À medida que o uso de agentes de IA cresce, também aumenta a necessidade de protocolos que garantam padronização, segurança e promovam a inovação aberta. Nesta lição, abordaremos 3 protocolos que buscam atender a essa necessidade - Model Context Protocol (MCP), Agent to Agent (A2A) e Natural Language Web (NLWeb).

Nesta lição, vamos abordar:

• Como o MCP permite que agentes de IA acessem ferramentas e dados externos para realizar tarefas dos usuários.

• Como o A2A possibilita a comunicação e colaboração entre diferentes agentes de IA.

• Como o NLWeb traz interfaces de linguagem natural para qualquer site, permitindo que agentes de IA descubram e interajam com o conteúdo.

• Identificar o propósito principal e os benefícios do MCP, A2A e NLWeb no contexto de agentes de IA.

• Explicar como cada protocolo facilita a comunicação e interação entre LLMs, ferramentas e outros agentes.

• Reconhecer os papéis distintos que cada protocolo desempenha na construção de sistemas agentes complexos.

O Model Context Protocol (MCP) é um padrão aberto que fornece uma maneira padronizada para que aplicativos forneçam contexto e ferramentas para LLMs. Isso permite um "adaptador universal" para diferentes fontes de dados e ferramentas que agentes de IA podem conectar de forma consistente.

Vamos explorar os componentes do MCP, os benefícios em comparação ao uso direto de APIs e um exemplo de como agentes de IA podem usar um servidor MCP.

O MCP opera em uma arquitetura cliente-servidor e seus componentes principais são:

• Hosts são aplicativos LLM (por exemplo, um editor de código como o VSCode) que iniciam conexões com um servidor MCP.

• Clientes são componentes dentro do aplicativo host que mantêm conexões um-a-um com servidores.

• Servidores são programas leves que expõem capacidades específicas.

O protocolo inclui três primitivas centrais que representam as capacidades de um servidor MCP:

• Ferramentas: São ações ou funções discretas que um agente de IA pode chamar para realizar uma ação. Por exemplo, um serviço de clima pode expor uma ferramenta "obter clima", ou um servidor de e-commerce pode expor uma ferramenta "comprar produto". Servidores MCP anunciam o nome, descrição e esquema de entrada/saída de cada ferramenta em sua lista de capacidades.

• Recursos: São itens de dados ou documentos somente leitura que um servidor MCP pode fornecer, e os clientes podem recuperá-los sob demanda. Exemplos incluem conteúdos de arquivos, registros de banco de dados ou arquivos de log. Recursos podem ser texto (como código ou JSON) ou binários (como imagens ou PDFs).

• Prompts: São modelos predefinidos que fornecem sugestões de prompts, permitindo fluxos de trabalho mais complexos.

O MCP oferece vantagens significativas para agentes de IA:

• Descoberta Dinâmica de Ferramentas: Agentes podem receber dinamicamente uma lista de ferramentas disponíveis de um servidor, junto com descrições de suas funções. Isso contrasta com APIs tradicionais, que frequentemente exigem codificação estática para integrações, significando que qualquer mudança na API requer atualizações no código. O MCP oferece uma abordagem "integre uma vez", proporcionando maior adaptabilidade.

• Interoperabilidade Entre LLMs: O MCP funciona com diferentes LLMs, oferecendo flexibilidade para alternar modelos principais e avaliar melhor desempenho.

• Segurança Padronizada: O MCP inclui um método padrão de autenticação, melhorando a escalabilidade ao adicionar acesso a servidores MCP adicionais. Isso é mais simples do que gerenciar diferentes chaves e tipos de autenticação para várias APIs tradicionais.

Imagine que um usuário deseja reservar um voo usando um assistente de IA alimentado por MCP.

1. Conexão: O assistente de IA (o cliente MCP) conecta-se a um servidor MCP fornecido por uma companhia aérea.

2. Descoberta de Ferramentas: O cliente pergunta ao servidor MCP da companhia aérea: "Quais ferramentas você tem disponíveis?" O servidor responde com ferramentas como "buscar voos" e "reservar voos".

3. Invocação de Ferramenta: Você então pede ao assistente de IA: "Por favor, procure um voo de Portland para Honolulu." O assistente de IA, usando seu LLM, identifica que precisa chamar a ferramenta "buscar voos" e passa os parâmetros relevantes (origem, destino) para o servidor MCP.

4. Execução e Resposta: O servidor MCP, atuando como um wrapper, faz a chamada real para a API interna de reservas da companhia aérea. Ele então recebe as informações do voo (por exemplo, dados JSON) e as envia de volta ao assistente de IA.

5. Interação Adicional: O assistente de IA apresenta as opções de voo. Uma vez que você seleciona um voo, o assistente pode invocar a ferramenta "reservar voo" no mesmo servidor MCP, concluindo a reserva.

Enquanto o MCP se concentra em conectar LLMs a ferramentas, o Protocolo Agente-para-Agente (A2A) vai além, permitindo a comunicação e colaboração entre diferentes agentes de IA. O A2A conecta agentes de IA de diferentes organizações, ambientes e stacks tecnológicos para completar uma tarefa compartilhada.

Vamos examinar os componentes e benefícios do A2A, junto com um exemplo de como ele poderia ser aplicado em nosso aplicativo de viagens.

O A2A foca em habilitar a comunicação entre agentes e fazê-los trabalhar juntos para completar uma subtarefa do usuário. Cada componente do protocolo contribui para isso:

Semelhante a como um servidor MCP compartilha uma lista de ferramentas, um Cartão do Agente contém:     ◦ O Nome do Agente.
    ◦ Uma descrição das tarefas gerais que ele realiza.
    ◦ Uma lista de habilidades específicas com descrições para ajudar outros agentes (ou até mesmo usuários humanos) a entender quando e por que chamar aquele agente.
    ◦ O URL do Endpoint Atual do agente.
    ◦ A versão e capacidades do agente, como respostas em streaming e notificações push.

O Executor do Agente é responsável por passar o contexto do chat do usuário para o agente remoto, que precisa disso para entender a tarefa a ser realizada. Em um servidor A2A, um agente usa seu próprio LLM para interpretar solicitações recebidas e executar tarefas usando suas próprias ferramentas internas.

Uma vez que um agente remoto conclui a tarefa solicitada, seu produto de trabalho é criado como um artefato. Um artefato contém o resultado do trabalho do agente, uma descrição do que foi concluído e o contexto textual enviado pelo protocolo. Após o envio do artefato, a conexão com o agente remoto é encerrada até que seja necessária novamente.

Este componente é usado para gerenciar atualizações e passar mensagens. É particularmente importante em sistemas agentes em produção para evitar que a conexão entre agentes seja encerrada antes que uma tarefa seja concluída, especialmente quando os tempos de conclusão podem ser mais longos.

• Colaboração Aprimorada: Permite que agentes de diferentes fornecedores e plataformas interajam, compartilhem contexto e trabalhem juntos, facilitando a automação contínua entre sistemas tradicionalmente desconectados.

• Flexibilidade na Seleção de Modelos: Cada agente A2A pode decidir qual LLM usar para atender suas solicitações, permitindo modelos otimizados ou ajustados para cada agente, ao contrário de uma única conexão LLM em alguns cenários MCP.

• Autenticação Integrada: A autenticação é integrada diretamente no protocolo A2A, fornecendo uma estrutura de segurança robusta para interações entre agentes.

Vamos expandir nosso cenário de reserva de viagens, mas desta vez usando A2A.

1. Solicitação do Usuário para Multi-Agente: Um usuário interage com um "Agente de Viagens" cliente/agente A2A, talvez dizendo: "Por favor, reserve uma viagem completa para Honolulu na próxima semana, incluindo voos, um hotel e um carro alugado".

2. Orquestração pelo Agente de Viagens: O Agente de Viagens recebe essa solicitação complexa. Ele usa seu LLM para raciocinar sobre a tarefa e determinar que precisa interagir com outros agentes especializados.

3. Comunicação Entre Agentes: O Agente de Viagens então usa o protocolo A2A para se conectar a agentes especializados, como um "Agente de Companhia Aérea", um "Agente de Hotel" e um "Agente de Aluguel de Carros", criados por diferentes empresas.

4. Execução de Tarefas Delegadas: O Agente de Viagens envia tarefas específicas para esses agentes especializados (por exemplo, "Encontrar voos para Honolulu", "Reservar um hotel", "Alugar um carro"). Cada um desses agentes especializados, executando seus próprios LLMs e utilizando suas próprias ferramentas (que podem ser servidores MCP), realiza sua parte específica da reserva.

5. Resposta Consolidada: Uma vez que todos os agentes especializados concluem suas tarefas, o Agente de Viagens compila os resultados (detalhes do voo, confirmação do hotel, reserva do carro) e envia uma resposta abrangente, no estilo de chat, de volta ao usuário.

Os sites há muito tempo são a principal maneira de os usuários acessarem informações e dados na internet.

Vamos explorar os diferentes componentes do NLWeb, os benefícios do NLWeb e um exemplo de como o NLWeb funciona, analisando nosso aplicativo de viagens.

• Aplicação NLWeb (Código Central do Serviço): O sistema que processa perguntas em linguagem natural. Ele conecta as diferentes partes da plataforma para criar respostas. Você pode pensar nele como o motor que alimenta os recursos de linguagem natural de um site.

• Protocolo NLWeb: Este é um conjunto básico de regras para interação em linguagem natural com um site. Ele envia respostas em formato JSON (frequentemente usando Schema.org). Seu objetivo é criar uma base simples para a “Web de IA”, da mesma forma que o HTML tornou possível compartilhar documentos online.

• Servidor MCP (Endpoint do Model Context Protocol): Cada configuração NLWeb também funciona como um servidor MCP. Isso significa que ele pode compartilhar ferramentas (como um método “ask”) e dados com outros sistemas de IA. Na prática, isso torna o conteúdo e as habilidades do site utilizáveis por agentes de IA, permitindo que o site se torne parte do “ecossistema de agentes”.

• Modelos de Embedding: Esses modelos são usados para converter o conteúdo do site em representações numéricas chamadas vetores (embeddings). Esses vetores capturam significado de uma forma que os computadores podem comparar e buscar. Eles são armazenados em um banco de dados especial, e os usuários podem escolher qual modelo de embedding desejam usar.

• Banco de Dados Vetorial (Mecanismo de Recuperação): Este banco de dados armazena os embeddings do conteúdo do site. Quando alguém faz uma pergunta, o NLWeb verifica o banco de dados vetorial para encontrar rapidamente as informações mais relevantes. Ele fornece uma lista rápida de possíveis respostas, classificadas por similaridade. O NLWeb funciona com diferentes sistemas de armazenamento vetorial, como Qdrant, Snowflake, Milvus, Azure AI Search e Elasticsearch.

Considere novamente nosso site de reservas de viagens, mas desta vez, ele é alimentado pelo NLWeb.

1. Ingestão de Dados: Os catálogos de produtos existentes do site de viagens (por exemplo, listagens de voos, descrições de hotéis, pacotes de passeios) são formatados usando Schema.org ou carregados via feeds RSS. As ferramentas do NLWeb ingerem esses dados estruturados, criam embeddings e os armazenam em um banco de dados vetorial local ou remoto.

2. Consulta em Linguagem Natural (Humano): Um usuário visita o site e, em vez de navegar por menus, digita em uma interface de chat: "Encontre um hotel familiar em Honolulu com piscina para a próxima semana".

3. Processamento NLWeb: A aplicação NLWeb recebe essa consulta. Ela envia a consulta para um LLM para interpretação e, simultaneamente, busca em seu banco de dados vetorial por listagens de hotéis relevantes.

4. Resultados Precisos: O LLM ajuda a interpretar os resultados da busca no banco de dados, identifica as melhores correspondências com base nos critérios "familiar", "piscina" e "Honolulu", e então formata uma resposta em linguagem natural. Crucialmente, a resposta refere-se a hotéis reais do catálogo do site, evitando informações inventadas.

5. Interação com Agente de IA: Como o NLWeb serve como um servidor MCP, um agente de viagens externo de IA também poderia se conectar à instância NLWeb deste site. O agente de IA poderia então usar o método ask do MCP para consultar diretamente o site: ask("Há restaurantes veganos recomendados pelo hotel na área de Honolulu?"). A instância NLWeb processaria isso, aproveitando seu banco de dados de informações sobre restaurantes (se carregado), e retornaria uma resposta estruturada em JSON.

Junte-se ao Discord do Azure AI Foundry para se conectar com outros aprendizes, participar de horários de atendimento e tirar suas dúvidas sobre agentes de IA.

• MCP para Iniciantes
• Documentação do MCP
• Repositório NLWeb
• Guias do Semantic Kernel

---

Aviso Legal:
Este documento foi traduzido utilizando o serviço de tradução por IA Co-op Translator. Embora nos esforcemos para garantir a precisão, esteja ciente de que traduções automáticas podem conter erros ou imprecisões. O documento original em seu idioma nativo deve ser considerado a fonte oficial. Para informações críticas, recomenda-se a tradução profissional realizada por humanos. Não nos responsabilizamos por quaisquer mal-entendidos ou interpretações equivocadas decorrentes do uso desta tradução.