에이전트를 위한 TokenLab: 기계 판독 가능한 모델, 가격 책정, SDK 및 MCP

TokenLab MCP는 코딩 에이전트가 통합 코드를 작성하기 전에 TokenLab의 공개 모델 카탈로그, 가격 및 API 개요에 직접적이고 구조화된 방식으로 접근할 수 있도록 해주는 읽기 전용 Model Context Protocol(MCP) 서버입니다. 이 서버는 어떤 모델 ID가 현재 존재하는지, 비용은 얼마인지, 어떤 모달리티를 지원하는지와 같은 탐색 관련 질문에 답변하며, 사용자를 대신하여 유료 추론 API를 호출하지는 않습니다.

많은 에이전트 통합 버그는 첫 번째 API 호출에서 시작되는 것이 아니라, 에이전트가 오래된 예제, 캐시된 메모리 또는 6개월 전의 튜토리얼에서 모델 ID를 선택하고 404 오류나 예상치 못한 가격 정보를 확인한 후에야 불일치를 발견하면서 시작됩니다.

코딩 에이전트는 빠르게 코드를 작성합니다. 하지만 항상 먼저 읽는 것은 아닙니다. TokenLab은 TokenLab MCP와 함께 간결한 llms.txt, 더 상세한 llms-full.txt, 그리고 공개 모델 데이터 JSON 파일을 게시합니다. 이는 여러분이 직접 브라우징할 수 있는 모델 카탈로그 및 가격 페이지와 동일한 정보이므로, 에이전트가 코드를 하드코딩하기 전에 현재 모델 ID와 비용을 확인할 수 있습니다.

이 글에서는 이러한 정보들이 무엇인지, 무엇이 아닌지, 그리고 에이전트가 모델 이름을 하드코딩하기 전에 이를 사용하도록 설정하는 방법을 다룹니다. 전체 엔드포인트 참조는 통합 문서를 확인하십시오.

핵심 요약

• TokenLab은 api.tokenlab.sh/llms.txt 및 llms-full.txt에서 에이전트가 읽을 수 있는 API 개요를 게시하며, 웹 도메인도 동일한 소스로 리디렉션됩니다.
• 공개 모델 데이터 센터 파일(카탈로그 JSON, 최신 JSON, 트렌드 JSON, 요약 마크다운)은 에이전트에게 TokenLab이 현재 제공하는 항목에 대한 쿼리 가능한 스냅샷을 제공합니다.
• TokenLab MCP 서버는 list_models, get_model, get_model_pricing, get_api_overview를 노출하며, 읽기 전용입니다. 유료 추론을 프록시하지 않습니다.
• 공개 문서에서는 에이전트가 모델 이름을 하드코딩하기 전에 /v1/models를 호출하거나 llms.txt를 읽을 것을 권장하며, 이미지, 비디오 또는 임베딩과 같은 비채팅 작업에는 recommended_for 필터링을 사용할 것을 권장합니다.
• 실패한 비채팅 요청을 재시도하기 전에 모델 및 가격 엔드포인트를 읽으면 잘못된 모델 제품군에 대해 반복적으로 실패하는 호출을 방지할 수 있습니다.

에이전트가 애초에 오래된 모델 ID를 선택하는 이유

코딩 에이전트는 현재 사용 가능한 정보가 아니라 학습 중에 배운 내용을 바탕으로 모델 ID를 생성합니다. 해당 학습 데이터에는 컷오프가 있으므로, 에이전트의 내부적인 "현재 모델"에 대한 인식은 가중치가 마지막으로 업데이트되었을 때의 사실에 고정되어 있습니다. 에이전트에게 모델 API를 호출하라고 요청하면, 해당 ID가 이름이 변경되었거나, 지원이 중단되었거나, 교체되었더라도 기억하고 있는 ID를 자신 있게 선택할 것입니다.

이는 에이전트 추론의 버그가 아니라, 실시간 조회가 아닌 암기된 지식에 의존하는 모든 시스템의 구조적 한계입니다. 해결책은 더 똑똑한 프롬프트가 아니라, 에이전트가 코드를 작성하기 전에 확인할 수 있는 장소를 제공하는 것입니다.

그것이 바로 TokenLab의 모델 데이터 파일과 API가 존재하는 이유입니다. 요청을 생성하기 전에 에이전트(또는 그 출력을 검토하는 사람)는 실시간 엔드포인트를 쿼리하여 모델 ID가 실제로 존재하는지, 어떤 모달리티를 지원하는지, 비용이 얼마인지 확인할 수 있습니다. 기억에서 꺼낸 이름에 의존하는 대신 말입니다.

엔드포인트	목적
https://tokenlab.sh/model-data/catalog.json	프로그래밍 방식의 조회를 위해 구조화된 전체 모델 카탈로그
https://tokenlab.sh/model-data/latest.json	에이전트 친화적인 경량 형식의 현재 모델 목록
https://tokenlab.sh/en/models	사람이 읽을 수 있는 모델 브라우저
https://tokenlab.sh/en/pricing	모델 및 모달리티별 현재 가격

이 글을 포함한 블로그 게시물은 스냅샷입니다. 작성 당시의 사실을 반영하며, 에이전트의 학습 데이터와 마찬가지로 시간이 지나면 구식이 됩니다. 실시간 엔드포인트는 그러한 문제가 없습니다. 현재의 진실을 반영하므로 정적인 기사보다 코드를 배포하기 전에 확인하기에 더 안전합니다.

TokenLab이 에이전트 탐색을 위해 노출하는 것

llms.txt 레이어

https://api.tokenlab.sh/llms.txt는 API에 대한 간결하고 에이전트가 읽을 수 있는 개요입니다. 어떤 엔드포인트가 존재하는지, 요청이 어떤 모습인지, 더 자세한 내용은 어디서 찾을 수 있는지 알려줍니다. 에이전트가 방향을 잡기 위해 많은 토큰 예산을 소모하지 않고도 단일 컨텍스트 창에서 읽을 수 있을 만큼 짧게 설계되었습니다.

https://api.tokenlab.sh/llms-full.txt는 더 상세한 버전으로, 더 많은 엔드포인트 세부 정보와 예제를 포함하여 에이전트가 초안이 아닌 작동하는 통합 코드를 생성하는 데 필요한 정보를 제공합니다.

웹 도메인에 접속하더라도 tokenlab.sh/llms.txt 및 tokenlab.sh/llms-full.txt는 동일한 API 호스팅 소스로 리디렉션됩니다. 이는 에이전트에게 중요합니다. 어떤 진입점을 크롤링하거나 가져오든, 두 개의 서로 다른 복사본이 아닌 동일한 정식 텍스트에 도달하게 됩니다.

모델 데이터 센터

텍스트 개요 외에도 TokenLab은 에이전트(또는 빌드 스크립트)가 직접 가져올 수 있는 구조화된 JSON 파일을 게시합니다.

• https://tokenlab.sh/model-data/catalog.json — 더 상세한 모델 카탈로그.
• https://tokenlab.sh/model-data/latest.json — 현재 시점에 맞춰진 스냅샷.
• https://tokenlab.sh/model-data/summary.md — 사람과 에이전트가 모두 읽을 수 있는 마크다운 요약으로, 코드베이스에 하드코딩된 내용과 빠르게 비교할 때 유용합니다.

이들은 정적이고 가져올 수 있는 파일입니다. 구성 파일, .env 템플릿 또는 모델 선택 드롭다운을 빌드하는 에이전트는 2주 뒤에 구식이 될 모델 목록을 사람이 붙여넣게 하는 대신 JSON을 직접 가져올 수 있습니다.

MCP 서버 — 읽기 전용이며, 이 점을 명확히 하는 것이 중요합니다

https://github.com/hedging8563/tokenlab-mcp-server는 공개되어 있습니다. 탐색과 관련된 네 가지 도구를 노출합니다.

• list_models — 사용 가능한 모델을 나열하며, 선택적으로 필터링 가능.
• get_model — 특정 모델 ID에 대한 세부 정보 가져오기.
• get_model_pricing — 특정 모델의 현재 가격 가져오기.
• get_api_overview — llms.txt를 읽는 것과 동일한 MCP 네이티브 기능.

중요한 제약 사항은 이 서버가 읽기 전용이라는 점입니다. 사용자를 대신하여 유료 추론 API를 호출하지 않으며, 생성 요청을 프록시하지 않습니다. 모델, 가격 및 API 형태에 대한 질문에 답변합니다. 에이전트가 실제로 추론을 실행해야 하는 경우, 여전히 자신의 키를 사용하여 TokenLab의 일반 API를 거쳐야 합니다. MCP 서버는 실행 레이어가 아닌 탐색 레이어입니다. 이 둘을 혼동하는 것은 흔한 실수이므로 작성하는 모든 에이전트 프롬프트나 스킬 파일에서 명시적으로 피하는 것이 좋습니다.

TokenLab MCP 탐색 예시

TokenLab은 코딩 에이전트가 추론을 수행하지 않고도 사용 가능한 모델과 가격을 탐색할 수 있도록 읽기 전용 Model Context Protocol(MCP) 서버를 노출합니다. MCP 서버는 네 가지 도구를 제공합니다.

• list_models — 사용 가능한 모델을 나열하며, 선택적으로 recommended_for(예: image, video, embedding, rerank, translation)로 필터링 가능
• get_model — 특정 모델에 대한 세부 정보 검색
• get_model_pricing — 특정 모델에 대한 가격 정보 검색
• get_api_overview — TokenLab API 요약 검색

예시: MCP를 통한 모델 나열

{
  "tool": "list_models",
  "arguments": {}
}

예시: 권장 용도별 모델 필터링

{
  "tool": "list_models",
  "arguments": {
    "recommended_for": "image"
  }
}

MCP를 거치지 않고 API를 직접 쿼리하려는 경우, 동일한 REST 호출은 다음과 같습니다.

# 모든 모델 나열
curl https://api.tokenlab.sh/v1/models \
  -H "Authorization: Bearer sk-KEY"

# 이미지 작업에 권장되는 모델 나열
curl "https://api.tokenlab.sh/v1/models?recommended_for=image" \
  -H "Authorization: Bearer sk-KEY"

MCP 서버는 엄격히 읽기 전용임을 유의하십시오. 탐색(모델 나열, 가격 검사, API 기능 검토)을 위한 것이며 자체적으로 추론을 수행하지 않습니다.

설정 지침 및 통합 세부 정보는 다음을 참조하십시오.

• TokenLab MCP Server
• Coding Agent Skill

스킬 저장소

https://github.com/hedging8563/tokenlab-skills는 이 탐색 패턴을 코딩 에이전트 프레임워크가 직접 로드할 수 있는 형태로 패키징합니다. 이는 에이전트가 독립적으로 확인 여부를 결정하도록 하는 대신, "TokenLab 통합 코드를 작성하기 전에 이것을 읽으라"고 지시하는 스킬 정의입니다.

권장되는 에이전트 워크플로우

공개 문서에는 특정 순서가 설명되어 있으며, 이는 실제로도 잘 작동합니다.

1. 모델 이름을 하드코딩하기 전에, /v1/models를 호출하거나 llms.txt를 읽어 ID가 현재 실제로 존재하는지 확인하십시오.
2. 비채팅 작업(이미지, 비디오, 음악, 3D, TTS, STT, 임베딩, 리랭크, 번역)의 경우, 채팅 지향 모델이 작업을 처리한다고 가정하거나 기억에서 모델 이름을 추측하는 대신 /v1/models?recommended_for=<task>로 필터링하십시오.
3. 실패한 비채팅 요청을 재시도하기 전에, /v1/models/:model 및 /v1/models/:model/pricing을 읽으십시오. 잘못된 모달리티 모델에 대한 실패한 요청은 동일한 입력으로 재시도해도 다시 실패할 가능성이 높습니다. 모델의 실제 모달리티와 가격을 먼저 확인하면 재시도 루프를 방지할 수 있습니다.

이 순서가 중요한 이유는 가장 흔한 두 가지 실패 모드인 '잘못된 모델 ID'와 '작업에 맞지 않는 모델 제품군'을 사전에 방지하기 때문입니다.

에이전트에 이를 적용하기 위한 실무 체크리스트

단계	확인 사항	위치
1	이 모델 ID가 여전히 유효한가?	/v1/models 또는 llms.txt
2	이 작업에 적합한 모델 제품군인가(채팅 vs 이미지 vs 임베딩 등)?	/v1/models?recommended_for=<task>
3	이 모델의 현재 입력/출력 가격은 얼마인가?	/v1/models/:model/pricing 또는 get_model_pricing (MCP)
4	컨텍스트 창과 모달리티는 무엇인가?	/v1/models/:model 또는 get_model (MCP)
5	이 모델을 대체하는 유사한 이름의 더 새로운 모델이 있는가?	catalog.json / latest.json
6	에이전트가 통합 코드를 생성하기 전에 llms.txt를 읽었는가?	에이전트의 도구 호출 로그에서 확인

에이전트가 1단계와 2단계를 건너뛰면 재시도, 오류 처리, 비용 추정 등 모든 후속 작업이 사실이 아닌 가정 위에 구축됩니다.

비채팅 작업에서 이것이 특히 중요한 이유

채팅 모델이 대부분의 관심을 받지만, recommended_for 필터가 존재하는 이유는 비채팅 작업이 덜 명확한 방식으로 실패하기 때문입니다. 텍스트-투-텍스트 생성을 위해 구축된 모델이 이미지 요청에 대해 잘못된 형식의 응답을 반환하는 경우, 항상 명확하고 이해하기 쉬운 오류를 발생시키지는 않습니다. 때로는 에이전트가 파싱하는 방법을 모르는 무언가를 반환할 뿐입니다.

recommended_for=image, recommended_for=video, recommended_for=embedding 등으로 필터링하면 에이전트가 요청 본문을 작성하기 전에 후보군을 좁힐 수 있습니다. 모델 카탈로그에 언제든지 존재할 수 있는 다양한 이미지 생성 항목(nano-banana-2(Gemini 3.1 Flash Image), nano-banana-pro(Gemini 3 Pro Image), nano-banana-2-lite(Gemini 3.1 Flash Lite Image), openai/gpt-image-2, reve/reve-2.0, microsoft/mai-image-2.5 등)을 고려할 때, 기억에 의존하여 "이미지 모델"이 무엇인지 추측하는 것은 이 워크플로우가 방지하고자 하는 정확한 실패 모드입니다. 비디오 생성에는 서로 다른 가격과 모달리티 형태를 가진 작업별 모델(seedance, veo-3 등)이 있으며, 동일한 필터링 논리가 적용됩니다.

여기에 명시된 특정 모델의 정확한 현재 가격, 컨텍스트 제한 및 모달리티는 모델 카탈로그와 가격 페이지를 직접 확인하십시오. 블로그 게시물에 하드코딩하지 않는 이유가 바로 그것입니다. 에이전트 기반 개발 작업을 위해 모델을 평가하는 경우 2026년 코딩을 위한 최고의 AI 모델을 참조하십시오.

이것이 수행하지 않는 것

워크플로우 자체만큼이나 정확하게 이해하는 것이 중요합니다.

• MCP 서버는 유료 추론을 실행하지 않습니다. 탐색 질문에 답변할 뿐입니다. 실제 생성 요청을 실행하려면 여전히 자신의 자격 증명을 사용하여 표준 API를 거쳐야 합니다.
• llms.txt와 모델 데이터 센터 파일은 주기적인 스냅샷이며 실시간 데이터베이스 연결이 아닙니다. 새로고침 타이밍이 엄격한 일정에 고정되어 있지 않으므로 이 페이지의 날짜는 대략적인 것으로 간주하십시오. 가격이나 안전에 민감한 사항은 가격 엔드포인트와 대시보드 API가 요청 시점의 진실된 소스입니다.
• 이 중 어떤 것도 인증, 속도 제한 또는 오류 처리 의미론에 대한 전체 API 문서를 읽는 것을 대체하지 않습니다. 탐색 표면은 에이전트에게 무엇이 존재하는지 알려줄 뿐, 올바르게 호출하는 방법에 대한 통합 문서를 대체하지 않습니다.

FAQ

에이전트가 TokenLab 모델을 선택하기 전에 무엇을 읽어야 합니까? 모델 ID를 하드코딩하기 전에 llms.txt(또는 더 자세한 내용은 llms-full.txt)를 읽고 /v1/models를 호출하십시오. 비채팅 작업의 경우 기억에서 모델 이름을 추측하는 대신 recommended_for로 필터링하십시오.

TokenLab MCP가 유료 추론 API를 호출합니까? 아니요. 공개 TokenLab MCP 서버는 읽기 전용입니다. 도구(list_models, get_model, get_model_pricing, get_api_overview)는 모델과 가격에 대한 탐색 질문에 답변합니다. 실제 추론 호출은 자신의 키를 사용하여 표준 API를 통해 이루어집니다.

에이전트는 언제 recommended_for를 사용해야 합니까? 작업이 단순 채팅이 아닐 때(이미지, 비디오, 음악, 3D, TTS, STT, 임베딩, 리랭크 또는 번역) 언제든지 사용해야 합니다. 작업별로 필터링하면 채팅 지향 모델이 처리할 것이라고 가정하는 대신 해당 모달리티를 위해 실제로 구축된 변형으로 모델 목록이 좁혀집니다.

이것이 생성된 코드에서 오래된 모델 ID를 어떻게 줄입니까? 탐색을 나중이 아닌 첫 번째 단계로 만듦으로써 줄입니다. llms.txt를 읽고, /v1/models를 확인하고, 코드를 작성하기 전에 가격을 확인하는 에이전트는 이미 몇 세대 전의 모델일 수 있는 학습 시점의 기억이 아닌 현재 스냅샷을 기반으로 작업합니다.

소스 및 최신성

• TokenLab llms.txt — https://api.tokenlab.sh/llms.txt — 2026-07-09 관찰됨
• TokenLab llms-full.txt — https://api.tokenlab.sh/llms-full.txt — 2026-07-09 관찰됨
• TokenLab MCP Server 문서 — https://docs.tokenlab.sh/integrations/tokenlab-mcp-server — 2026-07-09 관찰됨
• TokenLab API Integration Skill 문서 — https://docs.tokenlab.sh/integrations/coding-agent-skill — 2026-07-09 관찰됨
• TokenLab MCP Server 저장소 — https://github.com/hedging8563/tokenlab-mcp-server — 2026-07-09 관찰됨
• TokenLab Skills 저장소 — https://github.com/hedging8563/tokenlab-skills — 2026-07-09 관찰됨
• TokenLab 모델 데이터 센터 — https://tokenlab.sh/model-data/catalog.json, https://tokenlab.sh/model-data/latest.json, https://tokenlab.sh/model-data/summary.md — 2026-07-09 관찰됨

이 기사의 모델 ID, 가격 및 모달리티 세부 정보는 작성 시점의 스냅샷을 반영합니다. 이와 같은 스냅샷 페이지와 llms.txt는 주기적으로 업데이트되지만 고정되거나 보장된 주기로 업데이트되지는 않습니다. 가정된 새로고침 간격을 기준으로 재시도 논리나 비용 추정을 구축하지 마십시오. 통합 코드를 배포하기 전에 가격 페이지 및 모델 카탈로그에서 현재 값을 확인하십시오. 모델 제품군 전반에 걸쳐 가격이 어떻게 구성되는지에 대한 더 자세한 내용은 개발자를 위한 Gemini API 가격 책정을 참조하십시오.

TokenLab MCP 다음 단계

모델 탐색을 위해 TokenLab MCP 사용을 시작하려면:

1. TokenLab 대시보드에서 API 키를 받으십시오.
2. 코딩 에이전트 통합 가이드에 따라 에이전트를 연결하십시오.
3. tokenlab.sh/en/models에서 직접 카탈로그를 브라우징하여 현재 모델 범위와 메타데이터를 확인하십시오.
4. tokenlab.sh/en/pricing에서 사용할 모델의 가격을 확인하십시오.

워크플로우에 적합한 모델을 결정 중이라면 2026년 코딩을 위한 최고의 AI 모델 및 개발자를 위한 Gemini API 가격 책정에 대한 분석을 참조하십시오.

MCP는 엄격히 탐색 레이어임을 명심하십시오. 에이전트가 정보에 입각한 결정을 내릴 수 있도록 모델 메타데이터, 기능 및 가격을 노출합니다. 실제 추론 호출은 여전히 자신의 API 키를 사용하여 표준 TokenLab API를 통해 이루어지며, MCP는 요청을 라우팅하거나 프록시하지 않습니다.