Equipe LangChain no MCP: uma nova direção para o dimensionamento de ferramentas de agentes de IA?

Recentemente, o protocolo de contexto de modelo (MCP) gerou muito interesse no espaço da IA. Essa tecnologia tem como objetivo resolver um problema central:Como permitir que os usuários ampliem os recursos de ferramentas para o agente subjacente sem controlá-lo? Sobre a utilidade prática do MCP, o CEO da LangChain, Harrison Chase, conversou com LangGraph Nuno Campos, diretor da organização, discute o assunto em profundidade.

O principal valor do MCP: ferramentas de extensão para agentes incontroláveis

Harrison Chase vê o valor do MCP em sua capacidade de fornecer aos usuários uma maneira de adicionar ferramentas aos agentes sobre os quais eles não têm controle direto. Ele cita Claude Área de trabalho, Cursor e Windsurf Como exemplo, foi apontado que, ao usar esses produtos, os usuários não podem modificar diretamente a lógica do agente subjacente, e as ferramentas disponíveis para o agente são limitadas a algumas ferramentas integradas.

No entanto, os usuários podem desejar adicionar outras ferramentas a esses agentes para atender a necessidades mais personalizadas. Por exemplo, você pode querer adicionar outras ferramentas ao editor de código Cursor Integrar uma ferramenta específica de análise de código ou adicionar uma ferramenta personalizada de acesso à base de conhecimento ao Claude Desktop. Para atingir esse objetivo, é necessário um protocolo comum que permita que o agente reconheça e invoque essas ferramentas externas, e o MCP foi criado para resolver esse problema.

Harrison observou ainda que o MCP também é importante para os não desenvolvedores que criam agentes. À medida que a criação de agentes se torna mais popular, cada vez mais especialistas no domínio querem se envolver no processo de criação de agentes. Esses especialistas podem não ter habilidades profundas de programação, mas têm amplo conhecimento de domínio e necessidades específicas de ferramentas, e o MCP reduz as barreiras para a criação de agentes, permitindo que eles configurem as ferramentas de que precisam sem precisar modificar a lógica central do agente.

A Harrison reconheceu o valor potencial do MCP para preencher uma lacuna importante no ecossistema de ferramentas do agente existente. No mundo em rápida evolução da tecnologia Agent, há uma demanda crescente pela funcionalidade personalizada do Agent. Se o MCP puder reduzir efetivamente a complexidade da integração de ferramentas, ele sem dúvida acelerará a popularidade da tecnologia Agent e dará origem a cenários de aplicativos mais inovadores. Especialmente para os não desenvolvedores, uma maneira mais amigável de estender as ferramentas liberará bastante a criatividade e promoverá a democratização dos aplicativos de IA.

Desafios pragmáticos: personalização de agentes e integração de ferramentas

Nuno Campos questionou a utilidade do MCP. Ele argumenta que o design de um agente precisa estar intimamente integrado às ferramentas utilizadas. O simples acréscimo de ferramentas a um agente sem ajustar as dicas do sistema ou mesmo a arquitetura do agente muitas vezes não é suficiente para alcançar os resultados desejados.

Nuno admite que o MCP pode funcionar se os usuários quiserem simplesmente substituir as ferramentas de pesquisa na Web incorporadas em aplicativos como o Windsurf. Mas esse não é o caso de uso mais valioso para o MCP, ele argumenta. O caso de uso realmente interessante seria se os usuários injetassem uma "ferramenta mágica" que proporcionasse aos desenvolvedores de aplicativos, como o Cursor, novos recursos que eles nem sequer haviam imaginado. Na prática, porém, é muito improvável que isso aconteça.

Nuno enfatizou que, na maioria dos ambientes de produção, para garantir que um agente possa fazer uso efetivo das ferramentas, é necessário ajustar as mensagens do sistema do agente, e até mesmo a arquitetura geral, para corresponder ao conjunto de ferramentas disponível.

O ponto de vista de Nuno é mais tecnicamente pragmático. Ele ressalta que a integração de ferramentas não é simplesmente "plug and play" e que o desempenho de um agente depende, em grande parte, de como ele funciona com a ferramenta. Isso, de fato, aponta para um desafio comum no desenvolvimento da atual tecnologia de agentes de IA: como encontrar um equilíbrio entre a alta flexibilidade no dimensionamento da ferramenta e a otimização do desempenho do agente. A preocupação de Nuno não é ociosa, pois muitos desenvolvedores já perceberam a importância da engenharia imediata ao trabalhar com modelos de linguagem grandes e o profundo impacto que a arquitetura do sistema pode ter no resultado final.

Compensações entre confiabilidade e expectativas do usuário

Harrison reconhece que um Agente baseado na Ferramenta de Integração MCP pode não ser capaz de atingir a confiabilidade do 99%. No entanto, ele acredita que, mesmo que a confiabilidade do Agent seja um pouco menor do que isso, ele ainda pode ser útil. Ele ressalta que, embora as descrições e instruções da ferramenta sejam importantes, os seguintes pontos não devem ser negligenciados:

1. O MCP contém definições de ferramentas, e bons servidores MCP podem fornecer descrições de ferramentas melhores do que as que os próprios usuários podem escrever.
2. O MCP permite a inclusão de prompts que o usuário pode usar para instruir o Agente sobre como usar a ferramenta.
3. À medida que os recursos do modelo subjacente continuarem a melhorar, o desempenho imediato da ferramenta que invoca o agente ficará cada vez melhor.

Harrison argumenta que, embora não seja possível criar um produto tão completo quanto o Cursor apenas com integrações de MCP e agentes de chamadas de ferramentas genéricas, o MCP ainda pode ser valioso em determinados cenários, como a criação de agentes internos ou pessoais.

Em resposta à pergunta de Nuno, Harrison foi mais otimista. Ele reconhece que a MCP pode não ser perfeita em todos os cenários, mas enfatiza o princípio pragmático de que "apenas o suficiente é suficiente". Nos estágios iniciais do desenvolvimento da tecnologia, a busca pela perfeição geralmente limita a inovação. A opinião de Harrison também está de acordo com a natureza iterativa da tecnologia, em que uma versão utilizável é lançada rapidamente e depois aprimorada na prática. Além disso, sua confiança na capacidade de aprimoramento do modelo também reflete um consenso geral no campo da IA: o aprimoramento contínuo da capacidade do modelo continuará a expandir os limites dos aplicativos do Agente.

Sincronização dos recursos do modelo com as expectativas do usuário

Nuno rebateu dizendo que os benchmarks de invocação de ferramentas da LangGraph mostram que, mesmo com um agente cuja arquitetura e prompts são adaptados a um conjunto de ferramentas específico, o modelo atual só tem uma taxa de sucesso de cerca de 50% ao invocar a ferramenta correta. Um agente pessoal que não funciona corretamente na metade do tempo é de utilidade duvidosa.

Nuno reconhece que os recursos do modelo continuarão a crescer, mas as expectativas do usuário também. Ele cita Jeff Bezos: "Os clientes estão sempre insatisfeitos com o status quo, e suas expectativas são infinitas." Se os desenvolvedores dominarem toda a pilha de tecnologia, incluindo interface do usuário, dicas, arquitetura e ferramentas, eles poderão atender às crescentes expectativas dos usuários. Caso contrário, a perspectiva é sombria.

Nuno foi além com os dados, apontando as limitações do modelo atual em termos de chamadas de ferramentas. A taxa de sucesso do 50% é certamente um número preocupante, especialmente em um ambiente de produção em que se busca eficiência e confiabilidade. Ao mesmo tempo, Nuno também elevou o nível das expectativas dos usuários. Os avanços tecnológicos não devem apenas melhorar os recursos, mas também acompanhar o ritmo das crescentes expectativas dos usuários. Na verdade, isso define um padrão mais alto para o MCP e todas as tecnologias de agentes de IA: não só devem funcionar, mas também devem funcionar bem e continuar a atender às crescentes necessidades dos usuários.

O efeito da cauda longa e a analogia com o Zapier

Harrison continua confiante de que os recursos do modelo serão aprimorados. Ele acredita que, seja qual for a taxa de sucesso atual dos agentes, ela só continuará a melhorar no futuro. Ele enfatiza que o valor de um MCP não deve ser avaliado comparando-o a um Agente bem aperfeiçoado. O valor real de um MCP é sua capacidade de permitir um grande número de conexões e integrações de cauda longa.

Harrison compara o MCP ao Zapier, que conecta aplicativos como e-mail, Google Sheets e Slack, e permite que os usuários criem inúmeros fluxos de trabalho sem precisar desenvolver um agente sofisticado para cada um deles. Com o MCP, os usuários podem criar sua própria versão do Zapier, permitindo uma variedade de integrações personalizadas. integrações personalizadas.

Harrison mudou de forma inteligente o posicionamento da MCP de uma "plataforma de ferramentas de agente de uso geral de alto desempenho" para um "conector para cenários de cauda longa". A analogia de Zapier é adequada, apontando que a aplicação potencial da MCP não é substituir as soluções de agente existentes, mas sim aproveitar seu valor em uma gama mais ampla de requisitos mais personalizados e de cauda longa. Essa mudança de pensamento, na verdade, reduz o requisito de maturidade da tecnologia de MCP e facilita a busca de aplicações no curto prazo. A teoria da cauda longa foi verificada repetidamente no campo da Internet e, se a MCP puder capturar a demanda de cauda longa, é provável que também seja bem-sucedida.

Diferenças em relação à ferramenta LangChain

Nuno destacou que a LangChain já tem uma biblioteca de 500 ferramentas, mas elas não são usadas com muita frequência em ambientes de produção. Todas essas ferramentas são implementadas de acordo com o mesmo protocolo, são compatíveis com qualquer modelo e são livremente intercambiáveis. Ele questionou qual era a vantagem do MCP. Será que o MCP tem apenas uma "forma única" que exige que o usuário execute um grande número de servidores em um terminal local e só é compatível com aplicativos de desktop? Em sua opinião, isso não era uma vantagem. Ele acredita que o Zapier pode ser o limite superior do potencial do MCP.

A diferença entre a ferramenta LangChain e a ferramenta MCP, de acordo com Harrison, é que a ferramenta LangChain é voltada principalmente para desenvolvedores de agentes, enquanto a MCP é voltada principalmente paraincapazUsuários que desenvolvem agentes. O objetivo do MCP é fornecer uma maneira de os usuários adicionarem ferramentas aos agentes sobre os quais eles não têm controle. Além disso, o MCP também permite que os não desenvolvedores adicionem ferramentas aos agentes que usam, enquanto as ferramentas do LangChain são mais voltadas para os desenvolvedores. O número de não desenvolvedores é muito maior do que o de desenvolvedores, e esse é o mercado potencial do MCP.

Harrison também reconhece as deficiências do MCP em sua forma atual. Mas ele acredita que a MCP continuará a melhorar. Ele prevê um futuro em que os aplicativos da MCP poderão ser instalados com um clique, não precisarão executar um servidor no terminal local e poderão ser acessados por meio de aplicativos da Web. É para lá que a MCP está indo.

Nuno questionou a necessidade do MCP a partir da perspectiva do ecossistema de ferramentas da própria LangChain. Sua pergunta é direta: se a LangChain já fornece um grande número de ferramentas que são subutilizadas, como a MCP pode resolver esse problema? Harrison respondeu diferenciando a base de usuários, argumentando que a MCP tem como alvo um conjunto diferente de usuários do que os usuários das ferramentas da LangChain. Essa diferenciação ajuda a atingir o mercado da MCP com mais precisão e evita a concorrência direta com o ecossistema de ferramentas existente. O grupo de "não desenvolvedores" é realmente muito grande e, se a MCP puder atender a esse grupo de usuários de forma eficaz, o potencial de mercado ainda será considerável.

O futuro do MCP: analogias com GPTs e plug-ins personalizados

Nuno resume o argumento de Harrison de que o MCP precisa se tornar mais parecido com os GPTs personalizados da OpenAI para justificar o hype atual. No entanto, as GPTs personalizadas não são tão populares quanto poderiam ser. Ele perguntou retoricamente: o que está faltando aos GPTs personalizados que o MCP tem?

Harrison vê a MCP mais como os plug-ins que a OpenAI lançou uma vez, mas que acabaram fracassando. Ele admite que sua experiência com os plug-ins foi pouco nítida, mas ele acha que:

• O ecossistema MCP já é muito maior do que o ecossistema de plug-ins.
• A capacidade do modelo foi significativamente aprimorada para fazer melhor uso dessas ferramentas.

Nuno é cético quanto ao tamanho do ecossistema MCP. Ele encontrou apenas 893 servidores MCP em um diretório encontrado aleatoriamente. Ele acha que Harrison pode estar julgando o tamanho do ecossistema simplesmente pelo número de tweets na linha do tempo do Twitter que mencionam a MCP.

Nuno acredita que, para que o MCP deixe de ser uma nota de rodapé na história do desenvolvimento da IA, é necessário fazer os seguintes aprimoramentos:

• Complexidade reduzidaPor que o protocolo de ferramentas precisa lidar com os prompts e com a conclusão do LLM?
• Simplificando a dificuldade de realizaçãoPor que os protocolos para ferramentas de serviço precisam se comunicar em ambas as direções? Nuno acredita que receber os registros do servidor não é um motivo suficiente.
• Suporte para implantação de servidoresOs protocolos sem estado são fundamentais, e as práticas recomendadas para escalonamento on-line não devem ser esquecidas só porque você está criando um aplicativo LLM. Uma vez que as implementações de servidor são suportadas, outras questões, como a autenticação, entram em jogo.
• Compensação de perdas de qualidadeInserção de ferramentas aleatórias em agentes que não sabem nada sobre elas resultará inevitavelmente em uma perda de qualidade, e é necessário encontrar maneiras de compensar.

Harrison reconheceu que a pergunta de Nuno tinha algum mérito e lançou a questão de volta à comunidade do Twitter, lançando uma enquete perguntando se as pessoas achavam que o MCP era um lampejo ou o padrão do futuro.

Em resumo, o protocolo de contexto de modelo (MCP) é uma tecnologia emergente que tenta abrir novos caminhos para a escalabilidade das ferramentas de agente. Embora o MCP ainda enfrente muitos desafios, vale a pena observar seu valor potencial e sua direção futura.

pontos de vista

Modelo de protocolo de contexto (MCP) dificilmente se tornará o padrão do futuro. Pessoalmente, sou pessimista com relação ao futuro do MCP.

O problema que o MCP está tentando resolver faz sentido, mas pode não ser muito eficaz na prática. A ideia de Harrison Chase de que a MCP ajudará os usuários a ampliar as ferramentas do Agente é bem intencionada, mas os usuários podem não precisar disso. Os usuários podem preferir apenas usar um produto bem desenvolvido em vez de adicionar suas próprias ferramentas.

Nuno Campos tem razão. Ele ressaltou que as ferramentas e os agentes precisam trabalhar bem juntos para serem eficazes. O protocolo MCP pode não levar isso em consideração o suficiente, e simplesmente conectar ferramentas pode não ser suficiente para fazer uso eficaz dos agentes. Os grandes modelos atuais ainda têm limitações em termos de invocação de ferramentas, e é muito otimista esperar que o MCP crie uma plataforma de ferramentas eficiente.

A implementação do MCP também é complicada. Ao executar um servidor localmente, limitado a aplicativos de desktop, a experiência do usuário não é boa. Os aplicativos de IA tendem a ser baseados em nuvem e leves e, se o MCP não for aprimorado, será difícil para os usuários aceitá-lo.

O fracasso dos plug-ins e GPTs personalizados da OpenAI mostrou que não é fácil estender a plataforma. O MCP está tentando superá-lo, mas receio que não conseguirá fazê-lo e será esquecido tão rapidamente quanto os plug-ins.

Portanto, o MCP pode ser apenas um fenômeno de curta duração no desenvolvimento da IA, e é improvável que se torne a tendência no futuro. Embora tenha valor experimental, o objetivo de Harrison Chase é difícil de ser alcançado. Por outro lado, pode ser mais prático e eficaz aprimorar a capacidade do modelo grande em si ou criar aplicativos de agentes mais verticais.

Em suma, é improvável que a MCP seja um sucesso e, provavelmente, é apenas um exagero. Sou muito cético quanto ao futuro da MCP. A exploração do MCP é útil, mas seu sucesso final é improvável.