AI 에이전트 프로토콜 지형도: MCP·A2A·ACP·MPP·AgentKit·OpenAgent 개발자 가이드

2026년 현재 AI 에이전트는 단순한 챗봇 수준을 넘어 복잡한 작업을 자율적으로 수행하는 시스템으로 진화하였으며, 이에 따라 에이전트 간 통신과 외부 도구 연동을 위한 표준 프로토콜의 필요성이 급격히 부상하고 있다. 각 기업과 오픈소스 커뮤니티가 서로 다른 방식으로 에이전트 아키텍처를 구현함에 따라 파편화 문제가 심화되었고, 이를 해소하기 위한 다양한 표준화 시도가 본격화되고 있다. 이 가이드는 개발자가 실무에서 마주치는 AI 에이전트 프로토콜들을 심층적으로 분석하고, 각 프로토콜의 특성과 적합한 사용 시나리오를 제시한다.

왜 지금 표준이 필요해졌나

각 AI 플랫폼마다 독자적인 도구 연동 방식을 채택해 상호 호환이 불가능한 파편화 문제가 심화됐다. 멀티 에이전트 시스템이 확산되며 에이전트 간 통신 표준 요구가 급증했고, 에이전트가 외부 시스템에 접근할 때 일관된 인증·권한 체계가 없다는 보안 필요성도 부상했다. 플랫폼별 커스텀 통합으로 유지보수 비용이 급등하는 확장성 한계, 재사용 가능한 컴포넌트와 마켓플레이스가 필요해지는 생태계 성숙도 함께 표준화를 밀어붙인 배경이다.

누가 무엇을 위해 만들었나

⤢✕

프로토콜	주관	주요 목적	출시 시기
MCP	Anthropic	모델-도구 컨텍스트 연동	2024년 11월
A2A	Google	에이전트 간 직접 통신	2025년 4월
ACP	IBM/Linux Foundation	범용 에이전트 통신	2025년 상반기
MPP	오픈소스 컨소시엄	에이전트 간 자율 결제	2025년 하반기
AgentKit	Coinbase/독립 오픈소스	에이전트 툴킷 프레임워크	2025년 초
OpenAgent	오픈소스 커뮤니티	범용 에이전트 표준	2025년 중반

MCP: 모델과 도구를 잇는 통로

개발 주체는 Anthropic이고, 핵심 목표는 AI 모델과 외부 데이터 소스·도구 간의 표준화된 컨텍스트 교환이다. 아키텍처는 클라이언트-서버 모델 기반의 JSON-RPC 2.0 프로토콜을 채택했고, 라이선스는 MIT 오픈소스다.

주요 구성 요소는 네 가지다. 사용자가 직접 상호작용하는 LLM 애플리케이션(Claude Desktop, IDE 등)인 MCP Host, 프로토콜 내에서 서버와 1:1 연결을 유지하는 MCP Client, 특정 기능을 노출하는 경량 프로그램인 MCP Server, stdio·HTTP/SSE·WebSocket 등 다양한 전송 방식을 지원하는 Transport Layer다.

핵심 기능으로는 파일·DB·API 응답 등 데이터 소스를 노출하는 Resources, 함수 호출로 외부 시스템 작업을 실행하는 Tools, 재사용 가능한 프롬프트 템플릿을 공유하는 Prompts, 서버에서 LLM 완성 요청을 지원하는 Sampling이 있다.

from mcp.server import Server
from mcp.server.models import InitializationOptions
import mcp.server.stdio
import mcp.types as types

server = Server("example-server")

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="get_weather",
            description="현재 날씨 정보 조회",
            inputSchema={
                "type": "object",
                "properties": {
                    "location": {"type": "string", "description": "도시명"}
                },
                "required": ["location"]
            }
        )
    ]

@server.call_tool()
async def handle_call_tool(name: str, arguments: dict) -> list[types.TextContent]:
    if name == "get_weather":
        location = arguments.get("location")
        # 실제 날씨 API 호출 로직
        return [types.TextContent(type="text", text=f"{location}의 날씨: 맑음, 22°C")]

채택 현황을 보면 Claude Desktop, VS Code Copilot, Cursor, Zed, Replit이 주요 채택 플랫폼이고, 2026년 3월 기준 3,000개 이상의 커뮤니티 MCP 서버가 등록됐다. OpenAI, Microsoft 등 경쟁사도 MCP 호환 인터페이스 제공을 시작하면서 표준화 영향력이 커지고 있다.

A2A: 에이전트끼리 태스크를 넘기는 법

개발 주체는 Google DeepMind이고, 핵심 목표는 서로 다른 AI 에이전트 간의 직접적이고 안전한 통신 채널 수립이다. 아키텍처는 HTTP 기반 RESTful API와 WebSocket 스트리밍을 병행하며, 태스크(Task) 중심의 비동기 워크플로우로 상태를 관리한다.

핵심 개념은 네 가지다. 에이전트 자신의 능력·엔드포인트·인증 방식을 기술하는 메타데이터인 Agent Card, 고유 ID와 상태(submitted, working, completed, failed)를 갖는 에이전트 간 작업 단위인 Task, 태스크 수행 결과물(파일, 데이터, 메시지 등)인 Artifact, 텍스트·파일·구조화 데이터 등 멀티파트 콘텐츠를 지원하는 Part다.

⤢✕

보안 모델은 OAuth 2.0·API Key·JWT 토큰 인증을 지원하고, Capability Negotiation으로 세밀한 권한 범위를 제어하며, Google Workspace·Vertex AI와 네이티브로 통합된다. MCP와의 차이점은 명확하다. MCP는 모델과 도구 간의 수직적 연동(도구를 모델에게 노출)이고 A2A는 에이전트와 에이전트 간의 수평적 협업(에이전트끼리 태스크 위임)이다. 두 프로토콜은 동시에 쓸 수 있는 상호 보완 관계로, A2A로 에이전트 통신을 처리하고 MCP로 도구를 연동하는 조합이 가능하다.

ACP: 벤더 중립을 표방한 기업용 표준

개발 주체는 IBM Research와 Linux Foundation AI & Data의 공동 주도이고, 핵심 목표는 벤더 중립적인 범용 에이전트 통신 표준 수립이다. 설계 원칙은 언어·프레임워크·클라우드 플랫폼에 독립적인 인터페이스다.

주요 특징으로는 JSON-LD 기반 구조화된 메시지 스키마를 채택한 메시지 포맷, 중앙화된 에이전트 디렉토리 서비스를 지원하는 레지스트리, HTTP REST·gRPC·MQTT 등 다양한 전송 프로토콜을 추상화하는 다중 전송, IBM의 오픈소스 구현체로 ACP 레퍼런스 구현을 제공하는 BeeAI 프레임워크가 있다.

{
  "message_id": "msg-uuid-001",
  "sender_agent_id": "agent-a",
  "receiver_agent_id": "agent-b",
  "message_type": "request",
  "content": {
    "task": "data_analysis",
    "payload": {
      "dataset": "sales_q1_2026.csv",
      "operations": ["summarize", "trend_analysis"]
    }
  },
  "metadata": {
    "timestamp": "2026-03-19T09:00:00Z",
    "priority": "high",
    "ttl": 3600
  }
}

엔터프라이즈 적합성 측면에서는 모든 에이전트 간 메시지 이력 추적이 내장된 감사 로그, 조직 내 에이전트 통신 정책을 적용할 수 있는 정책 엔진, 기업 환경에서 에이전트를 격리·네임스페이싱하는 멀티테넌시를 갖췄다. Red Hat OpenShift AI, IBM watsonx, 대형 금융기관이 파일럿을 진행 중인 주요 채택사로 꼽힌다.

MPP: 에이전트가 스스로 결제하게 하는 계층

개발 배경은 AI 에이전트가 자율적으로 서비스를 구매하고 비용을 지불하는 시나리오가 늘어난 데 있고, 핵심 목표는 에이전트 간 또는 에이전트-서비스 간 자율 결제 표준화다. 기반 기술은 블록체인 스마트 컨트랙트와 스테이블코인이다.

핵심 개념은 예산 한도를 설정할 수 있는 가상 지갑인 Agent Wallet, 빈번한 소액 결제를 위한 오프체인 채널인 Micropayment Channel, 결제 전 의도를 선언해 사용자 승인 흐름을 지원하는 Payment Intent, 조직이 에이전트 지출 한도와 허용 카테고리를 정의하는 Spending Policy다.

⤢✕

보안·거버넌스로는 고액 결제 시 복수 승인자를 요구할 수 있는 다중 서명, 이뮤터블 블록체인 레저에 모든 거래를 기록하는 감사 추적, 에이전트별 비용을 추적·리포팅하는 지출 분석, 비정상 결제 패턴을 실시간 감지·차단하는 사기 탐지가 있다. 주요 사용 사례로는 에이전트가 외부 API 사용 비용을 직접 지불하는 것, 에이전트 간 컴퓨팅 자원 매매, 데이터 마켓플레이스에서 에이전트가 자율적으로 데이터를 구매하는 것, AI 서비스 중개 플랫폼에서의 수익 분배가 있다.

AgentKit: 온체인 기능을 위한 툴킷

개발 배경은 단일 에이전트 구현을 넘어 재사용 가능한 도구 생태계가 필요해진 데 있고, 핵심 목표는 에이전트 기능 모듈화와 표준화된 툴킷 인터페이스 제공이다. 설계 원칙은 플러그인 아키텍처로 기능 조합의 유연성을 극대화하는 것이다.

핵심 구성 요소는 에이전트가 수행할 수 있는 단위 작업을 정의하는 Action, 연관된 Action의 논리적 묶음인 ActionProvider, 블록체인 연동을 위한 지갑 추상화 레이어인 Wallet, 에이전트가 작동할 블록체인·서비스 네트워크를 지정하는 Network다.

from agentkit import AgentKit, ActionProvider, Action
from agentkit.types import ActionResult

class WebSearchProvider(ActionProvider):
    name = "web_search"
    description = "웹 검색 기능 제공"

    @Action(
        name="search",
        description="키워드로 웹 검색 수행",
        schema={
            "query": {"type": "string", "description": "검색어"},
            "max_results": {"type": "integer", "default": 5}
        }
    )
    async def search(self, query: str, max_results: int = 5) -> ActionResult:
        # 실제 검색 로직
        results = await self._perform_search(query, max_results)
        return ActionResult(success=True, data=results)

# AgentKit 초기화
kit = AgentKit(
    providers=[WebSearchProvider()],
    llm_model="claude-3-7-sonnet"
)

agent = kit.create_agent(
    name="research-agent",
    system_prompt="당신은 웹 리서치 전문 에이전트입니다."
)

주요 특징으로는 CDP(Coinbase Developer Platform) 네이티브 지원인 Coinbase 온체인 연동, OpenAI·Anthropic·Google 등 주요 모델 프로바이더를 추상화하는 멀티 LLM 지원, LangChain·LlamaIndex·CrewAI 등과 호환되는 프레임워크 통합, 로컬 시뮬레이션 환경에서 에이전트 행동을 검증하는 테스트 도구가 있다.

OpenAgent: 특정 기업에 종속되지 않는 표준

개발 주체는 오픈소스 커뮤니티 주도이고 특정 기업에 종속되지 않는 거버넌스를 갖는다. 핵심 목표는 상업적 이해관계에서 독립된 AI 에이전트 범용 표준 수립이고, 설계 원칙은 최소 공통 분모 방식으로 다양한 구현체와의 호환성을 우선하는 것이다.

핵심 스펙은 DID(Decentralized Identifier) 기반 전역 고유 식별인 에이전트 식별자, JSON Schema로 에이전트 기능과 제약 조건을 명시하는 능력 선언, 라우팅·암호화·서명을 포함한 표준화된 메시지 래퍼인 메시지 엔벨로프, 분산 에이전트 레지스트리를 통한 에이전트 탐색인 검색 프로토콜이다.

openagent_version: "1.0"
agent:
  id: "did:web:example.com:agents:data-analyst"
  name: "데이터 분석 에이전트"
  version: "2.1.0"
  description: "CSV, JSON 데이터 분석 및 시각화 전문"

capabilities:
  - id: "analyze_data"
    input_schema:
      type: object
      properties:
        data_url: { type: string, format: uri }
        analysis_type: { type: string, enum: ["summary", "trend", "anomaly"] }
    output_schema:
      type: object
      properties:
        report: { type: string }
        charts: { type: array, items: { type: string, format: uri } }

endpoints:
  - protocol: "https"
    url: "https://example.com/agents/data-analyst"
  - protocol: "a2a"
    url: "a2a://example.com/agents/data-analyst"

authentication:
  methods: ["bearer_token", "api_key"]

거버넌스·채택 현황으로는 W3C AI Agent Community Group과 협력해 웹 표준 편입을 추진하는 표준화 기구, 중소 AI 스타트업과 학술 기관 중심으로 늘고 있는 참여 기업, Python·TypeScript·Rust 레퍼런스 구현체, 대형 플랫폼 기업의 소극적 참여로 생태계 규모가 제한적이라는 한계가 있다.

MCP·A2A·ACP·MPP·AgentKit·OpenAgent가 맞물리는 지점

⤢✕

통합 아키텍처 패턴으로는 A2A로 에이전트를 조정하고 MCP로 도구에 접근하며 MPP로 비용을 처리하는 레이어드 통합, 프로토콜 변환 게이트웨이로 이기종 에이전트를 연동하는 게이트웨이 패턴, 각 프로토콜별 어댑터로 레거시 시스템을 통합하는 어댑터 패턴, 프로토콜에 독립적인 이벤트 기반 에이전트 조율인 이벤트 버스가 쓰인다.

2026년 3월 기준 주요 호환성 현황은 다음과 같다.

	MCP	A2A	ACP	MPP	AgentKit	OpenAgent
MCP	-	부분	부분	미지원	지원	부분
A2A	부분	-	부분	실험적	지원	부분
ACP	부분	부분	-	미지원	부분	지원
OpenAgent	부분	부분	지원	미지원	부분	-

구현 전에 챙길 체크리스트

환경 설정 체크리스트는 프로토콜별로 다르다. MCP는 mcp Python SDK 또는 TypeScript SDK 설치와 MCP Inspector 디버깅 도구 설정이 필요하고, A2A는 Google A2A SDK 설치와 /.well-known/agent.json Agent Card 엔드포인트 구성이 필요하다. ACP는 BeeAI 프레임워크 또는 ACP 레퍼런스 구현 설치와 레지스트리 서버 설정이, MPP는 블록체인 노드 연결 설정과 지갑 키 관리 시스템 구축이, AgentKit은 AgentKit SDK 설치와 LLM 프로바이더 API 키 설정이, OpenAgent는 DID 생성·등록과 에이전트 메니페스트 작성이 각각 필요하다.

공통 개발 원칙으로는 프로토콜 변경에 대비한 추상화 레이어를 두는 인터페이스 우선 설계, 모든 에이전트 통신을 비동기 패턴으로 구현하는 것, 타임아웃·재시도·서킷 브레이커 패턴을 필수 적용하는 에러 처리, 분산 추적(OpenTelemetry)·구조화 로깅·메트릭 수집을 내장하는 관찰 가능성, 모든 통신에 TLS를 적용하고 최소 권한 원칙·입력값 검증을 지키는 보안이 있다.

테스트 전략은 각 프로토콜 핸들러를 독립적으로 검증하는 단위 테스트, 에이전트 간 실제 프로토콜 통신을 검증하는 통합 테스트, Pact 등으로 프로토콜 계약 준수를 검증하는 계약 테스트, 다수 에이전트의 동시 통신 시나리오를 검증하는 부하 테스트로 구성된다. 모니터링·운영에서는 프로토콜별 상태 확인 엔드포인트를 구현하는 에이전트 헬스체크, 에이전트 간 메시지 흐름을 시각화하는 메시지 추적, MPP 사용 시 지출 대시보드를 운영하는 비용 모니터링, 오류·타임아웃·비정상 패턴 감지 시 즉시 알리는 알림 설정이 필요하다.

무엇을 골라야 하나

사용 사례별 권장 프로토콜은 다음과 같다.

시나리오	권장 프로토콜	이유
Claude/OpenAI 도구 연동	MCP	가장 넓은 생태계와 도구 지원
구글 클라우드 기반 멀티 에이전트	A2A	Vertex AI 네이티브 통합
엔터프라이즈 IBM 환경	ACP	엔터프라이즈 보안 및 거버넌스
자율 결제 필요 에이전트	MPP	유일한 표준 결제 프로토콜
온체인 기능 필요 에이전트	AgentKit	블록체인 연동 최적화
벤더 중립 소규모 프로젝트	OpenAgent	특정 플랫폼 종속 회피

프로토콜 성숙도로 보면 MCP는 프로덕션 준비가 끝난 가장 성숙한 생태계로 권장되고, A2A는 빠르게 성장 중이라 구글 생태계 사용자에게 강력히 권장된다. ACP는 엔터프라이즈 환경에서 검증 중이며 안정적이지만 생태계 규모가 작고, MPP는 실험적 단계라 프로덕션 도입 시 충분한 검증이 필요하다. AgentKit은 블록체인 연동 목적으로는 성숙했지만 일반 용도는 다른 프로토콜이 선호되고, OpenAgent는 커뮤니티 주도로 성장 중이라 벤더 중립성이 중요한 경우 채택을 검토할 만하다.

마이그레이션을 고려할 때는 새로운 기능부터 표준 프로토콜을 적용하고 기존 시스템은 어댑터로 연동하는 점진적 도입, 프로토콜 버전 변경에 대비한 하위 호환성 보장 설계인 버전 관리, 특정 기업 프로토콜 의존도를 낮추는 추상화 레이어 유지로 표현되는 벤더 종속 위험 관리, 채택 전 팀의 프로토콜 학습 곡선과 운영 역량을 평가하는 팀 역량 점검이 필요하다.

AI 에이전트 프로토콜 생태계는 2026년 현재 빠른 속도로 발전하고 있으며, 아직 단일 표준이 모든 요구를 만족하는 상황에 이르지 못한 과도기에 있다. MCP와 A2A가 각각 도구 연동과 에이전트 통신 영역에서 사실상의 표준으로 자리잡아 가는 추세이며, 개발자는 특정 프로토콜에 과도하게 종속되지 않는 유연한 설계를 유지하는 것이 중요하다. 생태계의 변화를 지속적으로 모니터링하면서 프로젝트의 특성과 팀의 역량에 맞는 프로토콜을 선택하고, 표준화가 성숙해감에 따라 통합 전략을 점진적으로 발전시켜 나가는 접근이 현 시점에서 가장 현명한 선택이다.