Meu JSON Era Grande Demais para Minha IA, Então Construí um Servidor MCP para Resolver

Era uma noite tardia. Meus olhos estavam ardendo. Eu tinha um arquivo JSON me encarando. Um banco de dados de missões espaciais (exemplo). Mais de 1620 linhas. 7 missões, cada uma aninhada 5 níveis de profundidade. Registros de pessoal dentro de arrays de tripulação dentro de missões dentro de um objeto meta de banco de dados. Especificações de espaçonaves com estatísticas de Ion-Plasma Drive. Cargas úteis marcadas como "Perigo de Radiação Classe-IV." Orçamentos na casa dos bilhões.

Era o caos mais lindamente estruturado que eu já tinha visto.

Eu pensei: "Deixe-me apenas pedir ao meu AI para analisar isso."

Então eu colei tudo no chat. Apertei enter. Esperei. E então, a mensagem que eu temia:

⚠️ Limite de contexto excedido. Eu estava usando um pequeno LLM de código aberto

Meu LLM não conseguia nem ver o arquivo inteiro. E a pior parte? Eu não precisava de tudo isso. Eu só queria um número: o orçamento total de todas as 7 missões. Um número, enterrado 4 camadas de profundidade dentro de missions[*].budget_credits. Só isso.

Eu fiquei ali por um segundo. Então pensei em todas as vezes que eu havia batido exatamente nessa parede antes. Respostas de API enormes de clientes, exportações do MongoDB com 10.000 documentos aninhados, mega-arquivos de configuração que nenhum humano deveria ter que rolar. Toda vez, a mesma história: JSON muito grande, AI muito pequeno.

Eu encarei a tela. Então fiz o que qualquer desenvolvedor são faria.

Eu construí algo.

Por que eu não poderia apenas "escrever um script"

Agora, eu sei o que você está pensando. "Apenas escreva um script em Python, cara."

E claro, eu poderia:

import json

with open("missions.json") as f:
    data = json.load(f)

total = sum(m["budget_credits"] for m in data["missions"])
print(f"Orçamento total: ${total:,.2f}")

Seis linhas. Pronto. Certo?

Exceto... eu nem sempre sei o que estou procurando. Às vezes estou explorando. Às vezes recebo um JSON de um cliente sem documentação e só preciso fuçar. "Quais chaves existem? O que está aninhado sob config? Quantos itens têm status: active?" Esse fluxo exploratório e conversacional é exatamente para isso que os assistentes de AI devem ser bons.

Eu poderia usar jq. Eu poderia iniciar pandas. Eu poderia escrever um novo script descartável toda vez. Mas todos esses requerem que eu já conheça a estrutura, já saiba a pergunta e, essencialmente, faça o trabalho da AI para a AI.

Isso derrotou todo o propósito. Eu não queria escrever código para entender meus dados. Eu queria conversar com eles.

Então a pergunta se tornou: E se meu AI não precisasse ler o arquivo inteiro? E se, em vez de engasgar em 620 linhas de JSON, ele pudesse extrair cirurgicamente exatamente as peças que precisava?

Eu percebi que precisamos usar uma solução MCP aqui.

Entre MCP — Dando ao seu AI Mãos, Não Apenas Olhos

Se você ainda não ouviu falar do MCP (Modelo de Protocolo de Contexto), aqui está a maneira mais simples que posso explicar:

Em vez de fazer seu AI ler uma biblioteca inteira, você dá a ele um bibliotecário.

O MCP permite que você dê ao seu AI ferramentas. Funções pequenas e focadas que ele pode chamar por conta própria. O AI decide qual ferramenta usar, a chama, lê o resultado e decide seu próximo movimento. É como atualizar seu assistente de um leitor rápido (que fica sem páginas) para um detetive com o kit de ferramentas perfeito.

Aqui está a mudança de paradigma que mudou tudo para mim:

❌ Sem MCP: Cole 620 linhas de JSON → "Limite de contexto excedido"

✅ Com MCP: AI chama load_json → obtém metadados (47KB, 3 chaves de nível superior) → chama sum_values em $.missions[*].budget_credits → "$18.250.000.000,50"

O AI nunca viu o arquivo completo. Ele o carregou na memória, usou uma ferramenta cirúrgica para extrair o número que eu precisava e me deu a resposta. Quatro chamadas de ferramenta. Zero transbordo de contexto. Esse foi meu momento de iluminação.

E é exatamente isso que eu construí.

O que eu construí: Agente JSON Universal MCP

Converse com seus arquivos JSON usando linguagem natural.

26 ferramentas. 9 categorias. Um comando de instalação. Zero dores de cabeça com configuração.

uv tool install universal-json-agent-mcp

É isso. Agora você tem um servidor MCP que funciona com VS Code / GitHub Copilot, Claude Desktop, Cursor, ou literalmente qualquer cliente compatível com MCP.

Mas números não contam a história. Deixe-me mostrar como realmente se sente usar isso. Lembra daquele banco de dados de missões espaciais com o qual eu estava lutando?

Você:   Carregue missions.json e me diga o que há dentro.

AI:    ✅ Carregado "missions" — objeto com 3 chaves de nível superior,
       tamanho do arquivo 47,2 KB.
       Chaves: database_meta, missions, global_notes

Você:   Como é a estrutura?

AI:    database_meta (objeto)
         ├─ version (string)
         ├─ total_missions (número)
         ├─ contact (objeto)
         │    ├─ director (string)
         │    └─ hotline (string)
       missions (array de 7 objetos)
         ├─ codename (string)
         ├─ status (string)
         ├─ budget_credits (número)
         ├─ spacecraft (objeto) → designation, specifications…
         └─ personnel