Research Task · RT-T19 · 2025.10
🔌 MCP 기반 외부 시스템 연동
TMS AI 라우팅 엔진 · Model Context Protocol · AI Agent 자율 도구 호출 · 김지훈 수석연구원 · 연구노트 19p 대응
🎯 연구 배경
MCP(Model Context Protocol) 서버를 통해 AI 에이전트가 WMS · OMS · ERP · 기상청 API · 교통정보 API를 자율 호출합니다. 시스템 간 실시간 데이터 공유로 배차 정확도를 향상시키며, LLM이 직접 필요한 도구를 선택해 호출하는 Tool Use / Function Calling 패턴을 표준화합니다.
🖥️ MCP 서버 구성 (4종)각 서버가 도메인별 도구(function) 집합을 제공
wms-mcp
Warehouse Management System
- get_stock_by_sku(sku_id)
- get_outbound_ready(warehouse_id)
- get_inventory_forecast(days)
oms-mcp
Order Management System
- get_order_priority(order_id)
- get_edd_requirements(customer_id)
- get_customer_sla(customer_id)
weather-mcp
기상청 API · 72h 예보
- get_forecast_72h(region)
- get_typhoon_alert(region)
- get_snow_warning(region)
traffic-mcp
실시간 교통 정보 API
- get_realtime_traffic(route_id)
- get_road_closures(region)
- get_congestion_forecast(route_id, time)
📝 AI Agent 자율 호출 Pseudocode
# AI Agent가 MCP 도구를 자율 호출하는 예시
agent_response = ai_agent.run(
query="내일 부산 구간 배차 계획 수립",
tools=[wms_mcp, oms_mcp, weather_mcp, traffic_mcp]
)
# LLM이 내부적으로 수행하는 단계:
# 1. query 분석 → 필요 정보 추론
# 2. tool selection: wms.get_stock, oms.get_priority, …
# 3. parallel tool_calls 실행 · 응답 수집
# 4. 통합 추론 → 최종 배차 계획 생성
📉 10월 운영 성과
✓ MCP 연동 도입 후 (2025.10 기준)
배차 계획 수립 시간
1.1분
기존 4.2분 · 74% 단축
ETA 정확도
+8.3%
외부 데이터 반영 · 기존 대비
시스템 통합도
4종
WMS · OMS · Weather · Traffic
출처: Logistics Viewpoints (2025.12)