# AI 에이전트에 Wikiprompt 공급: MCP 서버 + 오픈 데이터셋

AI 에이전트에 Wikiprompt 연결하기: MCP 서버 + 오픈 데이터셋

에이전트를 구축하고 있다면, 어려운 부분은 거의 항상 추론 루이 아닙니다. 모델에게 추론할 가치가 있는 무언가를 주는 것이 핵심입니다. 코드를 작성할 수 있지만 좋은 Midjourney 프롬프트가 어떤 모습인지, 또는 어떤 시스템 프롬프트 구조가 코딩 어시스턴트를 실제로 제대로 작동하게 하는지 전혀 모르는 에이전트는, 근거 있는 지식의 한 범주 전체를 놓치고 있는 것입니다. Wikiprompt는 그 공백을 메우기 위해 존재하며, 이제 무엇을 구축하든 연결할 수 있는 두 가지 방법이 있습니다: 런타임에 에이전트가 호출할 수 있는 라이브 MCP 서버, 그리고 한 번 인덱싱하여 로컬에 보관할 수 있는 대량 데이터셋입니다.

이 둘은 서로 다른 문제를 해결하며, 대부분의 진지한 설정은 결국 둘 다 사용하게 됩니다.

MCP 서버: 도구 호출 하나면 충분

The MCP server는 https://mcp.wikiprompt.org/mcp에 있는 Streamable HTTP 엔드포인트로, 읽기에는 API 키가 필요 없습니다. Claude 또는 MCP 호환 클라이언트를 가리키면 에이전트는 search_prompts, get_prompt, list_categories, get_featured, get_trending, random_prompt, prompts_by_author 같은 도구를 55,000개 이상의 큐레이션된 프롬프트 전체 카탈로그와 함께 사용할 수 있습니다.

Claude Code에 추가하는 것은 한 줄이면 됩니다:

claude mcp add --transport http wikiprompt https://mcp.wikiprompt.org/mcp

연결되면 에이전트는 대화에 프롬프트를 붙여넣을 필요가 없습니다. 작업 중간에 예시가 필요하다고 스스로 결정할 수 있습니다. 사용자가 어시스턴트에게 "고객 지원 봇용 시스템 프롬프트 구조를 알려줘"라고 요청한다고 가정해 보겠습니다. 그럴듯한 템플릿을 지어내는 대신, 에이전트는 search_prompts를 model=claude prompt_type=system-prompt 같은 매개변수로 호출하고, 품질 메타데이터가 첨부된 실제 인간이 큐레이션한 결과를 받아, 패턴이 어디서 왔는지 실제로 인용하는 답변을 종합할 수 있습니다. 이는 훈련 데이터 직관만으로 만든 답변과는 질적으로 다른 것이며, 에이전트의 추천을 그럴듯함이 아니라 방어 가능하게 만드는 근거의 종류입니다.

이미지 및 비디오 생성 에이전트에서는 이 점이 훨씬 더 중요합니다. 에이전트가 GPT Image, Midjourney, Seedance, Veo, Kling 또는 Nano Banana를 래핑하고 있다면, 모델과 스타일로 필터링된 search_prompts를 호출하고, 구조화된 metadata(종횡비, 스타일 태그, 품질 평가)가 있는 프롬프트를 가져와, 즉석에서 지어낸 것이 아니라 검증된 시작점을 사용자에게 제공할 수 있습니다. 이 미래형 거미류 캐릭터 변환 프롬프트 또는 이 변형 로봇의 타이탄 엔지니어링 설계도를 보세요: 둘 다 기억에서 제대로 설명하기 어렵고, 실제로 검색할 수 있을 때 올바르게 재사용하기 쉬운, 고구조적이고 고특이성 프롬프트의 전형입니다.

또한 submit_prompt가 있어 에이전트가 카탈로그에 다시 쓸 수 있습니다(이 경우 API 키 필요). 에이전트가 워크플로 도구나 창의적 파이프라인에서 진정으로 좋은 것을 생성한다면, 채팅 로그에서 잃는 대신 공용 자산에 기여할 수 있습니다.

데이터셋: 오프라인으로 사용하고 싶을 때

MCP 서버는 주문형 조회에 훌륭하지만, 라이브 네트워크 호출이며, 때로는 전체 카탈로그를 자체 벡터 저장소에 두고, 자체 임베딩으로 검색하고, 자체 데이터와 조인하고 싶을 수 있습니다. 그것이 데이터셋의 용도입니다.

먼저 매니페스트를 확인하세요:

curl "https://www.wikiprompt.org/dataset"

total_prompts, 반환될 record_fields, 그리고 페이지네이션 방식을 반환합니다. 실제 레코드는 /dataset/prompts에 있으며, 키셋 커서로 페이지네이션되고 페이지당 최대 500개입니다:

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

각 응답에는 next URL이 포함됩니다. next가 null로 반환될 때까지 따라가면 전체 55,000개 이상을 얻을 수 있으며, slug, url, title, description, content(임베딩할 실제 프롬프트 텍스트), category, tags, media, model, 구조화된 metadata, author, original_source가 포함됩니다. 최소한의 페이지네이션 루:

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url).json()

records.extend(resp["records"])

url = resp.get("next")

print(len(records), "prompts collected")

API 키 없음, CORS 활성화, 엣지 캐싱으로 브라우저 기반 도구나 CI 작업에서 허가 없이 실행할 수 있습니다. content에 title과 description을 청크로 임베딩 파이프라인에 넣고, category, tags, metadata를 필터 가능한 필드로 유지하면, 에이전트가 로컬에서 쿼리할 수 있는 RAG 준비 완료 지식 베이스를 얻을 수 있으며, 우리의 가동 시간에 의존하지 않습니다.

또한 에이전트의 작업이 대화형이 아니라 분석적이라면 이 경로가 더 좋습니다: 고품질 프롬프트에서 어떤 모델이 가장 많이 나타나는지 리더보드 구축, 프롬프트를 기법별로 클러스터링, metadata.assessment 품질 신호에 대한 검색 리랭커 훈련 등. 데이터셋은 원자재를 제공하며, 그 위에 무엇을 구축할지는 당신의 몫입니다.

함께 사용하기

실제로 잘 작동하는 패턴: 데이터셋을 벡터 저장소에 대량 로드하여 기본 지식 계층으로 삼고, MCP 서버를 최신 상태 유지용으로 연결해 두는 것입니다. 새 프롬프트는 wikiprompt에 지속적으로 추가되며, MCP를 통한 get_recent 또는 get_trending은 마지막 데이터셋 스냅샷에 아직 없는 것들을 표면화합니다. 데이터셋은 깊이와 오프라인 신뢰성을 제공하고, MCP 서버는 마지막 마일을 제공합니다.

두 경로 중 하나로 직접 확인할 가치가 있는 예시는 이 데이터 물리화 이미지 프롬프트로, 잘 큐레이션된 프롬프트가 한 줄 설명에 비해 얼마나 많은 구조를 담고 있는지, 그리고 모델의 추측으로 재구성하는 대신 검색할 가치가 있는 정확히 그런 세부 사항을 보여줍니다.

어떤 방식으로 연결하든, 사용한 것은 출처를 밝히세요. 모든 레코드는 original_source를 담고 있으며, 이 프롬프트를 쓴 사람들이 실제 창의적 작업을 한 사람들입니다. 가능하면 wikiprompt.org를 집계자로 인용하고 원본 게시물로 링크하세요.

JSON 파싱 없이 빠르게 훑어볼 수 있는 평문 버전이 필요하다면, llms.txt는 어떤 에이전트에게도 사이트 전체의 기계 판독 가능한 표면을 한 파일로 개요를 제공합니다. 그리고 MCP나 전체 데이터셋에 얽매이지 않고 검색만 필요하다면, 검색 API는 쿼리 문자열만 있으면 되는 평문 JSON GET입니다.