콘텐츠로 이동

활용 쿡북

바른 MCP 활용 쿡북 — 연결한 다음 무엇을 하나

바른 MCP 서버를 AI 도구에 연결했다면, 이제 무엇을 시킬 수 있을까요. 이 문서는 실제로 물어보고 받은 응답으로 사례를 보여 줍니다. 지어낸 예시는 없습니다.

연결은 주소 한 줄입니다

{
  "mcpServers": {
    "bareun": {
      "url": "https://api.bareun.ai:443/mcp",
      "headers": { "api-key": "발급받은_API_키" }
    }
  }
}

도구별 등록 방법은 AI 도구에 등록하기를 보세요. API 키는 bareun.ai 에서 무료로 발급받습니다.

AI 가 한국어에서 지는 세 지점

AI 언어 모델은 한국어를 잘 다루지만, 구조적으로 못 하는 일이 셋 있습니다. 바른 MCP 의 사례는 모두 이 셋 중 하나를 메우는 이야기입니다.

못 하는 일 왜 메우는 도구
글자를 자소로 쪼개 보기 모델은 글자를 통째로 다뤄 받침·모음 조건을 검사하지 못합니다 search_dict
고친 근거 대기 "어색해서 고쳤다"까지는 말하지만, 어느 규정인지는 지어냅니다 correct_grammar
같은 글자의 다른 뜻 가리기 앞뒤 문맥으로 짐작할 뿐, 사전 의미 번호를 붙이지는 못합니다 analyze_syntax (with_sense)

사례 1 — 라임 사전: 붙이고 싶은 말에 어울리는 말 찾기

가사·시·광고 카피를 쓸 때 "사랑에 라임이 맞는 말"이 필요합니다. 그런데 이건 AI 가 혼자서는 못 하는 대표적인 일입니다. 모델에게 "ㅏㅇ으로 끝나는 명사 200개"를 물으면 몇 개는 맞히지만 곧 지어내기 시작합니다. 받침이 무엇인지 글자를 뜯어볼 수단이 없기 때문입니다.

라임은 마지막 음절의 중성과 종성이 같은 것입니다. "사랑"이면 (ㅏ, ㅇ)이고, search_dict 패턴으로는 {/ㅏ/ㅇ} 입니다. 앞의 ? 는 아무 글자 한 개를 뜻합니다.

에이전트에게 이렇게 말해 보세요

  • "'사랑'이랑 라임 맞는 두 글자 명사를 우리말샘에서 찾아 줘"
  • "'바람'으로 끝나는 가사를 쓰려는데 붙일 수 있는 말을 모아 줘"
  • "'-둥이'로 끝나는 애칭을 전부 뽑아서 어감별로 갈라 줘"

라임은 세게 맞출수록 후보가 줄어듭니다. 세 단계로 나눠 쓰면 좋습니다.

끝음절의 모음과 받침이 같은 두 글자 말입니다. 가장 넓은 그물입니다.

{ "name": "search_dict",
  "arguments": { "pattern": "?{/ㅏ/ㅇ}", "pos": ["명사"], "std_only": true } }

실제 응답 — 전체 2,451건. 뜻이 많은 순으로 추리면:

사장, 사상, 고장, 대장, 구장, 도장, 반상, 대상, 관장, 단장,
가장, 경상, 대방, 부장, 개장, 경장, 계장, 고상, 구상, 기장 …

앞 음절의 모음까지 맞추면 훨씬 찰지게 붙습니다. 앞 음절은 받침 없이(-) 모음만 ㅏ 로 고정했습니다.

{ "name": "search_dict",
  "arguments": { "pattern": "{/ㅏ/-}{/ㅏ/ㅇ}", "pos": ["명사"], "std_only": true } }

실제 응답 — 전체 92건으로 확 줄어듭니다.

사장, 사상, 가장, 가상, 사랑, 사망, 사방, 가방, 자장, 마장,
사창, 하상, 가망, 사당, 차장, 바탕, 자망, 자상, 차상, 파장 …

한 마디를 길게 끌고 싶을 때 씁니다.

{ "name": "search_dict",
  "arguments": { "pattern": "??{/ㅏ/ㅇ}", "pos": ["명사"], "std_only": true } }

실제 응답 — 전체 5,666건. 각설탕·거울상·그물망·겨드랑 같은 말이 나옵니다.

결과가 가나다순이라 희귀어가 앞에 옵니다

사전 검색 결과는 가나다순이라 그대로 받으면 "가앙·각강·간낭" 같은 낯선 말이 먼저 보입니다. 응답의 senseCount(뜻 개수)가 많은 순으로 정렬하면 쓸 만한 말이 위로 올라옵니다. 에이전트에게 "자주 쓰는 말 위주로 골라 줘" 라고 덧붙이면 됩니다.

입력한 말 자신도 결과에 섞입니다(위 리치 라임의 사랑). 빼 달라고 하면 됩니다.

후보가 아주 많으면 목록이 가나다순 앞부분에서 잘립니다. 응답의 truncated 가 그 사실을 알려 주고, totalMatched 는 잘려도 전체 개수를 정확히 답니다. 이럴 때는 조건을 좁히세요(앞 모음까지 맞추기, 글자 수 지정).

받침을 느슨하게 풀기

완전히 같은 받침만 고집하면 후보가 마릅니다. ㅇ·ㄴ·ㅁ 은 모두 콧소리라 서로 바꿔 써도 귀에 붙습니다. 대괄호로 여러 자모를 함께 걸 수 있습니다.

{ "name": "search_dict",
  "arguments": { "pattern": "*{/ㅏ/[ㅇㄴㅁ]}", "pos": ["명사"], "std_only": true } }

실제 응답에서 한 글자 말만 추리면 이렇습니다.

간, 감, 강, 깐, 깡, 난, 남, 낭, 단, 담, 당, 딴, 땀, 땅,
란, 랑, 만, 맘, 망, 반, 밤, 방, 빵, 산, 삼, 상, 쌈, 쌍 …

후보를 빠짐없이 모으는 일은 검색이, 어느 것이 어울리는지 고르는 일은 모델이 합니다.

사례 2 — 교정: 무엇을 왜 고쳤는지 규정 조항으로 답합니다

AI 에게 맞춤법을 고쳐 달라고 하면 문장을 통째로 다시 씁니다. 문체가 바뀌고, 고친 자리를 물어도 "어색해서요" 정도로 답합니다. 규정 조항을 물으면 그럴듯한 번호를 지어냅니다.

correct_grammar 는 고친 자리만 짚고, 그 근거로 한글맞춤법 조항을 답니다.

음성 인식·자막 원고 다듬기

회의 녹음을 받아쓴 원고나 자동 자막은 띄어쓰기가 통째로 뭉개져 옵니다.

실제 호출과 응답

{ "name": "correct_grammar",
  "arguments": { "text": "회의록초안을공유드립니다내일까지검토부탁드리겠습니다" } }

원문: 회의록초안을공유드립니다내일까지검토부탁드리겠습니다
교정: 회의록 초안을 공유드립니다. 내일까지 검토 부탁드리겠습니다.
고친 자리 결과 종류
문장 전체 회의록 초안을 공유드립니다 내일까지 검토 부탁드리겠습니다 띄어쓰기
공유드립니다 공유드립니다. 문장 부호
부탁드리겠습니다 부탁드리겠습니다. 문장 부호

함께 실려 온 근거:

  • 문장의 각 단어는 띄어 씀을 원칙으로 한다. (한글맞춤법, 제1장 총칙, 제2항)
  • 종결 어미를 사용한 서술, 명령, 청유 등을 나타내는 문장의 끝에 마침표를 사용합니다. (한글맞춤법, 제6장 그 밖의 것, 부록, 문장 부호, 마침표, 물음표)

띄어쓰기를 복원하면서 문장 경계까지 찾아 마침표를 넣었습니다. 받아쓴 원고에는 문장 부호가 아예 없기 때문에 이 부분이 특히 손이 많이 가는 일입니다.

AI 가 쓴 원고 검수하기

AI 로 초고를 쓰고 사람이 다듬는 방식이 흔해졌습니다. 그런데 AI 가 쓴 한국어에도 띄어쓰기 오류가 남습니다. 같은 모델에게 검수를 맡기면 자기 출력에 관대해 그냥 지나칩니다.

실제 호출과 응답

{ "name": "correct_grammar",
  "arguments": { "text": "이 기능은 사용자로 하여금 보다 나은 경험을 제공할수 있도록 도와줍니다." } }

교정: 이 기능은 사용자로 하여금 보다 나은 경험을 제공할 수 있도록 도와줍니다.
  · 제공할수 → 제공할 수   (띄어쓰기)

근거: 문장의 각 단어는 띄어 씀을 원칙으로 한다. (한글맞춤법, 제1장 총칙, 제2항)

고친 곳은 한 군데뿐이고 나머지 문장은 글자 하나 건드리지 않았습니다. 원고의 문체를 지켜야 하는 편집 작업에서 이 점이 중요합니다.

에이전트에게 이렇게 말해 보세요

  • "이 회의록 초안 맞춤법 봐 주고, 고친 자리마다 어떤 규정인지 같이 알려 줘"
  • "방금 네가 쓴 글을 바른으로 검수해서 고칠 곳만 표로 정리해 줘"
  • "자막 파일 문장들을 한 줄씩 교정하고 원문과 나란히 보여 줘"

사례 3 — 동음이의어: 검색과 분류가 헛짚지 않게

사내 문서를 AI 로 검색하거나 분류할 때, 같은 글자의 다른 뜻이 섞여 들어옵니다. "배 수출 실적"을 찾으면 선박·과일·복부가 한데 나옵니다. 품사는 셋 다 NNG 라 형태소 분석만으로는 갈리지 않습니다.

analyze_syntax 에 with_sense 를 켜면 형태소마다 사전 의미 번호(어깨번호)와 뜻풀이가 붙습니다.

실제 호출과 응답

{ "name": "analyze_syntax",
  "arguments": { "text": "회사 앞 다리 근처에서 다리를 다쳤다.", "with_sense": true } }
형태소 어깨번호 확률 뜻풀이
다리 __005 0.45 물을 건너거나 … 건너다닐 수 있도록 만든 시설물
다리 __001 0.91 사람이나 동물의 몸통 아래 붙어 있는 신체의 부분

같은 문장 안의 같은 글자를 서로 다른 뜻으로 갈랐습니다. 앞의 것은 다리(橋), 뒤의 것은 다리(脚) 입니다.

이렇게 하면 문서를 색인할 때 글자가 아니라 뜻으로 넣을 수 있습니다. "다리(橋)" 로 색인된 문서는 부상 관련 검색에 걸리지 않습니다.

에이전트에게 이렇게 말해 보세요

  • "이 문서들에서 '배'가 어떤 뜻으로 쓰였는지 문장별로 갈라 줘"
  • "회의록에서 '대리'가 직급인지 대신하는 행위인지 표시해 줘"
  • "검색 색인을 만들 건데, 각 명사에 사전 의미 번호를 붙여서 뽑아 줘"

베타 기능입니다 — 확률을 함께 보세요

의미 구분은 베타이고 틀릴 때가 있습니다. 응답의 확률(probability)이 신뢰도를 말해 줍니다.

실제로 "이번 사업의 눈은 눈이 내리기 전에 끝내는 것이다"를 분석하면, 앞의 눈(요점)에 신체의 눈을 확률 0.25 로 붙입니다. 낮은 값이 곧 "확신하지 못했다"는 신호입니다.

실무 기준으로는 0.9 이상이면 그대로 쓰고, 0.5 아래면 사람이 확인하는 정도가 무난합니다. 한계는 동형이의어 의미 구분 API에 정리돼 있습니다.

사례 4 — 유튜브 제작자: 자막부터 해시태그까지

영상 하나를 올리려면 자막을 다듬고, 제목을 정하고, 설명과 해시태그를 씁니다. 대본을 쓰는 일은 AI 가 잘 돕지만, 한국어를 글자 단위로 손봐야 하는 일은 앞선 세 사례 그대로 막힙니다. 편집 순서대로 따라가 봅니다.

1) 자동 자막 다듬기

유튜브 자동 자막은 말하는 대로 받아써서 띄어쓰기가 뭉개지고 문장 부호가 없습니다. 말투(-요, -는데요)는 그대로 두면서 띄어쓰기만 바로잡아야 하는데, AI 에게 맡기면 문장을 다시 써서 화자의 말투가 사라집니다.

실제 호출과 응답

{ "name": "correct_grammar",
  "arguments": { "text": "오늘은요 제가 진짜 오랜만에 카메라를들고 나왔는데요 날씨가너무좋아서" } }

교정: 오늘은요 제가 진짜 오랜만에 카메라를 들고나왔는데요 날씨가 너무 좋아서

"오늘은요", "나왔는데요" 같은 말투는 그대로 두고 붙어 있던 자리만 뗐습니다.

함께 온 근거 가운데 하나는 이렇습니다.

  • 보조용언이 결합된 모양과 비슷하지만, 사전에 등재된 용언은 붙여 쓴다. (한글맞춤법, 제5장 띄어쓰기, 제2절 고유 명사 및 전문 용어, 제43항)

"들고 나왔는데요"를 "들고나왔는데요"로 붙인 이유입니다. 띄어쓰기 교정이 무조건 떼는 것이 아니라 규정에 따라 붙이기도 한다는 것을 근거로 확인할 수 있습니다.

채널 고정 문구도 자주 붙어 옵니다.

원문: 구독과좋아요 알림설정까지 부탁드리겠습니다
교정: 구독과 좋아요 알림 설정까지 부탁드리겠습니다.

에이전트에게 이렇게 말해 보세요

  • "이 자막 파일의 대사만 교정하고 타임코드는 그대로 둬"
  • "말투는 살리고 띄어쓰기만 고쳐 줘"
  • "고친 자리를 원문과 나란히 표로 보여 줘"

2) 대본에서 해시태그 뽑기

영상 설명에 넣을 태그를 손으로 고르면 빠뜨립니다. 대본을 형태소 분석해 명사만 세면 실제로 많이 말한 것이 위로 올라옵니다.

실제 응답

성수동 카페 투어 대본(6문장)을 분석해 일반명사·고유명사만 센 결과입니다.

#카페(5)  #성수동(3)  #투어(2)  #티라미수(2)  #서울(1)  #상권(1)
#디저트(1)  #커피(1)  #베이글(1)  #맛집(1)  #웨이팅(1)

"성수동"이 고유명사로 잡혀 지역 태그가 자동으로 나옵니다. 오늘·요즘·정도 같은 말도 명사로 잡히므로, 두 번 이상 나온 것만 쓰거나 에이전트에게 "영상 주제와 관계있는 것만 골라 줘"라고 이어 붙이면 됩니다.

3) 코너명·채널명 짓기

시리즈 코너 이름은 같은 꼴로 맞추면 기억에 남습니다. "-지기"로 끝나는 말을 모아 보면 이런 후보가 나옵니다.

{ "name": "search_dict",
  "arguments": { "pattern": "지기", "anchor": "suffix", "pos": ["명사"], "std_only": true } }

실제 응답 — 전체 204건. 등대지기·창고지기·문지기처럼 "무엇을 지키는 사람"이라는 결이 한눈에 모입니다.

지으려는 이름이 이미 있는 말인지도 확인할 수 있습니다. 뜻이 겹치면 검색에서 엉뚱한 결과와 섞이기 때문입니다.

{ "name": "search_dict",
  "arguments": { "pattern": "온다감", "anchor": "word", "count_only": true } }

실제 응답은 0건입니다. 우리말샘에 없는 새 말이므로 기존 낱말과 부딪히지 않습니다.

에이전트에게 이렇게 말해 보세요

  • "'-지기'로 끝나는 말을 모아서 코너 이름 후보를 만들어 줘"
  • "이 채널명이 사전에 있는 말인지 확인해 줘"
  • "영상 제목에 운을 맞추고 싶은데 '먹방'이랑 소리가 맞는 두 글자 말 찾아 줘"

결과를 읽는 법

에이전트가 답의 근거를 보여 줄 때 그대로 인용할 수 있는 값들입니다.

도구 필드 무엇에 쓰나
search_dict totalMatched 조건에 맞는 전체 개수. 목록이 잘려도 이 수는 정확합니다
search_dict senseCount 뜻 개수. 많을수록 흔한 말이라 정렬 기준으로 좋습니다
search_dict scanned 훑은 사전 항목 수. "우리말샘 전수 검색"의 근거입니다
correct_grammar revisedBlocks 고친 자리와 종류. 원문과 대조표를 만들 때 씁니다
correct_grammar helps[].ruleArticle 한글맞춤법 조항. 교열 근거로 그대로 인용합니다
analyze_syntax sense.probability 의미 선택 확률. 낮으면 사람이 확인합니다

이어서 볼 문서

자주 묻는 질문

Q. AI 에게 그냥 물어보는 것과 무엇이 다른가요?

A. 세 가지가 다릅니다. 첫째, 라임이나 받침 조건처럼 글자를 자소로 쪼개야 하는 일은 모델이 구조적으로 못 합니다. 둘째, 교정의 근거가 되는 규정 조항을 모델은 지어내지만 바른은 실제 한글맞춤법 조항을 답니다. 셋째, 같은 글자의 다른 뜻에 사전 의미 번호를 붙여 줍니다.

Q. 라임을 찾을 때 후보가 너무 많습니다.

A. 세게 걸수록 줄어듭니다. 끝음절만 맞추면 2,451건이지만 앞 음절의 모음까지 맞추면 92건으로 줄어듭니다. 반대로 후보가 마르면 받침을 [ㅇㄴㅁ] 처럼 비슷한 소리끼리 묶어 느슨하게 푸세요.

Q. 교정 결과에서 규정 조항은 어디에 있나요?

A. 응답의 helps 에 실립니다. 고친 자리마다 어떤 규정을 적용했는지 helpId 로 이어지고, 각 규정에는 설명(comment)·조항(ruleArticle)·예시(examples)가 들어 있습니다.

Q. 의미 구분이 틀렸습니다.

A. 베타 기능이라 틀릴 때가 있습니다. 응답의 확률을 함께 보세요. 확률이 0.5 아래면 모델이 확신하지 못한 것이므로 사람이 확인하는 편이 좋습니다.

Q. 유튜브 자막을 고치면 말투까지 바뀌지 않나요?

A. 바뀌지 않습니다. correct_grammar 는 맞춤법·띄어쓰기가 어긋난 자리만 고칩니다. "오늘은요", "나왔는데요" 같은 말투는 그대로 두고 붙어 있던 자리만 뗍니다. AI 에게 통째로 다시 쓰게 하는 것과 이 점이 다릅니다.

Q. AI 가 알아서 이 도구들을 골라 쓰나요?

A. 대체로 그렇습니다. 맞춤법·띄어쓰기 요청에는 correct_grammar 를, 받침이나 끝소리 조건에는 search_dict 를 고릅니다. 확실히 하려면 "바른으로 교정해 줘", "우리말샘에서 찾아 줘"처럼 말하면 됩니다.

도움이 되었나요?