멀티 모델 어드바이저 MCP 서버

“멀티 모델 어드바이저” MCP 서버란 무엇을 하나요?

멀티 모델 어드바이저 MCP 서버는 AI 어시스턴트가 여러 개의 로컬 Ollama 모델에 동시에 연결할 수 있도록 해주는 모델 컨텍스트 프로토콜(MCP) 서버입니다. 이를 통해 여러 모델에 동시에 질의하고, 답변을 결합할 수 있습니다. 이런 접근 방식은 “어드바이저 위원회"로 불리며, Claude와 같은 AI 시스템이 다양한 모델의 관점을 종합하여 더욱 포괄적이고 미묘한 사용자 답변을 생성할 수 있게 해줍니다. 각 모델마다 역할 또는 페르소나를 부여할 수 있고, 시스템 프롬프트를 맞춤화할 수 있으며, Claude for Desktop과 같은 환경에도 자연스럽게 통합됩니다. 개발 워크플로우에서는 모델 의견 집계, 고급 의사결정 지원, 여러 AI 소스에서 더 풍부한 맥락 정보를 제공하는 역할을 합니다.

프롬프트 목록

• ⛔ 저장소나 README에 명시된 프롬프트 템플릿이 없습니다.

비즈니스 성장 준비가 되셨나요?

오늘 무료 평가판을 시작하고 며칠 내로 결과를 확인하세요.

데모 요청 로그인

리소스 목록

• ⛔ 저장소나 문서에 특정 MCP 리소스가 나열되어 있지 않습니다.

도구 목록

• ⛔ 저장소의 server.py 같은 파일이나 README, 파일 트리에서 도구 목록 또는 인터페이스가 명시되어 있지 않습니다.

뉴스레터 가입

최신 팁, 트렌드 및 특가 정보를 무료로 받아보세요.

이메일 주소

구독

이 MCP 서버의 활용 사례

• 모델 의견 집계: 개발자는 여러 Ollama 모델의 다양한 관점을 한 질문에 대해 받아볼 수 있어, 보다 균형 잡히고 정보에 기반한 의사결정을 할 수 있습니다.
• 역할 기반 질의: 각 모델에 다른 역할이나 페르소나를 부여함으로써, 다양한 전문가 관점의 시나리오 분석이나 브레인스토밍을 할 수 있습니다.
• 시스템 모델 개요: 시스템에 등록된 모든 Ollama 모델을 한눈에 보고, 목적에 맞는 조합을 선택할 수 있습니다.
• 협업 AI 의사결정: “어드바이저 위원회” 접근 방식은 다양한 모델의 출력을 종합하여 복잡한 문제 해결이나 합의가 필요한 상황에 유용합니다.
• 워크플로우 통합: Claude for Desktop 등 MCP 호환 클라이언트와의 완벽한 통합으로, 개발자 생산성을 높이고 멀티 모델 인사이트에 손쉽게 접근할 수 있습니다.

설치 방법

Windsurf

1. Node.js 16.x 이상이 설치되어 있는지 확인합니다.
2. Ollama를 설치 및 실행하고, 필요한 모델이 준비되어 있는지 확인합니다.
3. Windsurf 설정 파일을 편집하여 멀티 모델 어드바이저 MCP 서버를 추가합니다.
4. mcpServers 섹션에 다음의 JSON 스니펫을 추가합니다:

   {
     "multi-ai-advisor-mcp": {
       "command": "npx",
       "args": ["@YuChenSSR/multi-ai-advisor-mcp@latest"],
       "env": {
         "OLLAMA_HOST": "http://localhost:11434"
       }
     }
   }
   

5. 설정을 저장하고 Windsurf를 재시작합니다.
6. 서버가 정상적으로 실행되고 접근 가능한지 확인합니다.

Claude

1. Node.js 16.x 이상을 설치합니다.
2. Ollama가 실행 중이며, 필요한 모델이 준비되어 있는지 확인합니다.
3. Smithery를 이용해 한 번에 설치합니다:

   npx -y @smithery/cli install @YuChenSSR/multi-ai-advisor-mcp --client claude
   

4. 또는 Claude MCP 설정에 다음 블록을 추가합니다:

   {
     "multi-ai-advisor-mcp": {
       "command": "npx",
       "args": ["@YuChenSSR/multi-ai-advisor-mcp@latest"],
       "env": {
         "OLLAMA_HOST": "http://localhost:11434"
       }
     }
   }
   

5. 저장 후 Claude를 재시작하고 통합이 정상적으로 동작하는지 확인합니다.

Cursor

1. Node.js와 Ollama를 설치합니다.
2. Cursor의 MCP 서버 설정을 편집하여 다음을 포함합니다:

   {
     "multi-ai-advisor-mcp": {
       "command": "npx",
       "args": ["@YuChenSSR/multi-ai-advisor-mcp@latest"],
       "env": {
         "OLLAMA_HOST": "http://localhost:11434"
       }
     }
   }
   

3. 설정을 저장하고, Cursor를 재시작한 뒤 MCP가 정상적으로 동작하는지 확인합니다.

Cline

1. Node.js, Ollama, 필요한 모델이 설치되어 있는지 확인합니다.
2. Cline의 MCP 설정 파일을 찾고 편집합니다.
3. 다음을 추가합니다:

   {
     "multi-ai-advisor-mcp": {
       "command": "npx",
       "args": ["@YuChenSSR/multi-ai-advisor-mcp@latest"],
       "env": {
         "OLLAMA_HOST": "http://localhost:11434"
       }
     }
   }
   

4. 저장 후 Cline을 재시작하고, MCP가 정상 동작하는지 확인합니다.

API 키 보안 관리

API 키나 민감한 환경변수를 보호하려면, 설정에서 env 필드를 사용하세요:

{
  "multi-ai-advisor-mcp": {
    "command": "npx",
    "args": ["@YuChenSSR/multi-ai-advisor-mcp@latest"],
    "env": {
      "OLLAMA_HOST": "http://localhost:11434",
      "MY_SECRET_API_KEY": "${MY_SECRET_API_KEY}"
    }
  }
}

환경변수는 OS나 CI/CD 파이프라인에서 설정하여, 코드나 설정 파일에 직접 비밀값을 작성하지 마세요.

플로우 내에서 MCP 사용법

FlowHunt에서 MCP 사용하기

FlowHunt 워크플로우에 MCP 서버를 통합하려면, 먼저 플로우에 MCP 컴포넌트를 추가하고 AI 에이전트에 연결하세요:

MCP 컴포넌트를 클릭해 설정 패널을 열고, 시스템 MCP 설정 섹션에서 아래와 같은 JSON 형식으로 MCP 서버 정보를 입력합니다:

{
  "multi-ai-advisor-mcp": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

설정이 완료되면, AI 에이전트는 이 MCP의 모든 기능을 도구로 활용할 수 있습니다. “multi-ai-advisor-mcp” 부분은 실제 MCP 서버 이름으로, URL은 본인의 MCP 서버 주소로 변경하세요.

요약

총평

멀티 모델 어드바이저 MCP는 설치 방법이 잘 문서화되어 있고, “어드바이저 위원회"라는 독특한 접근을 제공합니다. 다만, 프롬프트, 리소스, 도구 관련 투명성이 부족합니다. 멀티 모델 의사결정 워크플로우에는 큰 가치를 주지만, 기술적 세부 설명이 더 보강된다면 더 좋을 것 같습니다. 위 표 기준으로 6/10을 주고 싶습니다. 기본은 충실하지만 기술 문서의 깊이가 아쉽습니다.

MCP 점수