 선택 MCP                | 도구 수 목표 |
| -------------- | ------------------------------------------------ | --------------------- | ------- |
| **데이터 엔지니어**   | Databricks SQL, GitHub, Slack                    | JIRA, Kubernetes      | 8-12개   |
| **데이터 분석가**    | Databricks SQL, Google Sheets, Slack             | Notion, Brave Search  | 6-10개   |
| **ML 엔지니어**    | Databricks SQL, GitHub, Slack, Vector Search     | MLflow (UC Functions) | 10-15개  |
| **DevOps/SRE** | Kubernetes, Datadog/Prometheus, Slack, PagerDuty | AWS, GitHub           | 10-15개  |

> **팁**
> **실전 팁**: 처음에는 Slack + 핵심 데이터 소스(Databricks SQL 또는 PostgreSQL) 2개만 연결하세요. 이 조합만으로도 "분석 → 결과 공유" 워크플로가 가능하며, 추가 MCP는 필요성이 입증된 후에 하나씩 추가하는 것이 가장 효과적입니다.

***

## MCP 서버 선택 시 체크리스트

MCP 서버를 선택할 때 확인해야 할 항목들입니다:

| 항목         | 확인 사항                                                     |
| ---------- | --------------------------------------------------------- |
| **공식 여부**  | Anthropic 공식, 벤더 공식(Notion, AWS 등), 커뮤니티 중 어디에 해당하는가?     |
| **활성도**    | GitHub Star 수, 최근 커밋 날짜, 이슈 응답 속도                         |
| **보안**     | API 키 관리 방식, 최소 권한 지원, 데이터 전송 암호화                         |
| **전송 방식**  | stdio만 지원? Streamable HTTP도 지원? (Databricks 연동 시 HTTP 필수) |
| **Tool 수** | 제공하는 Tool이 너무 많으면 LLM의 선택 정확도 하락                          |
| **에러 처리**  | 실패 시 의미 있는 에러 메시지를 반환하는가?                                 |
| **문서화**    | 설치 가이드, Tool 설명, 예제가 충분한가?                                |

> **주의**
> **커뮤니티 서버 주의사항**: 커뮤니티 MCP 서버는 공식 서버에 비해 유지보수가 불안정할 수 있습니다. 프로덕션 환경에서는 반드시 코드를 검토하고, 가능하면 공식 서버나 벤더 공식 서버를 우선 사용하세요.

***

## MCP 서버 도입 우선순위 가이드

수많은 MCP 서버 중 어디서부터 시작해야 할지 모르겠다면, 다음 우선순위를 참고하세요:

**1순위 (즉시 도입 — 모든 팀에 필수):**

* **Slack**(또는 Teams): 결과 공유 채널. MCP의 "마지막 1마일"
* **핵심 데이터 소스**: Databricks SQL(Databricks 환경) 또는 PostgreSQL(로컬 환경)

**2순위 (팀별 선택 — 2-4주 내 도입):**

* **GitHub**: 개발 팀 필수
* **JIRA/Linear**: 프로젝트 관리 팀 필수
* **Brave Search**: 리서치가 많은 역할에 유용

**3순위 (상황에 따라 — 1-2개월 내 도입):**

* **Notion/Confluence**: 문서화 자동화가 필요한 경우
* **Google Sheets**: 보고서 자동화가 필요한 경우
* **AWS/GCP**: 클라우드 인프라 관리가 필요한 경우

**4순위 (고급 — 성숙 단계에서 도입):**

* **Datadog/Grafana**: 모니터링 자동화
* **PagerDuty**: 인시던트 대응 자동화
* **Custom MCP**: 사내 시스템 연동

> **팁**
> **경험적 법칙**: 처음 2개 MCP 서버(Slack + 데이터 소스)로 80%의 가치를 얻을 수 있습니다. 나머지 20%의 가치를 위해 추가 서버를 도입하는 것은 기본 워크플로가 안정된 후에 진행하세요.

***

## 다음 단계

* [MCP 개요](overview): MCP 프로토콜의 기본 개념
* [일반 MCP 설정](setup-general): 클라이언트별 상세 설정 방법
* [Databricks MCP 활용](databricks-mcp): Databricks 환경의 Managed/External/Custom MCP
* [베스트 프랙티스](best-practices): 보안, Tool 설계, 비용 최적화