Dez Ferramentas Tipadas via MCP

Entregue a um agente uma única ferramenta de busca gigante e todo problema vira uma consulta. O MonkeyLLM entrega aos agentes dez ferramentas tipadas via MCP: verbos pequenos, schemas estritos e um orçamento de tokens em cada chamada. O formato da caixa de ferramentas é a maior parte do design.

Dez verbos, três famílias

Uma floresta MonkeyLLM (um grafo auto-hospedado de notas curadas, cada uma carregando um passaporte: título, resumo de sessenta tokens, tags) é trabalhada inteiramente por dez ferramentas tipadas, e elas se mapeiam de forma limpa nos três movimentos do sistema.

A família Navegar cobre entrar e caminhar: buscar um ponto de entrada, ler o passaporte de um nó, abrir seu corpo, seguir seus links. A família Plantar registra conhecimento: criar nós e linká-los no lugar. A família Feromônio fecha o ciclo: depois de uma caçada bem-sucedida, depositar um rastro para a rota ficar marcada e links de atalho serem cunhados, do jeito que trilhas de formiga encurtam um caminho que segue compensando.

Elas viajam via MCP, o Model Context Protocol, um padrão aberto para expor ferramentas a agentes. Isso significa que a floresta se pluga no Claude Code ou em qualquer framework capaz de MCP sem adaptadores.

Tipado vence esperto

Uma ferramenta de busca gigante recebe uma string e devolve um paredão de prosa, então o modelo tem que ser esperto em tudo: adivinhar formulações de consulta, deduplicar resultados, inferir estrutura a partir de texto. Ferramentas tipadas invertem isso. O schema diz exatamente o que entra. O resultado diz exatamente o que voltou: um passaporte é sempre um passaporte, nunca um despejo de página surpresa. E o formato do resultado implica os próximos movimentos legais, um id que você pode abrir, links que você pode seguir.

Duas coisas caem daí. Primeiro, modelos modestos conseguem dirigir. No nosso benchmark de 11 perguntas estritamente multi-hop, o mesmo modelo local de 12B marca 0/11 como leitor de RAG top-k e 11/11 como navegador de floresta. Ele não ficou mais esperto entre as colunas; ganhou uma caixa de ferramentas onde escolher é a única parte difícil. Segundo, a falha fica legível. Cada salto é uma chamada discreta e tipada, então você vê qual ferramenta, qual nó, qual orçamento, e exatamente onde uma caçada saiu da trilha, em vez de encarar um único blob ruim de contexto.

O orçamento é imposto, não pedido

Cada uma das dez ferramentas tem orçamento de tokens: uma chamada nunca retorna mais do que o orçamento permite. Passaportes são baratos, corpos custam mais, e o agente decide o que pode pagar enquanto o ambiente impõe o teto. Isso é muito diferente de um prompt pedindo educadamente para o modelo ser conciso.

O efeito medido, contra um baseline de RAG iterativo: 0.58x tokens por resposta correta, a 8.4 s p95 contra 17.5 s do baseline. A comparação completa está em RAG agêntico vs navegação orçada. A tela Models do Studio (a capa deste post) é onde esses orçamentos vivem: bindings de modelo, tetos e a pontuação corrente do repositório de respostas.

Dez portas para um cofre

Ferramentas pequenas e tipadas também são uma superfície de controle de acesso sobre a qual dá para raciocinar. Chaves têm escopo por pessoa: uma chave pode só navegar, outra pode também plantar. Tudo é auto-hospedado, o engine é Apache-2.0, os apps são AGPL, e os dados nunca saem da sua infra. Sua floresta é um cofre (your forest is a vault), e as dez ferramentas são suas únicas portas.

Conecte uma

A tela Integrations imprime trechos prontos para copiar e colar do seu próprio deployment, com o endereço já preenchido.

Comece pelos docs de MCP para a superfície do protocolo e pela referência de primitivos para o que cada ferramenta recebe e retorna; o deploy te dá uma floresta em quatro comandos. Depois aponte um agente para a floresta de ferramentas de https://github.com/JimmyWesley/MonkeyLLM e observe quais ele escolhe. Todo o resto está em https://monkeyllm.com.