São Paulo — InkDesign News — O avanço das tecnologias de machine learning e deep learning está moldando o futuro da interação entre máquinas, especialmente na integração entre agentes inteligentes e APIs. Duas abordagens emergentes estão redefinindo os padrões de comunicação entre esses sistemas.
Arquitetura de modelo
O Model Context Protocol (MCP) surge como uma padronização que permite que modelos de linguagem conversem entre si. “A ideia central é que modelos grandes de linguagem (LLMs) devem ser capazes de interagir, e essas interações devem ser modulares, compostas e inspecionáveis”, explica o protocolo.
“A ideia central é que modelos grandes de linguagem (LLMs) devem ser capazes de interagir, e essas interações devem ser modulares, compostas e inspecionáveis.”
(“The central idea is that large language models (LLMs) should be able to talk to each other, and that their interactions should be modular, composable, and inspectable.”)— Anthropic
O MCP utiliza um formato baseado em JSON que descreve as capacidades dos agentes, permitindo uma troca clara de informações. Isso contrasta com a abordagem de padrões tradicionais em APIs, onde a comunicação tende a ser menos estruturada. A clareza na definição de funções e parâmetros é um dos pontos fortes desta arquitetura.
Treinamento e otimização
O Invoke Network, por outro lado, é projetado para facilitar a conexão dos LLMs com APIs do mundo real. “O que aconteceria se qualquer LLM pudesse descobrir e usar qualquer API, assim como um humano navega na web?”, questionam os criadores do Invoke. Eles focam na simplificação da descoberta de ferramentas, permitindo que um modelo acesse diversas APIs com uma única definição.
“O que aconteceria se qualquer LLM pudesse descobrir e usar qualquer API, assim como um humano navega na web?”
(“What if any LLM could discover and use any real-world API, just like a human browses the web?”)— Invoke Network
O fluxo do Invoke é mais voltado a facilitar essa interação em tempo real, permitindo que os modelos explorem APIs de maneira ágil e eficiente. Isso resulta em uma aplicação mais fluida, onde o foco está na utilização prática de funções em vez do gerenciamento complexo de estados.
Resultados e métricas
Ambas as abordagens têm seus pontos fortes e limitações. O MCP é ideal para sistemas que exigem coordenação e memória entre agentes, enquanto o Invoke brilha quando se trata de integrar LLMs diretamente a APIs em tempo real. O uso do MVC permite um controle mais granular sobre interações, enquanto o Invoke promove uma maior simplicidade.
As aplicações práticas vão desde assistentes pessoais a agentes de suporte a clientes, possibilitando fluxos de trabalho mais eficientes. À medida que esses protocolos avançam, eles podem transformar radicalmente a interação entre sistemas automatizados no futuro.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
