Como Construir um Servidor MCP em 10 Minutos (para Agentes de Negociação de Estoques)

Todos estão começando a perceber a importância do protocolo de contexto do modelo da Anthropic.

É o primeiro padrão para conectar LLMs aos seus serviços, como Gmail, Slack, GitHub, pesquisa na web – a lista continua – e você pode usá-lo para dar capacidades superiores aos seus LLMs, como memória de longo prazo. Como veremos em alguns minutos, já existem muitos desses servidores MCP por aí para nos conectar a esses diferentes serviços, mas o verdadeiro poder vem em construir o nosso próprio, para que possamos conectar nossos próprios agentes a qualquer serviço que quisermos, tudo usando a simplicidade e o poder do MCP.

Recursos para Construir um Servidor MCP

Você não está familiarizado com o MCP da Anthropic? Mas, em geral, os três principais recursos que uso para aprender sobre o MCP e construir meus próprios servidores MCP são: a documentação oficial do MCP, uma lista de servidores MCP existentes no GitHub e, em seguida, o repositório oficial da Anthropic no GitHub para o SDK Python do MCP.

Deixe-me explicar rapidamente todos esses três, e depois também terei links para eles.

A documentação oficial é muito útil para ter uma noção geral do MCP, e possui páginas para praticamente tudo, incluindo como construir seus próprios servidores e clientes, que usaremos para criar nosso próprio servidor.

Link : Arquivos de Recursos

A lista existente de servidores MCP é muito útil como um ponto de referência. Você pode usar esses servidores como exemplos de como construir o seu próprio, e este é um ótimo repositório de vários servidores que provavelmente vamos querer usar, em geral, para nos ajudar a construir nossos próprios servidores.

LINK: Arquivos de Recursos

E, por último, o Python é a linguagem que usarei para construir servidores MCP. É a mais simples e a mais usada, e portanto, usar isso como orientação geral para como construir servidores MCP especificamente com Python é muito útil.

Demonstração do Servidor Mem0 MCP

Esta é minha nova configuração de desktop Claude atualizada. Este é o servidor MCP que estamos construindo como exemplo.

Este é o código da imagem acima.

{
  "mcpServers": {
    "mem0": {
      "command": "C:\Users\colem\mcp-mem1\venv\Scripts\python.exe",
      "args": ["C:\Users\colem\mcp-mem1\src\main.py"],
      "env": {
        "TRANSPORT": "stdio",
        "LLM_PROVIDER": "openai",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_API_KEY": "REDACTED",
        "LLM_CHOICE": "gpt-4o-mini",
        "EMBEDDING_MODEL_CHOICE": "text-embedding-3-small",
        "DATABASE_URL": "REDACTED"
      }
    },
    "supabase": {
      "command": "docker",
      "args": [
        "run",
        "--rm",
        "-i",
        "-e",
        "SUPABASE_URL",
        "-e",
        "SUPABASE_SERVICE_KEY",
        "mcp/supabase"
      ],
      "env": {
        "SUPABASE_URL": "REDACTED",
        "SUPABASE_SERVICE_KEY": "REDACTED"
      }
    },
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "C:\Users\colem\OneDrive\Documents\ExampleProject"
      ]
    },
    "brave-search": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-brave-search"],
      "env": {
        "BRAVE_API_KEY": "REDACTED"
      }
    },
    "sequential-thinking": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]
    },
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    },
    "stagehand": {
      "command": "node",
      "args": [
        "C:\Users\colem\mcp-server-browsersbase\stagehand\dist\index.js"
      ],
      "env": {
        "BROWSERBASE_API_KEY": "bb_live_ALciR803tXuh1hO8QpsmXM4Uegs",
        "BROWSERBASE_PROJECT_ID": "82b2b1cd-26db-44f2-a88b-cf4e32d95d62",
        "OPENAI_API_KEY": "sk-proj-bJhDbeSC2xgQ6bybSVe7TJQb5e-y6Z9AzZDP9H03Fau2m8uz-QdS9MVHpB0zZMoRAE5BTl1T3BlbkFJUs2qlyTiEfZi_USQ0QVCJAR684r-Q40CQN-c64b5HBPzSeG0t0c0dVCPMc0uXjm15Rh54Y_Ti_cA"
      }
    },
    "archon": {
      "command": "c:\Users\colem\TomTomator\archon\iterations\lv3-mcp-support\venv\Scripts\python.exe",
      "args": [
        "c:\Users\colem\TomTomator\archon\iterations\lv3-mcp-support\mcp_server.py"
      ],
      "cwd": "c:\Users\colem\TomTomator\archon\iterations\lv3-mcp-support"
    }
  }
}