모델 이름을 하드코딩하는 코딩 에이전트는 결국 새벽 2시에 누군가를 호출하게 만들 것입니다. 코딩 에이전트를 위한 MCP 모델 카탈로그는 이러한 실패 모드를 바꿉니다. 소스 코드에 묻혀 있는 문자열 대신, 에이전트는 요청 시점에 현재 모델, 비용, 모달리티 및 상태 필드가 포함된 구조화된 목록을 읽습니다. 저희는 TokenLab에서 유사한 카탈로그를 유지 관리하며, 이를 라우팅의 진실 공급원(source of truth)으로 취급합니다. 저희 파이프라인에서 모델 선택은 상수가 아닌 조회(lookup)입니다.
코딩 에이전트에게 기계 판독 가능한 모델 데이터가 필요한 이유
대부분의 코딩 에이전트 통합은 여전히 10년 전의 API 통합처럼 작동합니다. 개발자가 모델 이름을 선택하여 설정이나 환경 변수에 붙여넣고 배포합니다. 이는 제공업체가 모델을 폐기하거나, 가격을 변경하거나, 더 나은 옵션을 출시하기 전까지는 잘 작동합니다. 그 이후에는 팀이 이를 채택할 프로세스가 없습니다.
기계 판독 가능한 카탈로그는 실패 모드를 바꿉니다. 모델이 은퇴하면 에이전트는 카탈로그를 쿼리하여 해당 모델이 사라졌거나 폐기됨으로 표시된 것을 확인하고, 문서화된 대안으로 폴백(fall-back)할 수 있습니다. 개발자가 모든 새로운 릴리스를 수동으로 벤치마킹하는 대신, 도구는 나열된 컨텍스트 윈도우, 모달리티 지원 및 비용 필드를 비교한 후 전환할 수 있습니다.
이는 또한 본격적인 모델 라우팅을 위한 전제 조건입니다. DeepSeek V4 Flash나 Gemini 3.5 Flash에서 저렴하고 대량의 완성을 원할 수 있습니다. 다중 파일 리팩토링을 위해 Claude Sonnet 5를 예약할 수도 있습니다. 라우팅 로직에는 여전히 진실 공급원이 필요합니다. 그 공급원은 어떤 모델이 현재 사용 가능한지, 비용이 얼마인지, 무엇을 지원하는지 명시해야 합니다. 그렇지 않으면 하드코딩된 모델 이름과 마찬가지로 라우팅 규칙도 부패하게 됩니다.
TokenLab은 이 문제에 대해 직접적으로 다룬 바 있습니다. 더 넓은 관점의 논의는 agent-readable model truth를 참조하고, 주 호출자가 인간 개발자가 아닌 에이전트일 때 API 설계가 어떻게 바뀌는지에 대해서는 agent-first API를 참조하십시오.
핵심 요약
- 모델 카탈로그는 모델 선택을 하드코딩된 문자열에서 런타임 조회로 전환하여, 제공업체가 새 모델을 출시할 때의 유지 관리 부담을 줄여줍니다.
- 코딩 에이전트는 모든 작업에 하나의 모델을 사용하는 대신, 다양한 작업 유형(자동 완성, 리팩토링, 테스트 생성, 리뷰)을 서로 다른 모델로 라우팅함으로써 이점을 얻습니다.
- 모델 카탈로그 데이터에 대한 MCP 요청은 일반적으로 resource-list 또는 tool-call 형태를 따릅니다. 구축하기 전에 제공업체의 자체 문서와 정확한 스키마를 확인하십시오.
- TokenLab은 /models/data에 모델 데이터 센터를, /models에 모델 디렉토리를 게시합니다. 모델 라인업은 자주 변경되므로 이 기사가 아닌 이곳을 현재 모델 이름을 확인하는 장소로 삼으십시오.
MCP 모델 카탈로그 항목에 포함되어야 할 내용
코딩 에이전트를 위한 유용한 카탈로그 항목에는 모델 이름 이상의 정보가 필요합니다. 최소한 빌더와 소비자는 다음을 확인할 수 있어야 합니다:
- 모델 식별자: API가 기대하는 정확한 문자열입니다. 제공업체는 종종 이름을 정밀하게 버전 관리하므로, 여기서의 불일치는 가장 흔한 통합 버그 중 하나입니다.
- 제공업체: 카탈로그가 여러 제공업체를 집계할 때 관련이 있는, 모델을 서비스하는 회사나 플랫폼입니다.
- 모달리티 지원: 텍스트, 코드, 이미지 또는 비디오. Kimi K2.7 Code와 같은 코딩 모델과 Nano Banana Pro와 같은 이미지 모델을 혼합하는 카탈로그에는 에이전트가 실제로 필요한 것에 따라 필터링할 수 있는 필드가 필요합니다.
- 컨텍스트 윈도우: 대규모 저장소에서 작업하는 코딩 에이전트에게 토큰 제한은 매우 중요합니다.
- 비용 필드: 입력 및 출력 토큰 가격입니다. 코딩 에이전트는 종종 비대칭적인 입력 중심 작업(대용량 파일 컨텍스트, 소규모 diff 출력)을 수행하므로 이상적으로는 분리되어야 합니다.
- 상태: 현재, 폐기됨 또는 은퇴 예정입니다. 이는 조용한 장애를 방지하는 필드입니다.
- 작업 적합성 태그: '코딩', '저비용 라우팅' 또는 '오픈 웨이트'와 같은 선택적이지만 유용한 메타데이터로, 에이전트가 모든 모델의 특성을 미리 알지 못해도 필터링할 수 있게 합니다.
모든 제공업체의 카탈로그 형식에 이러한 필드가 모두 존재한다고 보장할 수는 없습니다. 통합을 구축하기 전에 사용하는 제공업체에 문서화된 실제 스키마를 확인하십시오. 특히 TokenLab에서 제공하는 모델의 경우, 이 기사의 내용과 일치한다고 가정하지 말고 /models/data에서 현재 필드 세트와 업데이트 주기를 확인하십시오. 새로운 모델과 모달리티가 추가됨에 따라 카탈로그 스키마는 변경됩니다.
예시: MCP를 통한 모델 카탈로그 요청
MCP는 일반적으로 JSON-RPC 2.0을 통해 통신합니다. 클라이언트가 서버에 사용 가능한 모델 리소스 목록을 요청할 때 다음과 같은 형태의 요청을 보낼 수 있습니다. 이 예시는 일반적인 MCP resource-list 패턴을 따릅니다. 이는 특정 제공업체의 라이브 스키마에 대한 주장이 아닙니다. 프로덕션 코드를 작성하기 전에 https://docs.tokenlab.sh 또는 MCP 서버 자체 문서에서 정확한 메서드 이름과 응답 필드를 확인하십시오.
{
"jsonrpc": "2.0",
"id": 1,
"method": "resources/list",
"params": {
"filter": {
"modality": "text",
"tag": "coding"
}
}
}
검증된 스키마가 아닌 예시로서의 그럴듯한 응답 형태입니다:
{
"jsonrpc": "2.0",
"id": 1,
"result": {
"resources": [
{
"id": "claude-sonnet-5",
"provider": "Anthropic",
"modality": ["text", "code"],
"context_window": "verify at provider docs",
"status": "current",
"tags": ["coding", "review"]
},
{
"id": "deepseek-v4-flash",
"provider": "DeepSeek",
"modality": ["text", "code"],
"context_window": "verify at provider docs",
"status": "current",
"tags": ["low-cost", "coding"]
}
]
}
}
위의 컨텍스트 윈도우 값, 정확한 필드 이름 또는 특정 모델을 라이브 API에 대한 확정된 사실로 취급하지 마십시오. 이는 가격이나 성능 수치가 아니라 요청 및 응답의 형태를 보여줍니다. 구축 시 제공업체의 현재 문서나 /models/data에서 해당 수치를 가져오십시오.
작업별 모델 선택: 결정 체크리스트
모델 카탈로그는 에이전트나 에이전트를 구성하는 개발자가 작업 유형을 모델에 매칭하는 규칙을 가지고 있을 때만 유용합니다. 아래 표는 벤치마크 결과가 아닌 시작 프레임워크입니다. 프로덕션에서 라우팅 규칙을 확정하기 전에 제공업체 문서 및 /models에서 현재 가격과 성능 주장을 확인하십시오.
| 코딩 에이전트 작업 | 가장 중요한 요소 | 평가할 모델 예시 |
|---|---|---|
| 자동 완성 / 인라인 제안 | 낮은 지연 시간, 호출당 낮은 비용 | DeepSeek V4 Flash, Gemini 3.5 Flash, Laguna XS 2.1 |
| 다중 파일 리팩토링 | 더 큰 컨텍스트 윈도우, 강력한 코드 추론 | Claude Sonnet 5, DeepSeek V4 Pro |
| 테스트 생성 | 일관된 포맷팅, 적절한 추론 | Kimi K2.7 Code, Claude Sonnet 5 |
| 코드 리뷰 / PR 요약 | 강력한 추론, diff를 정확하게 참조하는 능력 | Claude Sonnet 5, Gemini 3.5 Flash |
| 대량 배치 작업 (린팅, 문서 주석) | 원시 성능보다 토큰당 비용 | GLM-5.2, Qwen3.7 Plus, MiniMax M3 |
| 오픈 웨이트 요구사항 (자체 호스팅 또는 라이선스 제약) | 오픈 웨이트, 관리형 API 외부 배포 가능 | GLM-5.2, DeepSeek V4 Pro, DeepSeek V4 Flash, Qwen3.7 Plus, Kimi K2.7 Code |
라우팅 로직 자체를 구축하기 위한 실용적인 체크리스트입니다:
- 카탈로그 항목에 상태 필드가 포함되어 있어 호출이 실패하기 전에 폐기를 감지할 수 있습니까?
- 카탈로그가 코딩 가능한 모델을 일반 텍스트나 이미지 모델과 분리하여, 필터링 시 하드코딩된 목록이 필요하지 않습니까?
- 작업 유형별로 비용 상한선을 설정하고, 항상 가장 성능이 좋고(가장 비싼) 옵션을 기본값으로 사용하는 대신 이를 충족하는 가장 저렴한 모델을 에이전트가 선택하게 할 수 있습니까?
- 기본 선택이 불가능하거나 속도 제한이 걸린 경우를 대비하여 모든 작업 범주에 대해 정의된 폴백 모델이 있습니까?
- 모델 라인업이 시간이 지남에 따라 변경되므로, 초기 통합 시점뿐만 아니라 정기적으로 카탈로그를 다시 확인하고 있습니까?
이 워크플로우에서 TokenLab의 역할
TokenLab은 2026년 7월 14일 기준으로 /models/data에 모델 데이터 센터를, /models에 모델 디렉토리를 유지 관리합니다. 정적 기사에 의존하기보다 이 인터페이스에서 현재 모델 목록을 확인하십시오. 모델 카탈로그는 본질적으로 시간에 민감합니다. https://docs.tokenlab.sh의 TokenLab API 문서는 통합하기 전에 정확한 요청 및 응답 스키마를 확인할 수 있는 곳입니다.
여러 모델 간에 라우팅하는 코딩 에이전트를 구축할 수 있습니다. 리뷰 작업에는 Claude Sonnet 5를, 저렴한 대량 완성을 위해서는 DeepSeek V4 Flash를, 테스트 생성에는 Kimi K2.7 Code를 사용하십시오. 모델 식별자를 변수로 취급하십시오. 에이전트 소스에 컴파일된 상수가 아니라, 요청 시점에 카탈로그를 조회하여 해결하십시오. 실질적인 단계는 /models/data를 확인하고 MCP 클라이언트가 필요로 하는 요청 형태를 TokenLab API 문서와 대조하여 확인하는 것입니다. 이러한 확인을 거친 후에만 프로덕션에 라우팅 로직을 연결하십시오.
제한 사항
이 기사는 MCP 모델 카탈로그 및 코딩 에이전트 라우팅을 위한 일반적인 패턴을 설명합니다. TokenLab을 포함한 특정 제공업체가 위에서 설명한 모든 필드(컨텍스트 윈도우, 비용 필드, 상태, 작업 태그)를 정확히 이 형태로 노출한다고 보장하지 않습니다. 스키마, 필드 이름 및 사용 가능한 모델은 자주 변경됩니다. 이 기사의 JSON 예시를 라이브 엔드포인트에 대한 검증된 스키마가 아닌, MCP의 일반적인 요청 및 응답 패턴을 보여주는 예시로 취급하십시오. 배포하기 전에 제공업체의 현재 문서 및 /models/data와 대조하여 정확한 모델 식별자, 가격 및 컨텍스트 윈도우를 확인하십시오.
FAQ
MCP 자체가 표준 모델 카탈로그 스키마를 정의합니까?
MCP는 JSON-RPC를 통한 리소스 및 도구에 대한 일반적인 패턴을 정의하지만, 모델 카탈로그의 정확한 필드(가격, 컨텍스트 윈도우, 상태)는 MCP를 구현하는 서버가 해당 데이터를 어떻게 노출하기로 선택하느냐에 달려 있습니다. 통합하려는 서버나 제공업체와 특정 스키마를 확인하십시오.
코딩 에이전트는 항상 사용 가능한 가장 성능 좋은 모델을 사용해야 합니까?
반드시 그렇지는 않습니다. 자동 완성 같은 작업은 지연 시간과 비용에 민감한 반면, 다중 파일 리팩토링은 더 강력한 추론과 더 큰 컨텍스트의 이점을 얻습니다. 작업 태그와 비용 필드가 있는 카탈로그를 사용하면 모든 것에 하나의 모델을 기본값으로 사용하는 대신 작업별로 라우팅할 수 있습니다.
에이전트가 의존하는 모델 카탈로그를 얼마나 자주 다시 확인해야 합니까?
모델 라인업은 일회성 통합으로 충분하지 않을 만큼 자주 변경됩니다. 모델 식별자를 영구적으로 캐시하는 대신 카탈로그를 쿼리하도록 라우팅 로직을 구축하고, 정기적인 일정에 따라 /models/data 또는 제공업체의 문서를 확인하십시오.
라우팅 로직을 프로덕션에 연결하기 전에 /models/data에서 현재 목록을 검토하고 MCP 클라이언트가 필요로 하는 요청 형태를 TokenLab API 문서와 대조하여 확인하는 것부터 시작하십시오.
출처
2026-07-14 기준 가격
- TokenLab Model Data Center2026-07-14 기준 확인
- TokenLab API documentation2026-07-14 기준 확인
- TokenLab model directory2026-07-14 기준 확인
