Model Context Protocol
Ir para notas que citam estaModel Context Protocol (MCP) é um protocolo criado pela Anthropic que padroniza como agentes de IA acessam ferramentas, dados e arquivos externos por meio de servidores locais ou remotos.
O protocolo resolve o problema de cada integração ser feita sob medida. Em vez de o agente conhecer os detalhes de cada banco, servidor ou repositório, ele conversa com servidores MCP que expõem essas capacidades de forma uniforme. Por isso o MCP vem se consolidando como padrão de integração entre agentes, clientes e modelos, e também como uma forma de organizar agentes em torno de um mesmo contrato.
Clientes, servidores e acesso a dados
O MCP funciona no modelo cliente-servidor. O agente atua como cliente e define o contrato do que pode pedir; cada servidor MCP expõe ferramentas específicas que o agente pode chamar, estendendo as ferramentas do agente. Um servidor pode ser local ou remoto, e cada um acessa um local de dado diferente: um servidor de banco de dados atende consultas, um servidor do host atende checagens de saúde da aplicação.
O protocolo oferece diversas formas de acessar dados, inclusive arquivos. Isso levanta duas questões práticas ainda abertas na exploração: como fazer o input de arquivos via MCP e qual o melhor método de interpretar essas diferentes formas de entrada. Uma hipótese é aproveitar o mesmo formato de artefatos do produto como estrutura de entrada e armazenamento, e outra é que o MCP reduza a necessidade de construir uma interface de front-end própria.
Num teste inicial, o MCP trouxe informação desnecessária para a resposta, o que deixa em dúvida se o ganho de padronização compensa em todos os casos.
Suporte no Spring AI
O Spring AI tem duas bibliotecas com starters pré-configurados, uma para servidor e outra para cliente MCP. A maior parte da configuração de baixo nível já vem pronta, e o desenvolvedor implementa apenas a lógica de negócio que o servidor expõe. Para montar um servidor é preciso adicionar também o starter de web, porque o starter de MCP sozinho não expõe os endpoints necessários. Esse suporte pronto pesa a favor do Spring AI na comparação entre frameworks de agentes.
Caso de uso: agente de observabilidade e troubleshooting
Uma aplicação proposta do protocolo é um agente que investiga incidentes de sistema. Numa arquitetura orientada a eventos, uma fila (por exemplo, Kafka) recebe logs e eventos da aplicação. Quando um evento indica um tipo específico de problema, como um erro funcional ligado a dados, ele aciona o agente investigador, que consulta várias fontes via MCP:
- o servidor MCP do banco de dados, para buscar os dados relacionados ao log do problema;
- o servidor MCP do host, para checagens equivalentes a comandos como top ou htop, avaliando o que consome recursos;
- um servidor MCP do GitLab, para trazer os commits recentes do serviço e verificar se a causa foi uma mudança de código.
As respostas vão para um agente sumarizador, que monta um relatório final do que aconteceu. Juntar respostas de fontes diferentes numa resposta única aproxima esse fluxo mais da paralelização do que do orquestrador com trabalhadores puro. O limite é explícito: o agente executa exatamente o comportamento definido para ele e apenas relata o diagnóstico; a decisão e a eventual correção continuam com uma pessoa, na linha da revisão humana.