Além dos Chatbots: Construindo Meu Agente RAG em um Servidor MCP
No meu último post, eu passei por um pipeline RAG que responde perguntas de um documento de política da empresa. A próxima pergunta que eu queria responder: o que acontece quando eu quero que outros sistemas de IA usem essa mesma capacidade, sem codificar uma importação Python?
Foi isso que me levou a construir um servidor MCP. Neste artigo, explicarei como construí um servidor MCP personalizado que expõe ferramentas para agentes de IA e como essa arquitetura permite aplicações de IA empresarial mais poderosas.
O que é MCP?
O Protocolo de Contexto de Modelo é um protocolo aberto que padroniza como as aplicações de IA se comunicam com ferramentas externas e fontes de dados.
Em vez de criar integrações personalizadas para cada aplicação de IA, o MCP fornece uma interface comum onde servidores expõem ferramentas que clientes de IA podem descobrir e invocar.
Pilha de Tecnologia
Python, SDK MCP, Ollama / LLM Local, Cliente de Agente de IA, FastAPI (integração opcional).
O que realmente está no servidor
Eu construí isso com FastMCP, e atualmente expõe quatro categorias de ferramentas:
- Ferramentas de calculadora — calculator_add e calculator_multiply.
- search_company_documents — o agente RAG do meu último projeto, mas agora acessado via HTTP em vez de uma chamada de função direta. A ferramenta MCP envia uma solicitação para o endpoint /search do FastAPI do agente RAG e retorna a resposta. Esta requer um parâmetro api_key.
- get_employee_leave — consulta o PTO restante de um funcionário de um armazenamento em memória. Consulta simples, sem chamadas externas.
- get_ticket_information — mesmo padrão, retornando status do ticket, equipe designada e prioridade.
Cada ferramenta é registrada com um @mcp.tool() decorador, que é o que torna o FastMCP genuinamente agradável de trabalhar.
Desafios que Enfrentei
As ferramentas de calculadora, funcionário e ticket eram funções puras diretas sem dependências externas. A ferramenta de busca RAG era um problema completamente diferente e foi a parte mais difícil de todo este projeto.
Meu agente RAG roda como seu próprio serviço FastAPI, em seu próprio processo, com seu próprio armazenamento vetorial carregado na memória. O servidor MCP não compartilha nada disso — ele precisa atravessar um verdadeiro limite de rede com uma chamada requests.get() simples para http://127.0.0.1:8000/search.
Gerenciar modos de falha reais como conexão recusada se o serviço RAG não estiver ativo, timeouts, uma forma de resposta que precisa ser analisada corretamente do outro lado.
Melhorias Futuras
- Estender a autenticação para as ferramentas de funcionário e ticket, para que a proteção seja uniforme em vez de parcial.
- Substituir os dicionários de funcionário/ticket em memória por uma fonte de dados real.
- Eventualmente, conectar este servidor MCP como a camada de ferramentas para um fluxo de trabalho multi-agente — permitindo que um agente de pesquisa e um agente escritor compartilhem o mesmo conjunto de ferramentas descobríveis em vez de cada um ter suas próprias integrações diretas.
Principais Conclusões
Construir um servidor MCP mudou minha perspectiva sobre aplicações de IA. O futuro da IA empresarial não se trata apenas de gerar melhores respostas. Trata-se de criar sistemas onde agentes de IA possam interagir com segurança com ferramentas do mundo real e capacidades de negócios.
O MCP fornece uma base importante para construir essas aplicações de IA de próxima geração.
A construção de servidores MCP pode transformar a forma como empresas brasileiras integram IA em suas operações. Isso permite que diferentes sistemas de IA compartilhem ferramentas e capacidades, aumentando a eficiência e a inovação. A adoção de protocolos como o MCP é crucial para a evolução das aplicações de IA no mercado.
