이 튜토리얼에서는 다음을 배웁니다:
- Langchain MCP 어댑터 라이브러리의 정의와 제공 기능
- Bright Data Web MCP를 통해 에이전트에 웹 검색, 웹 데이터 검색 및 웹 상호작용 기능을 제공하기 위해 이를 활용하는 이유.
- ReAct 에이전트에서 Langchain MCP 어댑터를 Web MCP에 연결하는 방법.
자, 시작해 보겠습니다!
LangChain MCP 어댑터 라이브러리란 무엇인가요?
Langchain MCP 어댑터는 Langchain 및 LangGraph에서 MCP 도구를 사용할 수 있게 해주는 패키지입니다. 오픈 소스 langchain-mcp-adapters 패키지를 통해 사용할 수 있으며, 이 패키지는 MCP 도구를 Langchain 및 LangGraph 호환 도구로 변환하는 역할을 합니다.
이러한 변환 덕분에 로컬 또는 원격 서버의 MCP 도구를 Langchain 워크플로우나 LangGraph 에이전트에서 직접 사용할 수 있습니다. 이러한 MCP 도구는 이미 LangGraph 에이전트를 위해 공개된 수백 가지 도구와 마찬가지로 활용할 수 있습니다.
특히, 이 패키지에는 여러 MCP 서버에 연결하고 해당 서버에서 도구를 로드할 수 있는 MCP 클라이언트 구현도 포함되어 있습니다. 사용 방법에 대한 자세한 내용은 공식 문서를 참조하세요.
LangGraph 에이전트와 Bright Data의 웹 MCP 통합 이유
LangGraph AI로 구축된 AI 에이전트는 기반 LLM의 한계를 상속받습니다. 여기에는 실시간 정보 접근 부족이 포함되며, 이는 때때로 부정확하거나 오래된 응답으로 이어질 수 있습니다.
다행히도 에이전트에 최신 웹 데이터와 실시간 웹 탐색 기능을 부여함으로써 이러한 한계를 극복할 수 있습니다. 바로 여기에서 Bright Data의 Web MCP가 해결책이 됩니다!
오픈소스 Node.js 패키지로 제공되는 Web MCP는 Bright Data의 AI 지원 데이터 검색 도구 제품군과 통합되어 에이전트가 웹 콘텐츠에 접근하고, 구조화된 데이터셋을 쿼리하며, 웹 검색을 수행하고, 웹 페이지와 실시간으로 상호작용할 수 있게 합니다.
특히 Web MCP가 제공하는 두 가지 인기 도구는 다음과 같습니다:
| 도구 | 설명 |
|---|---|
scrape_as_markdown |
단일 웹페이지 URL에서 고급 추출 옵션으로 콘텐츠를 스크랩하여 결과를 마크다운 형식으로 반환합니다. 봇 탐지 및 CAPTCHA를 우회할 수 있습니다. |
search_engine |
Google, Bing 또는 Yandex에서 검색 결과를 추출하여 JSON 또는 마크다운 형식의 SERP 데이터를 반환합니다. |
또한 Bright Data의 Web MCP는 웹 페이지와 상호 작용하기 위한 약 60개의 전문 도구 (예: scraping_browser_click)를 제공하며, Amazon, TikTok, Instagram, Yahoo Finance, LinkedIn, ZoomInfo 등 다양한 웹사이트에서 구조화된 데이터를 수집합니다.
예를 들어, web_data_zoominfo_company_profile 도구는 유효한 회사 URL을 입력으로 받아 ZoomInfo에서 상세하고 구조화된 회사 프로필 정보를 검색합니다. 공식 Web MCP 문서를 통해 더 자세히 알아보세요!
Langchain 도구를 통한 Bright Data 직접 연동을 원하신다면 다음 가이드를 참조하세요:
Langchain MCP 어댑터를 사용한 AI 에이전트에서 Web MCP 연결 방법
이 단계별 섹션에서는 MCP 어댑터 라이브러리를 사용하여 Bright Data 웹 MCP를 LagnGraph 에이전트에 통합하는 방법을 배웁니다. 결과적으로 웹 검색, 데이터 접근 및 웹 상호작용을 위한 60개 이상의 도구에 접근할 수 있는 AI 에이전트가 생성됩니다.
설정이 완료되면 AI 에이전트를 활용하여 ZoomInfo에서 기업 데이터를 수집하고 상세 보고서를 생성할 수 있습니다. 이 결과물은 특정 기업에 투자하거나 지원하거나 추가로 탐색할 가치가 있는지 평가하는 데 도움이 될 수 있습니다.
시작하려면 아래 단계를 따르세요!
참고: 본 튜토리얼은 Python용 Langchain에 중점을 두지만, Langchain JavaScript SDK로도 쉽게 적용 가능합니다. 마찬가지로 에이전트는 OpenAI에 의존하지만, 지원되는 다른 대규모 언어 모델(LLM)로 대체할 수 있습니다.
필수 조건
이 튜토리얼을 따라하려면 다음이 설치되어 있어야 합니다:
- 로컬에 설치된 Python 3.8 이상
- 로컬에 Node.js 설치 (최신 LTS 버전 권장).
- Bright Data API 키.
- OpenAI API 키 (또는 Langchain에서 지원하는 다른 LLM의 API 키).
다음 단계에서 Bright Data 설정을 안내해 드리므로 당장 설정할 필요는 없습니다.
다음과 같은 배경 지식을 갖추면 도움이 되지만(선택 사항):
- MCP 작동 방식에 대한 일반적인 이해.
- Bright Data의 Web MCP 및 제공 도구들에 대한 어느 정도 익숙함.
1단계: Langchain 프로젝트 설정
터미널을 열고 LangGraph MCP 기반 AI 에이전트를 위한 새 디렉터리를 생성하세요:
mkdir langchain-mcp-agentlangchain-mcp-agent/ 폴더는 AI 에이전트의 Python 코드를 보관합니다.
다음으로 프로젝트 디렉토리로 이동하여 가상 환경을 설정합니다:
cd langchain-mcp-agent
python -m venv .venv이제 선호하는 Python IDE에서 프로젝트를 엽니다. Python 확장 프로그램이 설치된 Visual Studio Code 또는 PyCharm Community Edition을 권장합니다.
프로젝트 폴더 내에서 agent.py라는 새 파일을 생성하세요. 프로젝트 구조는 다음과 같아야 합니다:
langchain-mcp-agent/
├── .venv/
└── agent.py여기서 agent.py는 메인 Python 파일이 됩니다. 비동기 코드 실행을 위해 다음과 같이 초기화하세요:
import asyncio
async def main():
# 에이전트 정의 로직...
if __name__ == "__main__":
asyncio.run(main())이제 가상 환경을 활성화할 차례입니다. Linux 또는 macOS에서는 다음 명령을 실행하세요:
source .venv/bin/activateWindows에서는 다음과 같이 실행하세요:
.venv/Scripts/activate환경이 활성화된 상태에서 필요한 종속성을 설치합니다:
pip install langchain["openai"] langchain-mcp-adapters langgraph각 패키지의 역할은 다음과 같습니다:
langchain["openai"]: OpenAI 통합이 포함된 LangChain 핵심 라이브러리.langchain-mcp-adapters: MCP 도구를 LangChain 및 LangGraph와 호환되도록 하는 경량 래퍼입니다.langgraph: 일반적으로 LangChain 위에 구축되는, 장기 실행 상태 유지 에이전트를 구축, 관리, 배포하기 위한 저수준 오케스트레이션 프레임워크입니다.
참고: LLM 통합을 위해 OpenAI를 사용할 계획이 없다면, langchain["openai"] 을 사용 중인 AI 공급자에 해당하는 패키지로 교체하세요.
완료! Bright Data Web MCP에 연결되는 AI 에이전트를 지원할 준비가 된 Python 개발 환경이 구축되었습니다.
2단계: LLM 통합
주의: OpenAI 대신 다른 LLM 공급자를 사용하는 경우, 이 섹션을 적절히 조정하십시오.
먼저 환경에 OpenAI API 키를 설정하세요:
import os
os.environ["OPENAI_API_KEY"] = "<YOUR_OPENAI_API_KEY>"실제 운영 환경에서는 스크립트에 비밀 키를 직접 하드코딩하지 않도록 환경 변수를 더 안전하고 신뢰할 수 있는 방법으로 관리하세요(예: python-dotenv 사용).
다음으로 langchain_openai 패키지에서 ChatOpenAI를 임포트하세요:
from langchain_openai import ChatOpenAIChatOpenAI는 OPENAI_API_KEY 환경 변수에서 API 키를 자동으로 읽어옵니다.
이제 main() 함수에서 원하는 모델로 ChatOpenAI 인스턴스를 초기화합니다:
llm = ChatOpenAI(
model="gpt-5-mini",
)이 예시에서는 gpt-5-mini를 사용하지만, 다른 사용 가능한 모델로 대체할 수 있습니다. 이 LLM 인스턴스는 AI 에이전트의 엔진 역할을 할 것입니다. 좋습니다!
3단계: Bright Data 웹 MCP 테스트
에이전트를 Bright Data의 웹 MCP에 연결하기 전에, 먼저 해당 머신에서 MCP 서버를 실제로 실행할 수 있는지 확인하세요.
아직 계정이 없다면 Bright Data 계정 생성을 시작하세요. 이미 계정이 있다면 로그인하기만 하면 됩니다. 빠른 설정을 위해 계정의 “MCP” 페이지를 열고 안내를 따르세요:
그렇지 않은 경우, 보다 단계별 안내를 위해 아래 단계를 따르세요.
먼저 Bright Data API 키를 생성하고 안전한 곳에 보관하세요(곧 필요할 것입니다). 이 튜토리얼에서는 통합 과정을 훨씬 단순화하기 위해 API 키에 관리자 권한이 부여된 것으로 가정합니다.
터미널을 열고 @brightdata/mcp 패키지를 통해 Web MCP를 전역으로 설치하세요:
npm install -g @brightdata/mcp다음 Bash 명령어로 로컬 MCP 서버가 작동하는지 확인하세요:
API_TOKEN="<YOUR_BRIGHT_DATA_API>" npx -y @brightdata/mcp또는 Windows PowerShell에서 동등하게 다음을 실행하세요:
$Env:API_TOKEN="<YOUR_BRIGHT_DATA_API>"; npx -y @brightdata/mcp<YOUR_BRIGHT_DATA_API> 자리 표시자를 실제 Bright Data API 토큰으로 대체하세요. 위 두 명령어는 필요한 API_TOKEN 환경 변수를 설정한 후 로컬에서 MCP 서버를 실행합니다.
성공 시 다음과 유사한 로그가 표시됩니다:
첫 실행 시 @brightdata/mcp 패키지는 Bright Data 계정에 두 개의 기본 영역을 자동으로 설정합니다:
위 영역이 생성되었는지 확인하려면 Bright Data 대시보드에 로그인하세요. “프록시 및 스크래핑 인프라” 페이지로 이동하면 테이블에 두 영역이 표시됩니다:
API 토큰에 관리자 권한이 없는 경우, 이 영역들은 자동으로 설정되지 않습니다. 이 경우 패키지의 GitHub 페이지에 설명된 대로 대시보드에서 수동으로 생성하고 환경 변수를 통해 이름을 지정할 수 있습니다.
참고: 기본적으로 웹 MCP 서버는 search_engine 및 scrape_as_markdown 도구만 노출합니다(무료로도 사용 가능!). 브라우저 자동화 및 구조화된 데이터 추출을 위한 고급 도구를 사용하려면 프로 모드를 활성화해야 합니다.
프로 모드를 활성화하려면 MCP 서버 실행 전에 PRO_MODE=true 환경 변수를 설정하세요:
API_TOKEN="<YOUR_BRIGHT_DATA_API>" PRO_MODE="true" npx -y @brightdata/mcp또는 PowerShell에서:
$Env:API_TOKEN="<YOUR_BRIGHT_DATA_API>"; $Env:PRO_MODE="true"; npx -y @brightdata/mcp중요: 프로 모드를 선택하면 60개 이상의 모든 도구를 이용할 수 있습니다. 반면 프로 모드는 무료 계층에 포함되지 않으며 추가 요금이 부과됩니다.
완벽합니다! 웹 MCP 서버를 실행할 수 있음을 확인했습니다. 이제 Langchain이 자동으로 서버를 실행하고 연결하도록 구성할 예정이므로 서버 프로세스를 종료하세요.
4단계: Langchain MCP 어댑터를 통한 웹 MCP 연결 초기화
먼저 Langchain MCP 어댑터 패키지에서 필요한 라이브러리를 임포트하세요:
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools로컬 Web MCP 서버를 실행할 수 있으므로, SSE나 스트리밍 HTTP보다 stdio (표준 입출력) 를 통한 연결이 가장 간편합니다. 간단히 말해, AI 애플리케이션이 MCP 서버를 서브프로세스로 시작하고 표준 입출력을 통해 직접 통신하도록 설정하는 것입니다.
이를 위해 StdioServerParameters 구성 객체를 다음과 같이 정의하세요:
server_params = StdioServerParameters(
command="npx",
args=["-y", "@brightdata/mcp"],
env={
"API_TOKEN": "<YOUR_BRIGHT_DATA_API_KEY>",
"PRO_MODE": "true"
}
)이 설정은 웹 MCP 테스트를 위해 수동으로 실행했던 명령어를 반영합니다. 애플리케이션은 이 구성을 사용하여 필요한 환경 변수( PRO_MODE는 선택 사항임)와 함께 npx를 실행하고 웹 MCP를 하위 프로세스로 시작합니다.
다음으로 MCP 세션을 초기화하고 노출된 도구를 로드합니다:
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await load_mcp_tools(session)load_mcp_tools() 함수가 핵심 작업을 수행합니다: MCP 도구를 Langchain 및 LangGraph 호환 도구로 자동 변환합니다.
훌륭합니다! 이제 LangGraph 에이전트 정의에 전달할 준비가 된 도구 목록을 확보했습니다.
5단계: ReAct 에이전트 생성 및 질의
내부 with 블록 안에서 LLM 엔진과 MCP 도구 목록을 함께 사용하여 create_react_agent()로 LangGraph 에이전트를 생성하세요:
agent = create_react_agent(llm, tools) 참고: 도구 작업 시 ReAct 아키텍처를 따르는 AI 에이전트를 사용하는 것이 가장 좋습니다. 이 접근 방식은 프로세스에 대해 더 철저하게 추론하고 작업을 완료하기 위한 올바른 도구를 선택할 수 있게 하기 때문입니다.
LangGraph에서 create_react_agent() 가져오기:
from langgraph.prebuilt import create_react_agent다음으로 AI 에이전트에게 질문하세요. 전체 응답을 기다려 한 번에 출력하는 대신, 출력을 콘솔로 직접 스트리밍하는 것이 더 좋습니다. 도구 사용에는 시간이 걸릴 수 있으므로, 에이전트가 작업을 처리하는 동안 스트리밍을 통해 유용한 피드백을 얻을 수 있습니다:
input_prompt = """
ZoomInfo 회사 페이지('https://www.zoominfo.com/c/nike-inc/27722128')에서 데이터를 스크래핑하세요. 그런 다음, 추출한 데이터를 사용하여 회사에 대한 주요 정보를 요약한 간결한 Markdown 형식의 보고서를 생성하세요.
"""
# 에이전트 응답 스트리밍
async for step in agent.astream({"messages": [input_prompt]}, stream_mode="values"):
step["messages"][-1].pretty_print()이 예시에서 에이전트에게 요청된 작업은 다음과 같습니다:
“ZoomInfo 회사 페이지‘https://www.zoominfo.com/c/nike-inc/27722128’에서 데이터를 추출하세요. 그런 다음, 검색된 데이터를 사용하여 회사에 대한 주요 정보를 요약한 간결한 보고서를 마크다운 형식으로 작성하세요.”
참고: ZoomInfo 회사 페이지 URL은 Nike를 참조하지만, 다른 회사로 변경하거나 완전히 다른 데이터 검색 시나리오를 위해 프롬프트를 수정할 수 있습니다.
이는 본 장 서두에서 설명한 내용을 정확히 반영합니다. 중요한 점은, 이러한 작업이 에이전트로 하여금 실제 데이터를 수집하고 구조화하기 위해 Web MCP 도구를 활용하도록 강제한다는 것입니다. 따라서 통합 기능을 완벽하게 보여주는 사례가 됩니다!
멋지네요! 웹 MCP + 랭체인 랭그래프 AI 에이전트가 준비되었습니다. 이제 작동 모습을 확인하기만 하면 됩니다.
6단계: 모든 것을 통합하기
agent. py의 최종 코드는 다음과 같아야 합니다:
import asyncio
import os
os.environ["OPENAI_API_KEY"] = "<YOUR_OPENAI_API_KEY>" # OpenAI API 키로 대체
from langchain_openai import ChatOpenAI
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.tools import load_mcp_tools
from langgraph.prebuilt import create_react_agent
async def main():
# LLM 엔진 초기화
llm = ChatOpenAI(
model="gpt-5-mini",
)
# 로컬 Bright Data Web MCP 서버 인스턴스에 연결하기 위한 구성
server_params = StdioServerParameters(
command="npx",
args=["-y", "@brightdata/mcp"],
env={
"API_TOKEN": "<YOUR_BRIGHT_DATA_API_KEY>", # Bright Data API 키로 대체
"PRO_MODE": "true"
}
)
# MCP 서버에 연결
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
# MCP 클라이언트 세션 초기화
await session.initialize()
# MCP 도구 가져오기
tools = await load_mcp_tools(session)
# ReAct 에이전트 생성
agent = create_react_agent(llm, tools)
# 에이전트 작업 설명
input_prompt = """
ZoomInfo 회사 페이지('https://www.zoominfo.com/c/nike-inc/27722128')에서 데이터를 스크래핑하세요. 그런 다음, 검색된 데이터를 사용하여 회사에 대한 주요 정보를 요약한 간결한 Markdown 형식의 보고서를 작성하세요.
"""
# 에이전트 응답 스트리밍
async for step in agent.astream({"messages": [input_prompt]}, stream_mode="values"):
step["messages"][-1].pretty_print()
if __name__ == "__main__":
asyncio.run(main())와우! Langchain MCP 어댑터 덕분에 단 ~50줄의 코드로 MCP 통합 ReAct 에이전트를 구축했습니다.
에이전트를 실행하려면 다음을 입력하세요:
python agent.py터미널에서 즉시 다음과 같은 출력이 표시됩니다:
이는 LangGraph 에이전트가 의도한 대로 프롬프트를 수신했음을 증명합니다. 그런 다음 LLM 엔진이 이를 처리하여 웹 MCP에서 작업을 완료하기 위해 호출해야 할 올바른 MCP 도구인 web_data_zoominfo_company_profile을 즉시 판단합니다. 구체적으로 프롬프트에서 추론된 올바른 ZoomInfo URL 인자(https://www.zoominfo.com/c/nike-inc/27722128)로 도구를 호출합니다.
도구 호출 결과는 다음과 같습니다:
web_data_zoominfo_company_profile 도구는 ZoomInfo 기업 프로필 데이터를 JSON 형식으로 반환합니다. 이는 GPT-5 미니 모델이 생성하거나 허위로 만든 내용이 아님을 유의하십시오 !
대신, 이 데이터는 Bright Data 인프라에서 제공되는 ZoomInfo 스크레이퍼에서 직접 가져온 것으로, 선택된 web_data_zoominfo_company_profile 웹 MCP 도구가 백그라운드에서 호출합니다.
ZoomInfo 스크레이퍼는 모든 봇 방지 보호 기능을 우회하고, 회사의 공개 프로필 페이지에서 실시간으로 데이터를 수집하여 구조화된 JSON 형식으로 반환합니다. 실제 ZoomInfo 페이지에서 확인할 수 있듯이, 검색된 데이터는 정확하며 대상 페이지에서 직접 가져온 것입니다:
ZoomInfo의 스크래핑은 까다로운 CAPTCHA를 포함한 반스크래핑 기술로 인해 쉬운 작업이 아닙니다. 따라서 이는 어떤 LLM도 수행할 수 있는 작업이 아닙니다. 오히려 전용 웹 데이터 수집 도구에 접근할 수 있는 에이전트만이 수행할 수 있습니다.
이 간단한 예시는 Langchain과 Bright Data Web MCP 통합의 강력한 성능을 보여줍니다!
ZoomInfo 기업 프로필 데이터를 기반으로 에이전트가 생성한 근거 기반 마크다운 보고서는 다음과 같습니다:
# NIKE, Inc. — 회사 개요
## 개요
NIKE, Inc.는 전 세계적으로 운동화, 의류, 장비 및 액세서리를 디자인, 개발, 마케팅 및 판매합니다.
## 주요 정보
- **명칭:** NIKE, Inc.
- **웹사이트:** [https://www.nike.com/](https://www.nike.com/)
- **본사:** 1 SW Bowerman Dr, Beaverton, OR 97005, United States
- **전화:** (503) 671-6453
- **주식 티커:** NYSE: NKE
- **매출:** $463억 달러 (보고 기준)
- **직원 수:** 77,800명
- **산업 분야:** 제조업; 소매업; 스포츠 용품; 섬유 및 의류; 의류 및 액세서리 소매업
- **ZoomInfo 타임스탬프:** 2026-09-02T08:47:19.789Z
## 재무 / 자금 조달
- **보고된 매출:** 463억 달러
- **자금 조달 (ZoomInfo):** 총 3차에 걸쳐 10억 달러 조달 *(수치는 과거 또는 비공개 데이터 포인트를 반영할 수 있음; 나이키는 상장 기업)*
## 인력 및 문화
- **총 직원 수:** 77,800명
- **직원 구성 (ZoomInfo):**
- 최고 경영진: 23명
- 부사장: 약 529명
- 이사: 약 6,115명
- 관리자: 약 13,289명
- 비관리직: 약 29,578명
- **eNPS 점수:** 20 *(추천자 50% / 중립 20% / 비추천자 30%)*
## 리더십 (선별 / 조직도 기준)
- 에이미 몽타뉴 — 나이키 사장
- 니콜 그레이엄 — 부사장 겸 최고 마케팅 책임자
- 체리안 제이콥 — 최고정보책임자(CIO)
- 무게 도간 — 부사장 겸 최고기술책임자(CTO)
- 크리스 조지 — 부사장 겸 최고재무책임자(CFO, 지오...)
- 사라 멘사 — 조던 브랜드 사장
> *참고: ZoomInfo 프로필에는 캡처된 데이터에 CEO 항목이 단 하나도 기재되지 않았습니다.*
## 기술 및 도구 (예시)
- 솔리드웍스 (다쏘시스템)
- 이벤트프로 (프로핏 시스템즈)
- 마이크로소프트 IIS (마이크로소프트)
- SAP 사이베이스 RAP (SAP)
## 최근 소식 / 미디어 하이라이트 (요약)
- **채용:** 마켓플레이스 시니어 디렉터 (상하이).
- **인사 이동:** 론 패리스 버츄얼 스튜디오스, 나이키 퇴사 후 디즈니 컨슈머 프로덕츠 합류 (글로벌 마케팅 부사장).
- **사업 동향:** 관세/지정학적 역풍이 단기 실적에 영향; 회사는 완화 조치 및 "즉각적 성과 창출" 방안 시행 중.
- **구조조정:** 소규모 기업 구조조정 보도 (~기업 직원 1% 수준).
## 유사 기업 (예시)
- 안타 스포츠 프로덕츠(ANTA Sports Products)
- 아디다스 AG(adidas AG)
- 풋락커(Foot Locker)
- 게스(Guess)
- 팀버랜드(Timberland)
- 제네스코(Genesco)
## 연락처 및 문의
- **기업 웹사이트:** [https://www.nike.com/](https://www.nike.com/)
- **일반적인 이메일 형식 (관찰된 사례):** `[email protected]` (관련 브랜드의 경우 `@converse.com`도 사용)
## 데이터 출처
- ZoomInfo의 NIKE, Inc. 기업 프로필
[https://www.zoominfo.com/c/nike-inc/27722128](https://www.zoominfo.com/c/nike-inc/27722128)
**스냅샷 타임스탬프:** 2026-09-02T08:47:19.789ZMarkdown 뷰어에서 시각화하면 다음과 같이 표시됩니다:
자, 이제 보세요! ReAct 에이전트가 작업에 적합한 도구를 선택하여 ZoomInfo에서 추출한 실제 기업 데이터를 활용해 정보가 풍부한 Markdown 보고서를 생성했습니다.
이 모든 것은 Web MCP 통합 없이는 불가능했을 것입니다. MCP 어댑터 라이브러리 덕분에 이제 Langchain에서도 지원됩니다.
다음 단계
여기서 개발한 Langchain MCP 기반 에이전트는 단순하지만 기능적인 예시입니다. 실제 운영 환경에 적용하려면 다음 단계를 고려하세요:
- REPL 구현: 에이전트와 실시간으로 상호작용할 수 있도록 REPL(읽기-평가-출력 루프)을 추가하세요. 컨텍스트 유지 및 이전 상호작용 추적을 위해 메모리 레이어를 도입하세요. 임시 데이터베이스나 지속적 저장소에 저장하는 것이 이상적입니다.
- 출력 파일 내보내기: 생성된 결과물(예: 보고서)을 로컬 파일에 저장할 수 있도록 출력 로직을 수정합니다. 이를 통해 다른 팀원들과 결과를 쉽게 공유할 수 있습니다.
- 에이전트 배포: Langchain 문서에 설명된 대로 AI 에이전트를 클라우드, 하이브리드 클라우드 환경 또는 자체 호스팅 옵션을 통해 배포하세요.
다양한 프롬프트로 Langchain + Web MCP 에이전트를 테스트하고 다른 고급 에이전트 기반 워크플로를 탐색해 보세요!
결론
본 문서에서는 Bright Data의 Web MCP(무료 티어 제공!)를 활용하여 LangGraph에서 AI 에이전트를 구축하는 방법을 살펴보았습니다. 이는 Langchain과 LangGraph 생태계 모두에 MCP 지원을 추가하는 Langchain MCP Adapters 라이브러리 덕분에 가능해졌습니다.
본 문서에서 시연한 작업은 예시에 불과하지만, 동일한 통합을 활용하여 다중 에이전트 설정을 포함한 훨씬 더 복잡한 워크플로를 설계할 수 있습니다. Web MCP가 제공하는 60개 이상의 도구와 Bright Data의 AI 인프라 전반에 걸친 솔루션을 통해 AI 에이전트가 실시간 웹 데이터를 효과적으로 수집, 검증 및 변환할 수 있도록 지원하세요.
Bright Data 계정을 무료로 생성하고, AI 활용이 가능한 웹 데이터 솔루션으로 오늘 바로 실험을 시작해 보세요!
