언리얼 MCP 서버는 언리얼 엔진에 LLM 기반 액세스를 제공하며, 다양한 엔진 시스템 및 에디터 워크플로와 인터랙션할 수 있습니다.
이 가이드에서는 MCP 서버를 통해 액세스할 수 있는 전용 PCG 툴세트를 중점적으로 살펴봅니다. 이 툴은 LLM 인터랙션을 사용하여 프로시저럴 콘텐츠 제너레이션(Procedural Content Generation, PCG) 시스템 및 그래프를 직접 조작할 수 있게 디자인되었습니다. PCG 워크플로는 복잡한 그래프 구조, 프로시저럴 로직 및 어트리뷰트 기반 데이터 플로와 관련되어 있으므로, 특정 규칙을 따르는 것이 중요합니다.
이 문서에서는 일상적인 프로덕션 사용 사례에서 수집된 권장 워크플로와 실용적인 사용 패턴을 요약하여 살펴봅니다.
전제 조건
언리얼 MCP 플러그인을 활성화하고 스타트업 프로세스를 따라 MCP 서버 작업을 시작합니다. 언리얼 MCP 플러그인 사용 방법에 대한 자세한 내용은 언리얼 MCP를 참고하세요.
언리얼 MCP 서버를 로드한 다음 PCG 툴세트(PCG Toolset)를 로드하고 PCG 그래프 생성 스킬(PCG graph generation skill)을 로드하여 시작합니다. PCG 그래프 생성 스킬은 LLM이 그래프를 안정적으로 조작하고 생성하는 데 필요한 기본적인 이해를 제공합니다.
PCG 스킬 로딩은 세션 구성의 필수적인 부분입니다. 적절한 스킬 컨텍스트가 없으면 LLM은 종종 다음과 같은 문제를 유발합니다.
PCG 개념 오해
과도하게 복잡한 솔루션 생성
노드 또는 파라미터 오용
신뢰할 수 없는 그래프 로직 생성
스킬 로드 방법에 대한 자세한 내용은 해당 LLM 문서를 참조하세요.
Skill_PCGGraphGeneration
반복 가능한 규칙 또는 공간 계산을 통해 콘텐츠를 생성하는 작업(예: 식생 스캐터링, 도시 블록 채우기 또는 도로 네트워크 빌드)을 위한 기본 스킬입니다. 사용 가능한 프리미티브 노드의 전체 라이브러리와 이를 올바르게 연결하는 방법을 알고 있습니다.
작업을 일회성 배치 대신 시스템 또는 패턴으로 표현할 수 있는 경우에는 이 스킬을 사용하세요.
핵심 원칙
LLM은 다음과 같은 경우에 가장 잘 작동합니다.
관련 컨텍스트에 적절하게 기반한 경우
기존 예시를 분석한 경우
명시적인 컨텍스트가 제공된 경우
명확하게 정의된 작업 내에서 유지된 경우
긴밀한 피드백 루프를 통해 반복 작업된 경우
가능한 한 기존 솔루션을 재사용하고 적용하는 경우
권장 워크플로
언리얼 엔진에서 가장 효과적인 LLM 워크플로는 다음과 같습니다.
사용자와 LLM 간의 협업 방식
레퍼런스 기반
반복적 향상 방식
PCG 툴세트와 함께 언리얼 MCP 서버를 사용하는 경우에는 다음과 같은 워크플로를 따르는 것이 좋습니다.
언리얼 MCP 서버를 로드합니다.
PCG 툴세트를 로드합니다. 이 작업은 LLM 내에서 수행하거나 편집(Edit) > 플러그인(Plugins)으로 이동한 다음 PCGToolset 플러그인을 활성화하여 수행할 수 있습니다.
PCG 그래프 생성 스킬을 로드합니다. 이 작업은 LLM 내에서 수행됩니다.
관련 예시 그래프를 식별합니다.
콘텐츠 브라우저에서 관련 에셋 또는 액터를 수동으로 선택합니다.
계획 전에 LLM에 레퍼런스를 검토하도록 요청합니다.
실행 전에 계획 또는 그래프 검토를 요청합니다.
단계적으로 실행하며 감독합니다.
실행하는 동안 적극적으로 감독하고 수정합니다.
컨텍스트 구성하기
기존 PCG 예시 그래프 사용
레퍼런스 기반 워크플로는 일관되게 가장 안정적인 결과를 생성합니다.
PCG 워크플로에서 LLM 출력 퀄리티를 향상하는 데 효과적인 방법 중 하나는 기존 예시 그래프를 명시적으로 레퍼런스하는 것입니다.
여기에는 다음이 포함됩니다.
PCG 플러그인에 제공된 예시 그래프
내부 프로젝트 예시 그래프
기존 정식 버전 그래프
숙련된 사용자가 만든 레퍼런스 구현
이러한 그래프는 LLM의 운영 비교 기준으로 간주해야 합니다.
레퍼런스가 없으면 모델이 다음과 같은 문제를 유발할 수 있습니다.
과도하게 복잡한 솔루션 생성
노드 또는 파라미터 오용
신뢰할 수 없는 그래프 로직 빌드
확립된 워크플로 규칙 무시
복잡한 작업의 경우에는 모델이 다음과 같은 접근 방식을 취하도록 유도합니다.
기존 예시 먼저 살펴보기
확립된 패턴 재사용
기존 그래프 규칙 준수
제안된 솔루션을 검증된 구현과 비교
많은 수의 그래프가 Engine > Plugins > Procedural Content Framework (PCG) > SampleContent 폴더에 있으며, LLM으로 분석할 수 있습니다.
이 가이드라인이 PCG 그래프 생성 스킬 내에 이미 존재하더라도 모델은 여전히 레퍼런스를 간과하고 솔루션을 첫 번째 원칙부터 빌드하려고 시도할 수 있습니다. 세션 중 레퍼런스의 중요성을 강조하면 일관성과 정확성이 크게 향상됩니다.
기존 패턴 조정
처음부터 새 그래프를 빌드하는 것보다 기존 그래프를 재사용하거나 복제하는 것이 보다 효과적인 경우가 많습니다.
좋은 워크플로는 보통 다음과 같습니다.
이미 문제를 해결한 경우, 기존 그래프를 재사용합니다.
원하는 결과에 가까운 그래프가 있으면 복제하여 수정합니다.
적합한 레퍼런스가 없는 경우에만 새 그래프를 생성합니다.
이 접근 방식은 검증된 메서드와 그래프 구조를 보존하면서 모호성을 줄입니다. 이렇게 하면 불필요한 노드가 생성되는 것을 방지하고 컨텍스트 윈도우 사용량을 크게 줄일 수 있습니다.
프롬프트 예시
“비슷한 오퍼레이션을 수행하는 예시 그래프를 찾아줘.”
“그래프를 수정하기 전에 기존 PCG 예시를 레퍼런스로 사용해.”
“플러그인 예시에서 이 노드가 어떻게 사용되는지 찾아줘.”
“기존 프로젝트 그래프에 사용된 규칙을 준수해.”
“솔루션을 제안하기 전에 관련 예시를 검토해줘.”
명시적 컨텍스트 사용
사용자가 제공한 직접적인 컨텍스트가 자율 탐색보다 더 빠르고 안정적입니다. 에셋 또는 액터와 인터랙션할 때 LLM이 자체적으로 콘텐츠를 찾도록 요청하는 대신 명확한 컨텍스트를 제공하세요.
다음 단계를 따르는 것이 권장됩니다.
콘텐츠 브라우저에서 에셋을 직접 선택합니다.
레벨 에디터에서 액터를 직접 선택합니다.
요청 또는 액션을 보냅니다.
이 접근 방식은 일반적으로 컨텍스트 및 실행 비용 측면에서 더 빠르고, 안정적이며, 저렴합니다.
명시적인 컨텍스트가 없으면 LLM은 임시 Python 스크립트를 생성하여 콘텐츠를 검사하고 정보를 수집할 수 있습니다. 이는 인터랙션 속도를 늦추고, 토큰 사용량을 늘리며, 불필요한 추가 단계가 발생할 수 있습니다.
시맨틱 검색
시맨틱 검색은 검색의 컨텍스트 의미와 의도를 이해하려고 시도하는 AI 기반 정보 검색 기법입니다. MCP 워크플로에는 프로젝트 전반에 걸친 시맨틱 에셋 검색에 대한 액세스가 포함됩니다.
LLM이 자율적으로 시맨틱 검색을 사용할 수 있지만, 사용자가 선택된 에셋과 인터랙션하기 전에 콘텐츠 브라우저에서 직접 검색하는 것이 더 빠르고 사용자 친화적인 경우가 많습니다.
시맨틱 검색 통합은 언리얼 엔진 5.8 이상 버전에서 제공됩니다.
실행 계획
실행 단계를 계획하고 검토하면 복잡한 워크플로의 안정성을 높일 수 있습니다. 복잡한 오퍼레이션의 경우, 실행하기 전에 LLM에 접근 방식을 설명하거나 검토해 주도록 요청하세요.
이 방법은 다음과 같은 작업에 유용합니다.
대규모 그래프 편집
다단계 워크플로
어트리뷰트 조작
실험 단계 구성
이러한 요청의 경우에는 작업 전에 어떤 레퍼런스, 예시 또는 기존 그래프를 검사할지 모델에 명시적으로 묻는 것이 좋습니다. 가능하면 항상 기존 예시를 기반으로 계획을 세우도록 유도하세요.
프롬프트 예시
“작업하기 전에 그래프를 검토해줘.”
“의도된 접근 방식을 먼저 설명해줘.”
“단계별 계획을 제공해줘.”
“수정하려는 노드를 나열해줘.”
“가능하다면 기존 예시 그래프를 기반으로 솔루션을 만들어줘.”
“어떤 예시나 레퍼런스를 사용할 계획이야?”
실행 모니터링
LLM 기반 워크플로는 LLM이 완전히 자율적으로 수행하는 방식이 아니라 사용자가 감독하는 협업 방식으로 이뤄져야 합니다.
실행하는 동안에는 다음을 수행하는 것이 권장됩니다.
실시간 현황 모니터링
잘못된 접근 방식 조기 중단
레퍼런스 또는 예시를 통한 모델 방향 재조정
구체적인 수정 사항 제공
실행에서 오류 또는 예기치 않은 결과가 발생하면 자동 수정 작업을 추가로 진행하기 전에 모델의 문제를 검토하세요.
모델이 잘못된 접근 방식을 끝까지 완료하도록 두는 것보다는 피드백 루프를 짧게 유지하는 것이 더 효율적입니다.
비용이 많이 드는 오퍼레이션
일부 PCG 오퍼레이션은 MCP 인터페이스를 통하는 경우 실행 시간 및 컨텍스트 사용 측면에서 비용이 많이 들 수 있습니다. 예를 들어 다음과 같습니다.
대규모 그래프 분석
다중 그래프 분석
대규모 데이터세트 검사
광범위한 에셋 분석
데이터뷰
PCG 어트리뷰트 검사는 생성된 PCG 포인트 데이터 및 관련 어트리뷰트 분석을 의미하며, 대규모 프로시저럴 스프레드시트를 읽는 것과 비슷합니다.
LLM은 PCG 어트리뷰트를 자체적으로 직접 검사할 수 없습니다. LLM은 어트리뷰트 검사를 위해 전용 데이터뷰 워크플로를 사용합니다. 데이터뷰는 일반 토큰 컨텍스트 윈도우 외부에서 무거운 프로세싱을 수행하여 컨텍스트 사용량을 크게 줄입니다.
데이터 뷰는 PCG 툴세트의 일부이지만, 모델이 항상 자동으로 선택하지 않을 수도 있으므로 프롬프트에 명시적으로 언급하는 것이 좋습니다.
프롬프트 예시
“어트리뷰트 검사에 데이터 뷰를 사용해줘.”
“데이터 뷰를 통해 PCG 포인트를 검사해줘.”
“생성된 어트리뷰트를 데이터 뷰로 분석해줘.”
추가 스킬
PCG 툴세트에는 PCG 워크플로를 확장하는 추가 스킬 세트도 있습니다. LLM은 이러한 스킬을 스캔할 수 있지만, 도움이 되는 경우에는 특정 스킬을 로드하도록 요청하는 것이 좋습니다.
Skill_PCGShapeGrammarDefinition
경로를 따라 퍼즐 조각처럼 맞춰지는 모듈로 구성된 규칙 기반 시퀀스가 출력에 필요한 경우 이 스킬을 사용합니다. 여기에는 건물 파사드, 복도 모듈, 길거리 가구 배치 또는 그래머 규칙을 따르는 모든 선형 시퀀스와 같은 콘텐츠가 포함됩니다.
Skill_PCGMeshPartition
프로젝트에서 메시 터레인을 랜드스케이프 시스템으로 사용하고 있으며, PCG와 함께 이를 사용해야 하는 경우에는 이 스킬을 사용합니다. 이 스킬은 LLM에 터레인 수정 레이어가 정렬되는 방식, 머티리얼 가중치 채널이 작동하는 방식, 우선순위 시스템을 손상시키지 않고 터레인에 올바르게 쓰는 PCG 그래프를 제작하는 방법을 설명합니다.
Skill_PCGInstancingOnMeshActor
SF 그리블, 서피스 클러터, 오브젝트 표면에 흩어져 있는 미세 프롭 등 디테일을 메시에 적용하려는 경우에는 이 스킬을 사용합니다. 이 스킬은 푸아송 샘플링 구성을 통해 이러한 작업을 처리하며, 크거나 과도하게 스케일링된 메시에 실수로 수백만 개의 포인트가 생성되는 문제를 방지합니다.
Skill_PCGBiomeCore
바이옴 시스템을 처음부터 생성하고 랜드스케이프 규칙, 우선순위 영역 및 밀도 필터에 따라 어떤 에셋이 어디에 스폰될지 정의하려는 경우에는 이 스킬을 사용합니다. 이 스킬은 정의, 에셋, 제너레이터, 필터 및 월드 배치까지 이어지는 전체 에셋 생성 체인을 단계별로 설명하며, 아무것도 스폰되지 않는 가장 흔한 원인인 아무런 메시지 없이 실패하는 것을 방지하기 위한 안전 장치도 제공합니다.