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.

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

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.

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.

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

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

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

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

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

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

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.

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

원문: 회의록초안을공유드립니다내일까지검토부탁드리겠습니다
교정: 회의록 초안을 공유드립니다. 내일까지 검토 부탁드리겠습니다.

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.

{ "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)

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

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.

{ "name": "analyze_syntax",
  "arguments": { "text": "회사 앞 다리 근처에서 다리를 다쳤다.", "with_sense": true } }

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

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.

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

교정: 오늘은요 제가 진짜 오랜만에 카메라를 들고나왔는데요 날씨가 너무 좋아서

채널 고정 문구도 자주 붙어 옵니다.

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

2) 대본에서 해시태그 뽑기

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

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

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.

결과를 읽는 법

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

이어서 볼 문서

• MCP 서버 개요와 도구 목록 — 도구 6종의 전체 입력·옵션
• 음소 검색 활용하기 — 자소 검색의 더 많은 사례(불규칙 활용 연구, 초성 퀴즈, 사전 감사)
• 동형이의어 의미 구분 API — 의미 구분의 정확도와 한계

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.