Skip to content

Latest commit

 

History

History
311 lines (232 loc) · 15.9 KB

README.md

File metadata and controls

311 lines (232 loc) · 15.9 KB

Introdução ao Protocolo de Contexto de Modelo (MCP): Por Que É Importante para Aplicações de IA Escaláveis

As aplicações de IA generativa representam um grande avanço, pois frequentemente permitem que o utilizador interaja com a aplicação usando comandos em linguagem natural. No entanto, à medida que se investe mais tempo e recursos nestas aplicações, é importante garantir que seja fácil integrar funcionalidades e recursos de forma a que a aplicação seja extensível, possa suportar mais do que um modelo e lide com as várias particularidades dos modelos. Em suma, criar aplicações de IA generativa é simples no início, mas à medida que crescem e se tornam mais complexas, é necessário começar a definir uma arquitetura e provavelmente recorrer a um padrão para garantir que as aplicações são construídas de forma consistente. É aqui que o MCP entra para organizar e fornecer um padrão.

🔍 O Que É o Protocolo de Contexto de Modelo (MCP)?

O Protocolo de Contexto de Modelo (MCP) é uma interface aberta e padronizada que permite que Grandes Modelos de Linguagem (LLMs) interajam de forma fluida com ferramentas externas, APIs e fontes de dados. Proporciona uma arquitetura consistente para ampliar a funcionalidade dos modelos de IA para além dos seus dados de treino, permitindo sistemas de IA mais inteligentes, escaláveis e responsivos.

🎯 Por Que a Padronização na IA É Importante

À medida que as aplicações de IA generativa se tornam mais complexas, é essencial adotar padrões que garantam escalabilidade, extensibilidade e manutenção. O MCP responde a estas necessidades ao:

  • Unificar as integrações entre modelos e ferramentas
  • Reduzir soluções frágeis e personalizadas pontuais
  • Permitir que múltiplos modelos coexistam num único ecossistema

📚 Objetivos de Aprendizagem

No final deste artigo, será capaz de:

  • Definir o Protocolo de Contexto de Modelo (MCP) e os seus casos de uso
  • Compreender como o MCP padroniza a comunicação entre modelo e ferramenta
  • Identificar os componentes principais da arquitetura MCP
  • Explorar aplicações reais do MCP em contextos empresariais e de desenvolvimento

💡 Por Que o Protocolo de Contexto de Modelo (MCP) É Revolucionário

🔗 MCP Resolve a Fragmentação nas Interações de IA

Antes do MCP, integrar modelos com ferramentas exigia:

  • Código personalizado para cada par ferramenta-modelo
  • APIs não padronizadas para cada fornecedor
  • Quebras frequentes devido a atualizações
  • Escalabilidade limitada com o aumento do número de ferramentas

✅ Benefícios da Padronização MCP

Benefício Descrição
Interoperabilidade LLMs funcionam sem problemas com ferramentas de diferentes fornecedores
Consistência Comportamento uniforme entre plataformas e ferramentas
Reutilização Ferramentas criadas uma vez podem ser usadas em vários projetos e sistemas
Desenvolvimento Acelerado Reduz o tempo de desenvolvimento usando interfaces padronizadas e plug-and-play

🧱 Visão Geral da Arquitetura MCP a Alto Nível

O MCP segue um modelo cliente-servidor, onde:

  • Hosts MCP executam os modelos de IA
  • Clientes MCP iniciam pedidos
  • Servidores MCP fornecem contexto, ferramentas e capacidades

Componentes Principais:

  • Recursos – Dados estáticos ou dinâmicos para os modelos
  • Prompts – Fluxos de trabalho pré-definidos para geração guiada
  • Ferramentas – Funções executáveis como pesquisa, cálculos
  • Amostragem – Comportamento agente via interações recursivas

Como Funcionam os Servidores MCP

Os servidores MCP operam da seguinte forma:

  • Fluxo de Pedido:

    1. O Cliente MCP envia um pedido ao Modelo de IA que está a correr num Host MCP.
    2. O Modelo de IA identifica quando precisa de ferramentas ou dados externos.
    3. O modelo comunica com o Servidor MCP usando o protocolo padronizado.

  • Funcionalidades do Servidor MCP:

    • Registo de Ferramentas: Mantém um catálogo das ferramentas disponíveis e suas capacidades.
    • Autenticação: Verifica permissões para acesso às ferramentas.
    • Gestor de Pedidos: Processa os pedidos de ferramentas recebidos do modelo.
    • Formatador de Respostas: Estrutura as saídas das ferramentas num formato que o modelo compreende.

  • Execução das Ferramentas:

    • O servidor encaminha os pedidos para as ferramentas externas apropriadas
    • As ferramentas executam as suas funções especializadas (pesquisa, cálculo, consultas a bases de dados, etc.)
    • Os resultados são devolvidos ao modelo num formato consistente.

  • Conclusão da Resposta:

    • O modelo de IA incorpora as saídas das ferramentas na sua resposta.
    • A resposta final é enviada de volta à aplicação cliente.
---
title: MCP Server Architecture and Component Interactions
description: A diagram showing how AI models interact with MCP servers and various tools, depicting the request flow and server components including Tool Registry, Authentication, Request Handler, and Response Formatter
---
graph TD
    A[AI Model in MCP Host] <-->|MCP Protocol| B[MCP Server]
    B <-->|Tool Interface| C[Tool 1: Web Search]
    B <-->|Tool Interface| D[Tool 2: Calculator]
    B <-->|Tool Interface| E[Tool 3: Database Access]
    B <-->|Tool Interface| F[Tool 4: File System]
    
    Client[MCP Client/Application] -->|Sends Request| A
    A -->|Returns Response| Client
    
    subgraph "MCP Server Components"
        B
        G[Tool Registry]
        H[Authentication]
        I[Request Handler]
        J[Response Formatter]
    end
    
    B <--> G
    B <--> H
    B <--> I
    B <--> J
    
    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style B fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style C fill:#c2f0c2,stroke:#333,stroke-width:1px
    style D fill:#c2f0c2,stroke:#333,stroke-width:1px
    style E fill:#c2f0c2,stroke:#333,stroke-width:1px
    style F fill:#c2f0c2,stroke:#333,stroke-width:1px
Loading

👨‍💻 Como Construir um Servidor MCP (Com Exemplos)

Os servidores MCP permitem-lhe expandir as capacidades dos LLMs fornecendo dados e funcionalidades.

Pronto para experimentar? Aqui estão exemplos de como criar um servidor MCP simples em diferentes linguagens:

🌍 Casos de Uso Reais para MCP

O MCP permite uma vasta gama de aplicações ao expandir as capacidades da IA:

Aplicação Descrição
Integração de Dados Empresariais Liga LLMs a bases de dados, CRMs ou ferramentas internas
Sistemas de IA Agentes Permite agentes autónomos com acesso a ferramentas e fluxos de decisão
Aplicações Multimodais Combina texto, imagem e áudio numa única aplicação de IA unificada
Integração de Dados em Tempo Real Introduz dados ao vivo nas interações de IA para resultados mais precisos e atuais

🧠 MCP = Padrão Universal para Interações de IA

O Protocolo de Contexto de Modelo (MCP) funciona como um padrão universal para interações de IA, tal como o USB-C padronizou as ligações físicas para dispositivos. No mundo da IA, o MCP fornece uma interface consistente, permitindo que os modelos (clientes) integrem-se facilmente com ferramentas externas e fornecedores de dados (servidores). Isto elimina a necessidade de protocolos diversos e personalizados para cada API ou fonte de dados.

No MCP, uma ferramenta compatível (denominada servidor MCP) segue um padrão unificado. Estes servidores podem listar as ferramentas ou ações que oferecem e executar essas ações quando solicitadas por um agente de IA. Plataformas de agentes de IA que suportam MCP são capazes de descobrir as ferramentas disponíveis nos servidores e invocá-las através deste protocolo padrão.

💡 Facilita o acesso ao conhecimento

Para além de oferecer ferramentas, o MCP também facilita o acesso ao conhecimento. Permite que as aplicações forneçam contexto aos grandes modelos de linguagem (LLMs) ao ligá-los a várias fontes de dados. Por exemplo, um servidor MCP pode representar o repositório de documentos de uma empresa, permitindo que os agentes recuperem informação relevante sob demanda. Outro servidor pode tratar ações específicas, como enviar emails ou atualizar registos. Do ponto de vista do agente, estas são simplesmente ferramentas que pode usar — algumas devolvem dados (contexto de conhecimento), outras executam ações. O MCP gere ambos de forma eficiente.

Um agente que se liga a um servidor MCP aprende automaticamente as capacidades disponíveis e os dados acessíveis através de um formato padrão. Esta padronização permite a disponibilidade dinâmica de ferramentas. Por exemplo, adicionar um novo servidor MCP ao sistema de um agente torna as suas funções imediatamente utilizáveis sem necessidade de personalizar as instruções do agente.

Esta integração simplificada está alinhada com o fluxo representado no diagrama mermaid, onde os servidores fornecem tanto ferramentas como conhecimento, garantindo uma colaboração fluida entre sistemas.

👉 Exemplo: Solução de Agente Escalável

---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
    User -->|Prompt| LLM
    LLM -->|Response| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|Universal connector| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[Knowledge]
        ToolsA[Tools]
    end

    subgraph Server B
        KnowledgeB[Knowledge]
        ToolsB[Tools]
    end
Loading

🔄 Cenários Avançados MCP com Integração de LLM no Lado do Cliente

Para além da arquitetura básica MCP, existem cenários avançados onde tanto o cliente como o servidor contêm LLMs, permitindo interações mais sofisticadas:

---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
    autonumber
    actor User as 👤 User
    participant ClientApp as 🖥️ Client App
    participant ClientLLM as 🧠 Client LLM
    participant Server1 as 🔧 MCP Server 1
    participant Server2 as 📚 MCP Server 2
    participant ServerLLM as 🤖 Server LLM
    
    %% Discovery Phase
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: TOOL DISCOVERY PHASE
        ClientApp->>+Server1: Request available tools/resources
        Server1-->>-ClientApp: Return tool list (JSON)
        ClientApp->>+Server2: Request available tools/resources
        Server2-->>-ClientApp: Return tool list (JSON)
        Note right of ClientApp: Store combined tool<br/>catalog locally
    end
    
    %% User Interaction
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: USER INTERACTION PHASE
        User->>+ClientApp: Enter natural language prompt
        ClientApp->>+ClientLLM: Forward prompt + tool catalog
        ClientLLM->>-ClientLLM: Analyze prompt & select tools
    end
    
    %% Scenario A: Direct Tool Calling
    alt Direct Tool Calling
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
            ClientLLM->>+ClientApp: Request tool execution
            ClientApp->>+Server1: Execute specific tool
            Server1-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    
    %% Scenario B: Feature Negotiation (VS Code style)
    else Feature Negotiation (VS Code style)
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
            ClientLLM->>+ClientApp: Identify needed capabilities
            ClientApp->>+Server2: Negotiate features/capabilities
            Server2->>+ServerLLM: Request additional context
            ServerLLM-->>-Server2: Provide context
            Server2-->>-ClientApp: Return available features
            ClientApp->>+Server2: Call negotiated tools
            Server2-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    end
Loading

🔐 Benefícios Práticos do MCP

Aqui estão os benefícios práticos de usar MCP:

  • Atualização: Os modelos podem aceder a informação atualizada para além dos seus dados de treino
  • Extensão de Capacidades: Os modelos podem usar ferramentas especializadas para tarefas para as quais não foram treinados
  • Redução de Alucinações: Fontes de dados externas fornecem uma base factual
  • Privacidade: Dados sensíveis podem permanecer em ambientes seguros em vez de serem incorporados nos prompts

📌 Principais Conclusões

Aqui ficam as principais conclusões sobre o uso do MCP:

  • O MCP padroniza a forma como os modelos de IA interagem com ferramentas e dados
  • Promove extensibilidade, consistência e interoperabilidade
  • O MCP ajuda a reduzir o tempo de desenvolvimento, melhorar a fiabilidade e ampliar as capacidades dos modelos
  • A arquitetura cliente-servidor permite aplicações de IA flexíveis e extensíveis

🧠 Exercício

Pense numa aplicação de IA que gostaria de construir.

  • Que ferramentas externas ou dados poderiam melhorar as suas capacidades?
  • De que forma o MCP poderia tornar a integração mais simples e fiável?

Recursos Adicionais

O que vem a seguir

Seguinte: Capítulo 1: Conceitos Fundamentais

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução automática Co-op Translator. Embora nos esforcemos pela precisão, por favor tenha em conta que traduções automáticas podem conter erros ou imprecisões. O documento original na sua língua nativa deve ser considerado a fonte autorizada. Para informações críticas, recomenda-se tradução profissional humana. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações erradas decorrentes da utilização desta tradução.