Manus와 MCP를 중심으로 한 AI 에이전트의 Web3 크로스오버 탐색

2025.03.27

Manus와 MCP를 중심으로 한 AI 에이전트의 Web3 크로스오버 탐색

AI 에이전트는 인공지능 분야의 중요한 분야로서 점차 개념에서 현실로 옮아가고 있으며, 다양한 산업 전반에 걸쳐 큰 응용 가능성을 보이고 있고, 물론 Web3 산업도 예외가 아니다.

2025.03.27 - 09:55:46

ManusAIAgent

Web3 심층 보도에 집중하고 흐름을 통찰

글: pignard.eth, ZAN Team

3월 6일, 중국 스타트업 Monica가 발표한 세계 최초의 범용 AI 에이전트 제품 Manus가 국내 기술 미디어와 소셜 네트워크에서 화제를 모았다. 출시 첫날 초대 코드는 전 온라인에서 구하기 어려울 정도로 희소했고, 심지어 샤이어우(중고거래 플랫폼)에서는 초대 코드 하나에 5만 위안까지 거래되었다. 그래도 많은 업계 KOL들이 사전에 초대 코드를 받아 대대적인 체험 및 해설 기사가 쏟아졌다.

Manus는 계획에서 실행까지 전체 프로세스를 자율적으로 완료할 수 있는 범용 AI 에이전트 제품으로, 보고서 작성, 표 제작 등의 작업을 수행할 수 있다. 단순히 아이디어를 생성하는 것을 넘어 독자적으로 사고하고 행동하며, 복잡한 과제를 기획하고 실행하는 강력한 능력을 바탕으로 완성된 결과물을 직접 제공함으로써 전례 없는 범용성과 실행 능력을 보여주었다.

Manus의 돌풍은 업계의 주목을 받는 동시에 다양한 AI 에이전트 개발에 귀중한 제품 아이디어와 설계 영감을 제공했다. AI 기술의 급속한 발전과 함께 AI 에이전트는 인공지능 분야의 중요한 분기점으로 개념에서 현실로 점차 이행하고 있으며, 각 산업 전반에 걸쳐 큰 응용 가능성을 보이고 있고, 당연히 Web3 산업에도 예외가 아니다.

배경 지식

AI 에이전트(Artificial Intelligence Agent)란 환경, 입력 및 사전 정의된 목표에 따라 자율적으로 의사결정을 하고 작업을 수행하는 컴퓨터 프로그램이다. AI 에이전트의 핵심 구성 요소에는 정보 처리, 상호작용을 통한 학습, 의사결정 및 행동 수행이 가능한 '두뇌' 역할을 하는 대규모 언어 모델(LLM), 환경을 인지할 수 있는 관찰 및 감지 메커니즘, 관찰 결과와 기억 내용을 분석하고 가능한 행동을 고려하는 추론 사고 과정, 사고와 관찰에 대한 명시적 반응으로서의 행동 실행, 그리고 학습을 위해 과거 경험을 저장하는 메모리 및 검색 기능 등이 있다.

AI 에이전트의 설계 패턴은 ReAct에서 시작하여 두 가지 방향으로 발전해왔다. 하나는 REWOO, Plan & Execute, LLM Compiler와 같이 AI 에이전트의 기획 능력에 중점을 둔 경로이며, 다른 하나는 Basic Reflection, Reflexion, Self Discover, LATS와 같이 성찰 능력에 중점을 둔 경로이다.

이 중 ReAct 패턴은 가장 먼저 등장한 AI 에이전트 설계 패턴으로 현재 가장 널리 사용되고 있으므로 여기서는 ReAct 개념을 중심으로 설명한다. ReAct는 언어 모델 내에서 추론(Reasoning)과 행동(Acting)을 결합하여 다양한 언어 추론 및 의사결정 과제를 해결하는 방식이다. 그 전형적인 프로세스는 아래 그림과 같으며, "생각(Thought) → 행동(Action) → 관찰(Observation)"이라는 재미있는 순환 과정(TAO 사이클)으로 설명할 수 있다.

생각: 문제에 직면했을 때 우리는 깊이 있는 사고를 해야 한다. 이 사고 과정은 문제를 어떻게 정의하고, 문제 해결에 필요한 핵심 정보와 추론 단계를 결정하는지를 포함한다.
행동: 사고의 방향이 정해진 후에는 행동을 취할 차례다. 우리의 사고에 따라 적절한 조치를 취하거나 특정 과제를 수행하여 문제 해결 방향으로 나아가도록 유도한다.
관찰: 행동 이후에는 결과를 세심하게 관찰해야 한다. 이 단계는 우리의 행동이 효과적이었는지, 문제 해결에 얼마나 가까워졌는지를 검증하는 과정이다.
반복 순환

AI 에이전트는 또 지능체의 수에 따라 싱글 에이전트(Single Agent)와 멀티 에이전트(Multi Agent)로 나눌 수 있다. 싱글 에이전트는 LLM과 도구 간의 협업을 중심으로 하며, 과제 수행 과정에서 사용자와 여러 차례의 상호작용을 가질 수 있다. 멀티 에이전트는 서로 다른 역할을 부여받은 여러 에이전트가 협력하여 복잡한 과제를 수행하지만, 과제 수행 중 사용자와의 상호작용은 싱글 에이전트보다 적은 편이다. 현재 대부분의 프레임워크는 싱글 에이전트 시나리오에 집중하고 있다.

모델 컨텍스트 프로토콜(Model Context Protocol, MCP)은 Anthropic이 2024년 11월 25일 공개한 오픈소스 프로토콜로, LLM과 외부 데이터 소스 간의 연결 및 상호작용 문제를 해결하기 위한 것이다. LLM을 운영체제에 비유하면, MCP는 USB 포트와 같아서 외부 데이터와 도구를 유연하게 연결할 수 있도록 하며, 사용자는 이를 통해 외부 데이터와 도구를 읽고 사용할 수 있게 된다.

MCP는 LLM을 확장하는 세 가지 기능을 제공한다. Resources(지식 확장), Tools(실행 함수, 외부 시스템 호출), Prompts(사전 작성된 프롬프트 템플릿). MCP 프로토콜은 클라이언트-서버(Client-Server) 아키텍처를 채택하며, 기본 전송에는 JSON-RPC 프로토콜을 사용한다. 누구나 MCP 서버를 개발하고 호스팅할 수 있으며, 언제든지 서비스를 종료할 수 있다.

Web3의 AI 에이전트 현황

Web3 산업에서 AI 에이전트에 대한 관심은 올해 1월 정점을 찍은 후 크게 하락했으며, 전체 시가총액도 90% 이상 감소했다. 현재 여전히 비교적 큰 관심과 시가총액을 보이는 것은 AI 에이전트 프레임워크를 중심으로 한 Web3 탐색으로, 크게 세 가지 모델로 나뉜다. 바로 「Virtuals Protocol을 대표로 하는 발사 플랫폼 모델」, 「ElizaOS를 대표로 하는 DAO 모델」, 그리고 「Swarms를 대표로 하는 상업 회사 모델」이다.

발사 플랫폼은 사용자가 AI 에이전트를 생성하고 배포하며 수익화할 수 있는 플랫폼으로, Meme 프로젝트의 pump.fun과 유사하지만 AI 에이전트를 대상으로 한다. Virtuals Protocol은 현재 가장 큰 발사 플랫폼으로, 이곳에서 발행된 에이전트는 이미 10만 개를 넘겼으며, 높은 인기를 끌고 있는 '암호화폐 KOL' AIXBT도 Virtuals 기반으로 만들어졌다. Virtuals Protocol은 G.A.M.E라는 모듈형 에이전트 프레임워크를 포함하고 있는데, G.A.M.E의 핵심 목적은 개발자에게 효율적이고 개방적인 프레임워크를 제공하여 AI 에이전트의 개발과 출시를 워드프레스로 웹사이트를 만드는 것처럼 쉽게 만드는 것이다.

DAO는 탈중앙화 자율조직을 의미한다. ElizaOS(이전 이름 ai16z)는 @shawmakesmagic가 daos.fun 플랫폼에서 설립한 것으로, 초기 컨셉은 AI 모델을 활용해 유명 벤처캐피털 a16z와 공동창업자 Marc Andreessen의 투자 결정을 시뮬레이션하고, DAO 구성원들의 의견을 결합하여 투자하는 것이었다. 이후 Eliza 프레임워크를 중심으로 한 AI 에이전트 개발자의 DAO로 발전했다. Eliza 프레임워크는 TypeScript로 구축되어 AI 에이전트 개발을 위한 유연하고 확장 가능한 플랫폼을 제공하며, 이러한 에이전트들은 여러 플랫폼 간에 상호작용하면서 일관된 개성과 지식을 유지할 수 있다.

Swarms는 현재 20세인 @KyeGomezB가 2022년에 시작한 기업급 멀티 에이전트 프레임워크로, 스마트한 오케스트레이션과 효율적인 협업을 통해 여러 AI 에이전트가 팀처럼 분업하여 복잡한 비즈니스 작업 요구를 해결할 수 있다. 초기 Swarms는 순수 Web2 AI 에이전트 프로젝트였으며, 창립자의 말에 따르면 생산 환경에서 4500만 개 이상의 에이전트가 작동하며 세계 최대 금융, 보험, 의료기관에 서비스를 제공했다. 2024년 12월 토큰 $SWARMS를 발행한 후 본격적으로 Web2에서 Web3로 전환했다.

경제 모델 측면에서만 보면 현재 발사 플랫폼만이 자급자족 가능한 경제적 폐쇄 순환을 실현할 수 있다. Virtuals를 예로 들면:

에이전트 생성: 개발자가 Virtuals 플랫폼에서 새로운 AI 에이전트를 시작한다.
바인딩 커브 설정: 개발자는 100 $VIRTUAL 토큰을 지불하여 새 에이전트의 토큰에 바인딩 커브를 생성하고 $VIRTUAL과 페어링한다.
유동성 풀 생성: 바인딩 커브 한도에 도달하면 에이전트는 '졸업'하여 해당 에이전트 토큰과 $VIRTUAL 토큰이 페어링된 유동성 풀을 생성한다. 내부자 없이 공정한 런칭 원칙을 고수하며, 사전채굴이나 내부 할당 없이 고정된 총 공급량을 유지하고 장기간 유동성을 잠근다.

Virtuals는 AI 에이전트 발사 수수료 외에도 각 에이전트 토큰의 거래마다 거래 수수료를 징수하며, AI 에이전트가 Virtuals의 API를 통해 LLM에 접근할 경우 추론 비용도 부과한다. 현재 ElizaOS와 Swarms 모두 자체 발사 플랫폼 구축을 계획 중이다.

물론 발사 플랫폼에도 문제가 있다. 이러한 자산 발행 방식은 발행되는 자산 자체가 '매력'을 가져야 비로소 긍정적인 피드백 루프를 형성할 수 있다. 현재 대부분의 발사된 AI 에이전트는 본질적으로 메멘토(Meme)에 불과하며 내재 가치가 없어, 시장의 관심을 잃으면 급속히 가치가 제로로 돌아간다. 현재 침체된 시장 환경에서는 발사 플랫폼조차 개발자를 유치하기 어렵고, 결과적으로 경제 모델 자체도 제대로 작동하지 못하고 있다.

MCP의 Web3 탐색

MCP의 등장은 현재 Web3의 AI 에이전트에 새로운 탐색 방향을 제시하고 있으며, 가장 직관적인 두 가지 방향은 다음과 같다:

MCP 서버를 블록체인 네트워크에 배포하여 MCP 서버의 단일 지점 문제를 해결하면서 검열 저항성을 갖추는 것;
MCP 서버가 블록체인과 상호작용할 수 있는 기능을 갖추어 DeFi 거래 및 관리를 가능하게 하여 기술 진입 장벽을 낮추는 것.

첫 번째 방향은 저변 블록체인의 저장 시스템, 데이터 관리 능력, 비동기 컴퓨팅 능력에 매우 높은 수준을 요구하므로 0G와 같은 블록체인을 선택할 수 있다. 0G는 모듈화된 AI 블록체인으로, AI dapp에 적합한 확장 가능하고 프로그래밍 가능한 DA(Data Availability) 계층을 갖췄다. 그 모듈화 기술은 체인 간 마찰 없는 상호운용성을 실현하면서 보안을 보장하고 단편화를 제거하며 연결성을 극대화하여 탈중앙화된 AI 생태계를 조성한다.

두 번째 방향은 DeFAI의 변종과 유사하지만, 현재 DeFAI 백엔드는 자체적으로 포장한 일련의 Function Call 내 Tool들로 구성되어 있다. UnifAI는 통합된 DeFAI MCP 서버를 만들어 중복 개발을 방지한다. UnifAI는 자율 AI 에이전트가 Web3 생태계에서 체인 내외의 작업을 수행할 수 있도록 하는 플랫폼으로, 작업 자동화를 위한 UniQ, 에이전트 서비스 시장, 도구 발견을 위한 인프라를 갖추고 있다.

위 두 방향 외에도 LXDAO와 ETHPanda의 창립자 @brucexu_eth는 이더리움 기반으로 OpenMCP.Network라는 창작자 인센티브 네트워크를 구축하는 방안을 제안했다. MCP 서버는 호스팅과 안정적인 서비스 제공이 필요하며, 사용자가 LLM 제공업체에 비용을 지불하면, LLM 제공업체는 실제 인센티브를 네트워크를 통해 호출된 MCP 서버에 분배함으로써 전체 네트워크의 지속 가능성과 안정성을 유지하고, MCP 창작자들이 계속해서 고품질 콘텐츠를 창작하고 제공하도록 유도한다. 이 네트워크는 인센티브의 자동화, 투명성, 신뢰성, 검열 저항성을 실현하기 위해 스마트 계약을 사용해야 한다. 운영 과정에서의 서명, 권한 검증, 개인정보 보호는 이더리움 지갑, 제로노우ledge 증명(ZK) 등의 기술로 실현할 수 있다.

이론적으로는 MCP와 Web3의 결합이 AI 에이전트 애플리케이션에 탈중앙화된 신뢰 메커니즘과 경제적 인센티브 계층을 제공할 수 있지만, 현재 제로노우ledge 증명(ZKP) 기술로는 에이전트의 행동 진실성을 검증하기 어렵고, 탈중앙화된 네트워크는 여전히 효율성 문제를 안고 있어 단기간 내 성공하기 어려운 방안이다.