Pular para o conteúdo principal

Protocolo de Contexto de Modelo (MCP)

O Protocolo de Contexto de Modelo (MCP) é um protocolo aberto que padroniza como os aplicativos fornecem contexto aos Modelos de Linguagem (LLMs). Assim como USB-C padroniza conexões de dispositivos, MCP padroniza a integração de modelos de IA com diferentes fontes de dados e ferramentas.

O que é MCP?​

MCP permite que aplicativos e modelos de IA se comuniquem de forma estruturada, facilitando a troca de informações contextuais, comandos e resultados. Isso torna possível conectar modelos a bancos de dados, sistemas de arquivos, APIs externas e muito mais, sem a necessidade de integrações personalizadas para cada caso.

  • Padronização: Um único protocolo para conectar diferentes modelos e ferramentas.
  • Interoperabilidade: Permite que modelos de IA acessem dados e executem ações em vários sistemas.
  • Segurança e Controle: O protocolo define permissões claras sobre o que o modelo pode acessar ou modificar.

Pré-requisitos​

Certifique-se de ter o seguinte instalado antes de prosseguir:

  • Node.js (v18 ou posterior recomendado)
  • npx (vem incluído com Node.js)

Você pode verificar se estão instalados executando:

node -v
npx -v

Instalando Tess AI MCP​

Instalar MCP é simples e pode ser feito usando o comando abaixo com npx. Basta fornecer o nome MCP localmente e sua chave de API:

TESS_API_KEY="API_KEY_HERE" npx -y mcp-tess

Substitua API_KEY_HERE pela sua chave de acesso.

Após a instalação, você terá acesso a todos os endpoints disponíveis na API Tess AI.

Como gerar seu token de acesso: Siga os passos em Como criar um Token de API no Tess AI ou veja as instruções detalhadas aqui.

Verifique a documentação para ver como gerar o Token de Acesso, acessar endpoints, executar operações e revisar contratos e versões.

Como funciona na prática?​

O fluxo típico do MCP é:

  1. Cliente (ex.: Claude, outro LLM ou seu aplicativo) envia uma solicitação MCP para um servidor MCP.
  2. Servidor MCP interpreta a solicitação, acessa dados, executa comandos ou retorna informações solicitadas.
  3. Resposta: O servidor retorna o resultado para o cliente, que pode ser usado pelo modelo para gerar respostas mais ricas ou executar ações automatizadas.

Instalando no Cursor / VSCode​

Localize o arquivo de configuração MCP e adicione a configuração Tess MCP conforme mostrado abaixo. No Cursor, o arquivo pode ser encontrado via Tools & Integration > MCP Tools (menu) ou em ~/.cursor/mcp.json:

{
  "mcpServers": {
    "tess": {
      "command": "npx",
      "args": ["-y", "mcp-tess"],
      "env": {
        "TESS_API_KEY": "<REPLACE_YOUR_TOKEN_HERE>"
      }
    }
  }
}

No VSCode, a localização pode variar dependendo da extensão que você usa, mas a estrutura permanece a mesma.

Instalando no Claude Code​

Usando a CLI, você pode adicioná-lo diretamente com:

claude mcp add tess -e TESS_API_KEY="<REPLACE_YOUR_TOKEN_HERE>" -- npx -y mcp-tess

Exemplo de Uso com Tess AI​

Vamos ver um exemplo prático de como usar MCP para gerenciar memórias e coleções no Tess AI:

  1. Listar coleções e memórias:
    • Inicialmente, ao listar memórias, pode não haver nenhuma registrada.
    • Liste as coleções para verificar as existentes. Por padrão, existe a coleção MyMemories.
  2. Criar uma nova coleção:
    • Crie uma coleção chamada, por exemplo, "Melhores Práticas de Programação".
    • Confirme a criação e liste as coleções novamente para garantir que a nova foi adicionada.
  3. Adicionar memórias à coleção:
    • Adicione memórias à nova coleção, como:
      • "Sempre use SOLID como padrão de desenvolvimento."
      • "Sempre crie testes unitários usando BDD."
    • Confirme que as memórias foram adicionadas com sucesso.
  4. Listar memórias na coleção:
    • Liste as memórias na coleção para verificar se foram salvas corretamente.
  5. Usar as memórias em um caso prático:
    • Peça ao agente Tess AI (por exemplo, o agente de chat TES AIV5) para criar um serviço, como "Gerenciamento de Reservas de Voos em Node.js", usando as melhores práticas salvas na coleção.
    • O agente buscará a coleção, usará as memórias como referência e gerará o serviço solicitado, incluindo as práticas recomendadas (como usar BDD para testes).

Este fluxo demonstra como MCP permite integrar, consultar e usar informações contextuais de forma prática e eficiente com Tess AI.

Benefícios do MCP​

  • Plug & Play: Adicione novas fontes de dados ou ferramentas sem precisar reescrever integrações.
  • Escalabilidade: O mesmo modelo pode ser conectado a múltiplos MCPs, cada um com permissões e capacidades diferentes.
  • Segurança: O protocolo permite definir exatamente o que pode ser acessado ou executado.

Recursos e Referências​

Para detalhes técnicos, exemplos de payload e implementação do servidor MCP, consulte a documentação oficial acima.