Qual a diferença entre MCP e APIs?

O model context protocol (MCP) e as interfaces de programação de aplicações (APIs) atuam como pontes digitais que permitem a conexão entre sistemas distintos. As capacidades do MCP são desenvolvidas com base nas APIs, portanto o protocolo não existiria sem elas. 

As tecnologias se diferenciam em seu funcionamento e propósito:

• O MCP conecta modelos de linguagem a ferramentas e dados externos, viabilizando fluxos de trabalho que se adaptam e improvisam em tempo real. 
• Os fluxos de trabalho de API tradicionais seguem um conjunto fixo de regras. Depois que os dois sistemas são conectados, as interações ficam limitadas a um conjunto específico de ações programadas por um desenvolvedor.

MCP ou API: qual usar?

Se a sua aplicação não usa umlarge language model (LLM), a melhor escolha é uma API, por ser mais rápida e simples. Se você estiver conectando um único LLM a apenas um serviço que você gerencia, também pode usar uma API com a chamada de função nativa do LLM, recurso integrado aos modelos que transforma a resposta da IA em um comando pronto para execução. 

Recorra ao MCP quando uma ferramenta precisar funcionar em diversos aplicativos de IA, quando usar ferramentas desenvolvidas por terceiros ou quando quiser que o modelo descubra novos recursos enquanto executa uma tarefa. 

Explore o Red Hat AI

O MCP é um protocolo open source que padroniza como as aplicações de IA se conectam a ferramentas e dados externos. Pense nele como um cabo USB-C que conecta dispositivos a acessórios e permite a transmissão de dados.

Antes do MCP, os desenvolvedores precisavam criar integrações de API personalizadas para cada caso de uso. Isso fazia com que as integrações precisassem ser reescritas diversas vezes, com variações mínimas. Cada conexão entre uma aplicação de IA e um serviço externo era feita sob medida, o que demandava muito tempo.

Mais informações sobre o MCP

As APIs permitem que o seu produto ou serviço se comunique com outros produtos e serviços sem que seja necessário saber como eles foram implementados. As APIs são, por vezes, entendidas como contratos e a sua documentação representa o acordo estabelecido entre as partes: se uma parte enviar uma solicitação remota em um formato específico, o software da outra parte responderá no mesmo formato.

Mais informações sobre APIs

Vejamos como isso funcionaria em um caso de uso real, por exemplo, marcar uma consulta pelo website de uma clínica. 

Nesse cenário, vamos imaginar que um usuário esteja tentando marcar uma consulta para a tarde de quinta-feira, às 14h, com a Dra. Paula Silva. A Dra. Paula Silva já tem um paciente marcado para às 14h, mas há um horário livre às 14h30. Outra opção é a Dra. Maria Santos, que está disponível às 14h.  

Com um fluxo de trabalho de API tradicional, o desenvolvedor escreve um script que se conecta diretamente à API da clínica. Quando alguém tenta marcar uma consulta às 14h com a Dra. Paula Silva, a aplicação cria uma chamada de API para verificar se esse horário está disponível.  

O banco de dados da clínica reconhece que o horário das 14h não está disponível. Então, ele retorna um erro e exibe uma mensagem como "O horário selecionado não está disponível".

O que acontece a seguir depende do usuário. Como o sistema não ajusta os dados automaticamente, o utilizador precisa reiniciar o processo e selecionar um horário ou médico diferente. 

Com um fluxo de trabalho do MCP,uma aplicação de IA se conecta ao servidor MCP da clínica e verifica a disponibilidade da Dra.Paula Silva às 14h. Como a aplicação de IA que faz o pedido utiliza um LLM, ela consegue avaliar as alternativas e interagir com o utilizador. 

Ou seja, ela pode exibir uma mensagem como "O horário das 14h com a Dra.Paula Silva não está disponível. O próximo horário disponível com ela é às 14h30. Se a consulta puder ser com outro profissional, a Dra.Maria Santos poderia atendê-lo às 14h. Qual das opções você prefere?"

O usuário verifica o calendário e responde "14h com a Dra. Maria Santos". Em seguida, a aplicação inicia um novo pedido de agendamento para as 14h com a Dra. Maria Santos e solicita a confirmação do utilizador.  

O MPC permite que os modelos de IA determinem dinamicamente qual ferramenta usar, quando usá-la e como interpretar o resultado. Escolha o MPC quando:

• Sua aplicação depender de LLMs ou fluxos de trabalho com agentes. Um LLM não consegue chamar APIs ou executar códigos por conta própria. A aplicação que executa o modelo resolve este problema com uma chamada de ferramenta. O MPC padroniza como essas ferramentas são descritas e disponibilizadas, permitindo que a mesma ferramenta funcione em diferentes aplicações de IA. 
• Seu fluxo de trabalho envolver tarefas complexas com várias etapas. Se o objetivo for consultar uma base de dados, resumir os resultados e atualizar um sistema externo, o MPC garante que o agente de IA execute todas estas etapas em sequência.
• Você não se importar com um pouco de improviso. Uma aplicação com suporte ao MPC pode avaliar alternativas, lidar com imprevistos e adaptar sua estratégia. 
• Você precisar de uma ferramenta portátil. Um único servidor MPC pode se comunicar com qualquer aplicação de IA compatível com esse tipo de interface de integração. Isso significa que você pode desenvolvê-lo uma vez e reutilizá-lo em diferentes clientes, desde que sejam compatíveis.
• Você quiser adicionar capacidades em tempo real. Com o MPC, é possível adicionar capacidades enquanto a aplicação está em execução, eliminando a necessidade de programar todas as funcionalidades possíveis com antecedência. 

As APIs continuam sendo o padrão quando um código precisa se conectar a outro de forma rápida e previsível. Escolha uma API quando:

• Sua tarefa for objetiva e tiver um único propósito. Pesquisar um número em um banco de dados é uma tarefa simples que não precisa do MPC.
• Não houver large language models envolvidos. As APIs convencionais são perfeitamente capazes de tratar dados brutos desde que sua aplicação utilize machine learning clássico e código de back-end sem IA. 
• Velocidade e eficiência forem as principais prioridades. As APIs tradicionais conseguem responder em milissegundos. No MPC, embora as chamadas de ferramenta e o fluxo de trabalho sejam rápidos, a etapa de inferência do modelo faz com que o tempo de resposta suba para a faixa dos segundos. 
• Você quiser controle total sobre todas as decisões tomadas pelo sistema. As APIs tradicionais sempre seguem fielmente as instruções. 

É tecnicamente possível conectar um LLM diretamente a uma API tradicional com código personalizado, mas provavelmente não valeria a pena. Conectar uma API a um LLM obriga os desenvolvedores a escrever um código personalizado para cada aplicação de IA que queiram integrar. Além disso, como as APIs dependem de uma lógica fixa ("Se A acontecer, execute B"), não há a flexibilidade necessária para que agentes de IA modernos processem tarefas em tempo real.

O MPC foi criado para oferecer suporte a uma funcionalidade poderosa dos agentes de IA: a descoberta dinâmica. Isso significa que um agente de IA pode se conectar a um servidor, consultar as capacidades disponíveis e começar a usá-las imediatamente, sem intervenção humana. 

A descoberta dinâmica é possível graças às funcionalidades do servidor e a um esquema interpretável por máquina. Isso significa que um LLM pode usar o esquema estruturado, escrito em JSON padrão, para descobrir os nomes das ferramentas, os parâmetros necessários e os tipos de dados, sem depender de um desenvolvedor para consultar a documentação online. O MPC então categoriza as funcionalidades do servidor em três grupos: 

• Ferramentas que permitem ao agente realizar ações
• Recursos que oferecem contexto para o agente
• Prompts que atuam como templates de instruções

Conforme a popularidade do model context protocol cresce, aumenta também o número de integrações prontas para uso, ou melhor, servidores MCP prontos para uso em plataformas conhecidas, como o GitHub, o Slack e o Google Drive. Ao integrar esquemas interpretáveis por máquina, descoberta em tempo real e ferramentas prontas para uso, os agentes obtêm dados suficientes para construir fluxos de trabalho de IA verdadeiramente contextualizados. Nesse processo, os agentes monitoram o ambiente em tempo real de forma contínua, obtêm contexto a partir dos recursos do MPC, escolhem a ferramenta adequada para cada momento e ajustam seu raciocínio com base no feedback de execução. 

Explore servidores MCP para o Red Hat OpenShift® AI

Proteger os servidores MCP, exige mais do que uma autenticação básica. O cenário exige regras precisas para cada ação, chaves digitais com limites rígidos e um sistema que ofereça suporte às diferentes linguagens de segurança dessas ferramentas.

Explore: Autenticação e autorização para gateway MCP

O MPC substitui as APIs?

Não, o MPC não é um substituto universal das APIs. Ele foi feito para ajudar os modelos de IA a se comunicarem com as ferramentas. Se a sua aplicação não utiliza um modelo de linguagem, você não precisa do MPC. 

Nas empresas, a discussão já não é sobre adotar ou não o MPC, mas como fazê-lo com segurança. Os servidores MCP oferecem aos agentes de IA acesso a muitas ferramentas e dados. Mas, sem uma camada de governança, não há uma maneira consistente de controlar os níveis de acesso ou aplicar limites de requisições e políticas de segurança. 

Leia mais sobre gateways MCP para o Red Hat OpenShift

O que é um gateway MCP?

Um gateway MCP fica entre os agentes de IA e os servidores MCP aos quais eles se conectam. Ele controla o tráfego na camada de infraestrutura, encaminhando todas as chamadas de ferramentas efetuadas entre seus agentes de IA e os servidores MCP que eles usam, por meio de um único ponto de controle gerenciado. 

O objetivo de um gateway MCP é manter as conexões do servidor MCP seguras em grande escala. Mais especificamente, um gateway MPC oferece:

• Segurança: as empresas podem aplicar o controle de acesso baseado em função (RBAC). Isso cria guardrails e assegura que um agente de marketing acesse o servidor MCP de mídia social, mas não o servidor de folha de pagamento, por exemplo.
• Observabilidade: os gateways criam um log de auditoria centralizado, registrando informações como o usuário que iniciou o agente, a ferramenta MCP usada e a resposta retornada. 
• Custo: os gateways controlam o limite de tokens por agente e ajudam a mapear os gastos individuais de cada ferramenta. 
• Confiabilidade: se um serviço falhar, os gateways podem redirecionar automaticamente a solicitação de ferramenta para outro endpoint. 

O Red Hat® AI foi criado para oferecer inferências rápidas, flexíveis e eficientes por meio de um servidor com tecnologia vLLM. Ele conecta modelos aos seus dados de forma confiável para integrar a personalização e o desenvolvimento de agentes especializados em uma única plataforma. Desenvolvidas a partir de uma base open source, nossas soluções proporcionam controle total sobre os fluxos de trabalho de IA, de ponta a ponta e em qualquer escala. 

O portfólio Red Hat AI agora inclui o Red Hat AI Enterprise: uma plataforma para implantar, gerenciar e escalar inferência de IA, fluxos de trabalho de agentes de IA e aplicações com IA em qualquer infraestrutura.

Explore o Red Hat AI