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_respostapara compatibilidade): registra uma resposta.salvar_lote_respostas: registra várias respostas de uma vez.listar_respostas_pesquisa(listar_respostaspara 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.
Autor: Washington Brito Miguel




