Adotando MCP: conectando LLMs e serviços de forma escalável

Nos últimos anos, a adoção de inteligência artificial em ambientes empresariais cresceu exponencialmente. Modelos de linguagem de nova geração (LLMs), como GPT, Claude ou Llama, demonstraram sua capacidade de automatizar tarefas e oferecer experiências conversacionais sofisticadas. No entanto, ainda existe um grande desafio: conectar esses modelos a serviços reais para garantir respostas úteis, atualizadas e seguras.

Limitações da abordagem Function Calling

Tradicionalmente, as integrações eram realizadas por meio de "function calling", onde cada LLM define seu próprio formato para invocar APIs externas. Essa abordagem apresenta problemas como:

• Falta de padronização: Cada modelo usa estruturas JSON diferentes.

• Baixa previsibilidade: Os modelos podem interpretar erroneamente funções ou argumentos.

• Conectores frágeis: Cada API requer uma implementação personalizada.

O resultado: um ecossistema fragmentado que dificulta a escalabilidade e a manutenção.

MCP: uma nova era de interoperabilidade

O Model Context Protocol (MCP) surge como um padrão aberto que separa a lógica de decisão do modelo (o que fazer) da execução (como fazer), por meio de um protocolo comum baseado em JSON-RPC.

Por que o MCP faz a diferença?

• Protocolo universal: O MCP permite que clientes como o Jelou interajam com múltiplos serviços, independentemente do modelo subjacente.

• Menor atrito: Utiliza uma linguagem comum para chamadas e respostas, evitando lógica personalizada.

• Alta escalabilidade: Basta adicionar um novo servidor MCP para integrar um sistema, sem reescrever prompts ou integrações.

"O MCP oferece uma forma de universalizar a execução de instruções geradas por modelos, mantendo a compatibilidade e simplificando a arquitetura."

Jelou como MCP Host

No Jelou, acreditamos que a chave para o futuro está em facilitar conexões seguras e ágeis entre IA e serviços reais. Por isso, estamos trabalhando para que nossa plataforma funcione como um MCP Host, permitindo que assistentes conversacionais acessem dados e funcionalidades externas de forma padronizada.

Além disso, promovemos um ambiente de desenvolvimento que permite:

• Construir MCP Servers personalizados dentro do Jelou.

• Configurar lógicas de negócio facilmente, com a ajuda de um LLM.

• Manter a segurança, isolando cada serviço em um ambiente seguro.

Comparação: Function Calling vs MCP

Exemplo prático: busca de cliente no CRM

Function Calling (GPT-4o)

functions = [{
  "name": "buscar_cliente",
  "description": "Busca informações de um cliente no CRM",
  "parameters": {
      "type": "object",
      "properties": {
          "email": {"type": "string"},
          "campos": {"type": "array", "items": {"type": "string"}}
      }
  }
}]

MCP (JSON-RPC)

{
 "jsonrpc": "2.0",
 "method": "crm.buscarCliente",
 "params": {
     "email": "joao@empresa.com",
     "campos": ["nome", "ultimo_pedido"]
 },
 "id": 1
}

Arquitetura Bridge: conectando modelos não compatíveis

Para modelos que ainda não suportam o MCP de forma nativa, no Jelou estamos desenvolvendo um componente intermediário chamado Bridge. Ele traduz chamadas de modelos tradicionais para o MCP, garantindo interoperabilidade total.

O Model Context Protocol representa um avanço fundamental para conectar IA a serviços reais de forma padronizada e escalável. No Jelou, apostamos em uma IA mais poderosa, acessível e confiável, e estamos construindo as bases para que qualquer empresa possa se integrar ao futuro conversacional com facilidade.