Por que expomos ferramentas MCP em vez de WebSockets para agentes de negociação de IA

Hook

Seu agente de IA não precisa de 26 indicadores. Ele precisa de uma resposta.

Imagine uma pilha de negociação multi-agente que se inscreve em um feed WebSocket transmitindo 200 ticks por segundo. Antes que o agente possa raciocinar sobre abrir uma posição, ele deve analisar as mensagens recebidas, agregá-las em valores de indicadores, normalizar esses resultados, resolver conflitos entre sinais apontando em direções opostas e só então formar uma visão. Nesse ponto, o mercado já se moveu, o orçamento de contexto foi gasto e a latência que deveria ser uma vantagem se tornou uma responsabilidade.

O problema não são os indicadores. O problema é o protocolo. WebSockets foram projetados para empurrar dados continuamente. LLMs foram projetados para responder perguntas de forma discreta. Forçar um no outro é um desajuste arquitetônico — um que se manifesta como latência, custo e falha de interpretação exatamente no momento em que o agente precisa agir.

Na AlgoVault, construímos primeiro o MCP: uma chamada de ferramenta, um veredicto composto. Essa arquitetura agora sustenta 88,9% de taxa de vitória PFE em 46.912+ chamadas verificadas, ancoradas em Merkle no Base L2 — precisão que só é alcançada quando o agente não está fazendo o trabalho de interpretação.

O desajuste de protocolo

WebSockets são uma invenção da era dos navegadores. O protocolo foi projetado para mesas de negociação e painéis: um servidor empurra eventos continuamente, e uma interface de usuário os renderiza em tempo real. Esse é exatamente o design certo para um humano assistindo a um gráfico que precisa de atualizações em sub-segundos sobre a formação de velas e a profundidade do livro de ordens.

LLMs são um tipo de sistema fundamentalmente diferente. Eles processam solicitações discretas, raciocinam sobre entradas estruturadas e retornam uma única conclusão. Seu cálculo é pré-carregado; eles não são ouvintes com estado. A superfície operacional natural de um LLM é a chamada de ferramenta — pergunta estruturada entra, resposta estruturada sai.

Três arquétipos arquitetônicos existem hoje para conectar dados de mercado a agentes de IA:

Arquetipo A — Feeds de eventos brutos. O agente se inscreve em um WebSocket nativo de troca e recebe um fluxo contínuo de ticks de preço, deltas de livro de ordens e eventos de negociação. Esse padrão é ideal para motores de execução de alta frequência operados por humanos. Para um agente LLM tomando uma decisão a cada 15 minutos, isso significa que o agente está mantendo uma assinatura persistente, armazenando ticks, agregando-os em fatias OHLCV e executando matemática de indicadores — tudo dentro da janela de contexto, queimando tokens em transformação de dados em vez de tomada de decisão. O agente está fazendo o trabalho que um modelo quantitativo deveria assumir.

Arquetipo B — Scrape REST mais camada de indicadores. Um endpoint REST retorna dados OHLCV brutos; um wrapper calcula RSI, MACD, Bandas de Bollinger e pares, e então apresenta ao agente 8–12 saídas numéricas. O agente agora deve contar os votos: cinco dos oito indicadores dizem "comprar", três dizem "vender" — qual é o veredicto? O problema de interpretação é adiado para o LLM, que é inconsistente em chamadas e caro para solicitar de forma confiável. O wrapper MCP, se existir, é post-hoc; o produto subjacente nunca foi moldado para produzir uma resposta, apenas para produzir dados.

Arquetipo C — Respostas nativas do MCP. O agente emite uma única chamada de ferramenta — get_trade_signal — e recebe um veredicto composto: BUY, SELL ou HOLD, com uma pontuação de confiança e um rótulo de regime. A interpretação é realizada a montante, por um modelo quantitativo com um histórico publicado e verificável na blockchain. O único trabalho do agente é direcionar o resultado.

A diferença não é cosmética. O Arquetipo A dá ao agente um mangueirão. O Arquetipo B dá uma planilha. O Arquetipo C dá uma decisão. Para a esmagadora maioria dos agentes de negociação de IA — operando em cadências de decisão de 15 minutos a 4 horas em vez de laços de execução em microssegundos — o protocolo moldado para resposta é a escolha arquitetônica correta.

O contrato de chamada de ferramenta do MCP ({tool_name, args, result}) é estruturalmente idêntico à forma como os LLMs já raciocinam: faça uma pergunta sob um esquema definido, receba uma resposta tipada. Não há camada de tradução, não há manipulador de reconexão, não há loop de análise em contexto. A forma do protocolo faz o trabalho.

A escolha da AlgoVault

Escolhemos o MCP primeiro, REST como uma alternativa, sem superfície WebSocket nativa. Essa foi uma decisão arquitetônica desde o primeiro dia, não uma adaptação aplicada a um scraper de indicadores.

Uma única chamada para get_trade_signal retorna um veredicto composto — o resultado de um modelo quantitativo que pondera regime de tendência, normalização da taxa de financiamento, estado de compressão de volatilidade e persistência do expoente de Hurst sob um esquema de ponderação fixo e publicado. O agente recebe um campo para direcionar (verdict), uma pontuação de confiança para limiar, e um rótulo de regime para contexto de dimensionamento de posição. Sem matemática de indicadores. Sem agregação. Sem engenharia de prompt para contar votos.

Isso é o que a mensagem M2 significa na prática: uma chamada de API, um veredicto, não oito indicadores brutos deixados para o agente reconciliar. Nós fornecemos a tese; os agentes decidem a execução.

O histórico que resulta desse design é público e verificável de forma independente: 88,9% de taxa de vitória PFE em 46.912+ chamadas verificadas, com 10 lotes Merkle ancorados no Base L2. A Eficiência de Seguimento de Preços mede se o preço se moveu na direção do veredicto dentro da janela de tempo do sinal — não uma simulação testada retroativamente, mas um registro medido para frente, chamada por chamada.

O retorno da plataforma se acumula além da precisão. O esquema de chamada de ferramenta padronizado do MCP significa que a AlgoVault trabalha nativamente com todos os clientes de IA compatíveis com MCP — Claude Desktop, Claude Code, Cursor, Cline e qualquer pilha de agente personalizada construída contra o SDK do MCP. Estamos indexados em 14 registros, incluindo npm, GitHub, Smithery, Glama, mcp.so e o registro oficial do MCP. Smithery sozinho indexa mais de 7.000 servidores MCP; a AlgoVault é uma das poucas com um histórico publicado e verificável na blockchain anexado.

O protocolo não é apenas uma escolha técnica. É o canal de distribuição. Todo desenvolvedor de agente que instala qualquer cliente MCP e procura por ferramentas de inteligência de mercado encontra a AlgoVault. Nenhuma documentação de WebSocket para ler, nenhum adaptador para escrever, nenhum analisador personalizado para manter por troca. Uma instalação, uma ferramenta, um veredicto.

Passo a passo da implementação

Bloco 1 — Instalação via Smithery (plano gratuito, sem chave de API necessária)

# Instale o servidor AlgoVault MCP no Claude Desktop — comando único
npx -y @smithery/cli@latest install algovault/crypto-quant-signal-mcp \
  --client claude-desktop

# Após a instalação, abra o Claude Desktop e pergunte:
# "Me dê um sinal BTC 15m."
# A AlgoVault retorna um veredicto composto com o bloco de metadados _algovault.

Smithery cuida da descoberta do servidor, fixação de versão e configuração do cliente. A --client claude-desktop flag escreve a entrada do servidor MCP em ~/Library/Application Support/Claude/claude_desktop_config.json automaticamente — sem necessidade de edição manual de JSON.