Experimentos-com-MCP

sillas/Experimentos-com-MCP

3.2

If you are the rightful owner of Experimentos-com-MCP and would like to certify it and/or have it hosted online, please leave a comment on the right or send an email to dayong@mcphub.com.

This project implements a chat-based customer service system using the Model Context Protocol (MCP) in a client-server architecture.

Tools
2
Resources
0
Prompts
0

Testes com MCP

Version Python

Demonstração:

https://youtu.be/Bhy6K45URcE

Descrição

Este projeto consiste na implementação de um sistema de atendimento via chat utilizando o padrão Cliente-Servidor com o protocolo MCP (Model Context Protocol).

O sistema simula o atendimento de uma concessionária, permitindo que um agente de IA converse com o usuário, consulte uma base de dados de veículos e forneça informações relevantes.

A estrutura é composta por dois componentes principais:

  • cars-client: Cliente MCP (chatbot)
  • cars-server: Servidor MCP (consulta e geração de relatórios)

A comunicação entre cliente e servidor é feita via MCP utilizando o transporte stdio, ideal para ambiente local e seguro durante o desenvolvimento.

O projeto foi baseado na documentação oficial do protocolo MCP: 👉 https://modelcontextprotocol.io

OBSERVAÇÃO: Embora eu tenha adicionado alguns testes unitários, é evidente que eles não cobrem todo o projeto, pois isso levaria um tempo mais longo do que o aceitável para um teste rápido.

LLM utilizado

O modelo padrão utilizado nos testes foi o Claude-Haiku-3.5 da Anthropic. Outros modelos podem ser utilizados, desde que seja implementado o provedor correspondente em:

cars-client/src/client/providers/

O prompt que instrui o agente a agir como um vendedor está localizado em:

cars-client/src/strings/prompts.py

Logs

Logs de execução são gravados na raiz de cada serviço:

  • Cliente: cars-client/client_app.log
  • Servidor: cars-server/server_app.log

Servidor MCP

Ferramentas implementadas

1. get_cars

Recebe queries estruturadas via MCP, realiza a busca no MongoDB e retorna os dados serializados.

  • Banco de dados: MongoDB (pode ser substituído com modificações mínimas)
  • Script de povoamento: populate_db.py
# Comandos disponíveis
uv run populate_db.py p  # Popula com 100 registros aleatórios
uv run populate_db.py c  # Exibe o número de registros
uv run populate_db.py e  # Apaga todos os registros
uv run populate_db.py d  # Remove a coleção inteira
2. save_to_file

Gera um arquivo PDF com o conteúdo recebido e salva em um diretório definido no .env ou na raiz do projeto.

  • Biblioteca usada: fpdf

Cliente MCP

Simula um atendimento de concessionária, onde o usuário conversa com um agente que:

  • Realiza consultas ao banco de dados via protocolo MCP
  • Pode solicitar a geração de relatórios em PDF

Em um ambiente real, esses relatórios poderiam ser enviados por e-mail (funcionalidade não implementada).

Instalação

Instale a ferramenta uv:

# MacOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows (PowerShell)
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Configuração dos ambientes

Em cada serviço (cars-client e cars-server), siga os passos descritos em seus respectivos README.md.

Execução

Após configurar os ambientes virtuais:

# Ativar ambiente virtual (em cada diretório)
source .venv/Scripts/activate  # Linux/macOS: .venv/bin/activate

Executar:

# Executar em cada diretório
uv run main.py