image

Acesse bootcamps ilimitados e +750 cursos pra sempre

75
%OFF
Article image
Washington Brito
Washington Brito20/11/2026 21:55
Compartilhe

Automatizando um processo de negócio com LangGraph e MCP

  • #LangGraph
  • #GitHub Codespaces
  • #IA Generativa
  • #MCP (Model Context Protocol)

Automatizando um processo de negócio com LangGraph e MCP

Desafio de Projeto — Formação Avançada em Orquestração de Agentes de IA Trilha: Seu Time de Agentes em Ação Caso de uso: Pesquisa de mercado e posicionamento comercial — WBM Análises

O projeto demonstra como consolidar respostas de pesquisa para identificar um segmento prioritário, uma dor recorrente e uma mensagem comercial. Os dados em data/respostas_exemplo.json são fictícios e servem somente para demonstração.

Problema de negócio

Pequenos negócios e MEIs podem controlar vendas, contas e clientes em cadernos, mensagens ou planilhas dispersas. A pesquisa ajuda a identificar quais necessidades aparecem com mais frequência e a comunicar uma proposta de valor com clareza.

Arquitetura e fluxo

  • LangGraph consolida as respostas e verifica se a amostra atingiu o mínimo configurado.
  • Com menos de três respostas, o fluxo retorna um alerta para continuar a coleta.
  • Com três ou mais respostas, identifica o segmento e a dor mais frequentes e gera uma promessa e uma mensagem de abordagem.
  • MCP expõe ferramentas para registrar uma resposta, salvar um lote e consultar respostas em data/respostas_pesquisa.json.

O main.py inicia o servidor MCP como subprocesso via stdio, consulta as respostas persistidas e, se ainda não houver nenhuma, carrega data/respostas_exemplo.json usando a ferramenta de gravação em lote. Em seguida, passa os dados lidos do MCP ao grafo LangGraph.


Estrutura do projeto

.
├── .devcontainer/
│   └── devcontainer.json
├── data/
│   └── respostas_exemplo.json
├── graph/
│   ├── __init__.py
│   └── workflow.py
├── mcp_server/
│   ├── __init__.py
│   └── server.py
├── .env.example
├── .gitignore
├── main.py
└── requirements.txt

Executar

Requer Python 3.11 ou superior. No Codespaces, as dependências são instaladas ao criar o ambiente. Em outro ambiente:

python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python main.py

No Windows, ative o ambiente virtual com .venv\Scripts\activate.

O comando executa dois cenários: os dados recuperados do servidor MCP e uma amostra insuficiente. Para analisar uma exportação do SurveyMars, substitua o conteúdo de data/respostas_exemplo.json por uma lista JSON de respostas com campos como segmento e dor_relatada.

Servidor MCP

O cliente iniciado por python main.py gerencia o ciclo de vida do servidor MCP; não é necessário abrir um terminal separado. Para iniciar o servidor manualmente e conectá-lo de outro cliente:

python -m mcp_server.server

O servidor usa transporte stdio e disponibiliza:

  • salvar_resposta_pesquisa (adicionar_resposta para compatibilidade): registra uma resposta.
  • salvar_lote_respostas: registra várias respostas de uma vez.
  • listar_respostas_pesquisa (listar_respostas para compatibilidade): retorna as respostas registradas.

O arquivo de respostas é criado quando uma gravação é feita. Para executar o pipeline integrado:

python main.py

Exemplo de resultado

Com os dados fictícios incluídos, o segmento mais frequente é “Estética e salão de beleza”. O fluxo seleciona a dor mais frequente e gera uma mensagem de posicionamento com base nesses dados; isso não deve ser interpretado como uma conclusão de pesquisa real.

Próximas evoluções

  • Automatizar a importação da exportação do SurveyMars.
  • Adicionar aprovação humana da mensagem antes do uso.
  • Usar um modelo de linguagem para agrupar respostas abertas, com revisão dos resultados.

Repositório no GitHub aqui

Autor: Washington Brito Miguel

image

Compartilhe
Recomendados para você
Microsoft - Certificação AI-103
Neo4j - Certification
DXC - IA do Zero ao Primeiro Agente
Comentários (0)