From SQL Generation to Tool Selection: A Domain-Oriented Pattern for MCP Servers
Este artigo apresenta o Domain-Oriented Tooling Pattern e sua implementação de código aberto, o MCP Blueprint, que substitui a geração genérica de SQL pela seleção de ferramentas específicas de domínio para melhorar significativamente a precisão e reduzir os custos para LLMs menores em cenários de acesso a dados empresariais.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine um mundo onde os computadores podem ler e compreender a linguagem humana, permitindo que as pessoas façam perguntas complexas sobre vastas bibliotecas de dados sem precisar aprender os códigos secretos usados para armazenar essa informação. Este é o promessa da inteligência artificial moderna, especificamente de sistemas construídos sobre grandes modelos de linguagem. Esses modelos atuam como assistentes inteligentes, capazes de manter uma conversa e raciocinar através de problemas. Para torná-los verdadeiramente úteis para as empresas, os desenvolvedores conectam-nos a bases de dados — armazéns digitais contendo tudo, desde registos de clientes até listas de inventário. Um novo padrão chamado Model Context Protocol surgiu para ajudar estes assistentes de IA a encontrar e utilizar ferramentas externas, tal como um comando universal que permite que um dispositivo comunique com diferentes marcas de eletrodomésticos. O desafio central, no entanto, é como desenhar a ligação entre a IA, que é semelhante à linguagem humana, e a base de dados rígida e estruturada. Se a ligação for demasiado frouxa, a IA pode confundir-se ou cometer erros perigosos; se for demasiado rígida, não conseguirá responder às perguntas únicas que as pessoas realmente fazem.
Investigadores exploraram recentemente este exato problema, testando a melhor forma de construir estas ligações para dados empresariais. Eles compararam duas abordagens muito diferentes. O primeiro método, e o mais comum, consiste em dar à IA uma ferramenta única e poderosa que lhe permite escrever as suas próprias consultas de computador do zero. É como entregar a um convidado uma folha de papel em branco e uma caneta e pedir-lhe que escreva uma carta a um banco, esperando que ele conheça os formulários específicos do banco, a gramática correta e as regras exatas para calcular os juros. O segundo método, que os investigadores chamam de "Padrão de Ferramentas Orientado ao Domínio" (Domain-Oriented Tooling Pattern), consiste em dar à IA um pequeno conjunto de botões pré-escritos e específicos para premir. Em vez de escrever uma carta, o convidado simplesmente seleciona um botão rotulado como "Verificar Saldo da Conta" ou "Ver Transações Recentes". As regras e cálculos complexos já estão integrados no botão, escondidos com segurança dentro do sistema.
Para ver qual método funcionava melhor, a equipa construiu um campo de testes utilizando uma base de dados de exemplo de aluguer de filmes, um ambiente realista com milhares de registos sobre filmes, clientes e alugueres. Eles configuraram três formas diferentes para a IA interagir com estes dados. A primeira configuração permitia que a IA escrevesse as suas próprias consultas do zero, dependendo do seu próprio conhecimento da estrutura da base de dados. A segunda configuração deu à IA um conjunto de ferramentas especializadas, cada uma desenhada para uma tarefa de negócio específica, como verificar se um cliente tem filmes em atraso ou encontrar um filme que esteja atualmente em stock. A terceira configuração oferecia um meio-termo: um conjunto de ferramentas que eram demasiado simples, forçando a IA a ainda fazer a maior parte do trabalho pesado de combinar informações. Eles testaram depois estas configurações utilizando quatro modelos de IA diferentes, variando de modelos muito pequenos e rápidos a outros maiores e mais poderosos, fazendo dezassete perguntas de negócios do mundo real.
Os resultados foram claros e surpreendentes. A abordagem que deu à IA ferramentas especializadas e pré-construídas teve um desempenho significativamente melhor do que aquela que permitiu à IA escrever as suas próprias consultas. Ao utilizar as ferramentas especializadas, a IA respondeu corretamente quase noventa e quatro por cento das vezes. Em contraste, quando forçada a escrever as suas próprias consultas, a taxa de sucesso caiu para cerca de sessenta e sete por cento. Ainda mais impressionante foi o desempenho dos modelos de IA mais simples. O menor modelo testado, que teve dificuldades em responder corretamente quando escrevia as suas próprias consultas, alcançou uma taxa de sucesso superior a noventa e dois por cento ao utilizar as ferramentas especializadas. Esta descoberta sugere que, ao simplificar o trabalho que a IA tem de fazer — transformando uma tarefa de escrita complexa numa tarefa de seleção simples — os desenvolvedores podem utilizar computadores muito menores, mais baratos e mais rápidos para obter resultados fiáveis. É como se um motor pequeno e eficiente pudesse conduzir um carro tão bem quanto um motor enorme, desde que o carro seja construído com um volante fácil de rodar, em vez de um que exige que o condutor construa a estrada à sua frente.
O estudo também revelou que simplesmente dar ferramentas à IA não é suficiente; o design dessas ferramentas importa imensamente. Um conjunto de ferramentas mal desenhado, oferecendo apenas acesso básico às tabelas de dados sem instruções claras, teve na verdade um desempenho pior do que deixar a IA escrever as suas próprias consultas. Isto aconteceu porque as ferramentas mal desenhadas removeram a liberdade da IA de corrigir os seus próprios erros sem lhe darem a informação certa para ter sucesso. As ferramentas bem-sucedidas foram cuidadosamente elaboradas para esconder as regras de negócio complexas dentro do sistema. Por exemplo, determinar se um aluguer está "em atraso" envolve verificar datas e calcular diferenças de tempo, uma regra que a IA errou frequentemente ao escrever o seu próprio código. Com as ferramentas especializadas, esta regra já estava escrita e testada por humanos, de modo que a IA apenas tinha de reportar o resultado. Esta mudança significa que a inteligência necessária para executar o sistema passa do modelo de IA para os engenheiros humanos que desenham as ferramentas.
Os investigadores mediram não apenas a precisão, mas também o custo e a velocidade do processo. Como as ferramentas especializadas exigiam que a IA fizesse menos "pensamento", o sistema utilizou muito menos recursos de computador para obter a resposta correta. Em alguns casos, o custo de obter uma resposta correta caiu mais de dez vezes ao utilizar as ferramentas especializadas em comparação com o método de consulta bruta. O sistema também foi mais rápido, demorando apenas alguns segundos para responder em vez de quase um minuto. Esta eficiência significa que as empresas poderiam potencialmente executar estes assistentes inteligentes nos seus próprios computadores locais, em vez de pagarem por serviços de nuvem caros, tornando a tecnologia mais acessível e segura. O estudo conclui que, para questões de rotina empresarial, o melhor caminho não é tornar a IA mais inteligente, mas sim tornar a interface que ela utiliza mais simples e estruturada. Ao organizar o acesso aos dados em torno de tarefas claras e amigáveis para os humanos, em vez de comandos brutos de bases de dados, podemos construir sistemas que são mais precisos, rápidos e capazes de funcionar em hardware menor e mais acessível.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.