ChatGPT Work: integração de ferramentas e comunicação inteligente

Conectando o ChatGPT Work ao fluxo de trabalho - Introdução

Apresentando o curso e integrações

Boas-vindas a mais um curso da Alura. Eu sou Ricardo Bugan e serei o instrutor deste curso.

Neste curso, nós vamos continuar em nossa trilha de ChatGPT-Work e aprofundar o uso da ferramenta. Embora não estejamos com ela aberta agora, estamos com o Google Sheets aberto, pois vamos utilizar o Google Sheets para integrar essa ferramenta ao nosso agente.

Temos um assistente, o nosso GPT-Work, que já está funcionando. Nós já o havíamos integrado ao Trello no curso anterior e, agora, vamos aprofundar essa integração entre ferramentas, inclusive entendendo mais a fundo como o protocolo MCP funciona. Faremos isso de maneira não técnica; não é um curso para programar e criar clientes e servidores MCP.

Definindo objetivos e preparando a automação

Nosso objetivo é entender como o processo funciona, ganhar mais segurança no dia a dia e compreender por que as tarefas são executadas da forma como são.

Vamos aproveitar a integração com o Google Sheets (Planilhas Google) para acessar uma planilha de atendimento. Estamos simulando uma central de atendimento que recebe mensagens de vários canais; precisamos priorizar, entender o que está acontecendo, identificar se há problemas muito urgentes e definir para qual equipe delegaremos cada demanda. Vamos contar com uma automação no ChatGPT-Work (ChatGPT-Work), que criaremos a partir das skills (habilidades) dos MCPs e das features (características) disponíveis no próprio ChatGPT-Work (ChatGPT-Work), para trabalhar conosco, acelerando e melhorando nosso dia a dia.

Espero você lá, para nós aprofundarmos ainda mais no nosso ChatGPT-Work (ChatGPT-Work).

Conectando o ChatGPT Work ao fluxo de trabalho - Contextualização

Apresentando o curso e plano de estudo

Neste curso, nós vamos continuar explorando o ChatGPT Work, ferramenta que a OpenAI está trazendo. No curso anterior, nós analisamos algumas funcionalidades e características, como implementar alguns recursos conhecidos nesse tipo de harness (ambiente), vimos as skills (habilidades), as capacidades dos modelos, como selecionar o modelo e o agendamento de tarefas.

Neste curso, nós retomaremos o final do curso anterior — que, se você ainda não viu, vale a pena assistir; ele estará listado como pré-requisito deste curso — para que você conheça a base do ChatGPT Work. Vamos partir da última aula, na qual abordamos integrações de ferramentas. Realizamos, na prática, uma integração com o Trello, portanto já temos essa integração configurada a partir do curso anterior. Nós vamos ampliar essa integração, entender melhor como ela é feita, quais são as considerações que precisamos ter e por que isso foi feito dessa maneira.

Em seguida, estudaremos em maior profundidade o protocolo MCP. Nós vamos iniciar o curso falando desse protocolo e explorando mais funcionalidades do próprio ChatGPT Work. O protocolo MCP é exatamente a maneira pela qual nosso agente, nosso sistema de IA, se comunica com ferramentas externas.

Entendendo o protocolo mcp e integrações

Como abordamos no curso anterior, quando trabalhamos com o ChatGPT Work, ele opera focado na nossa pasta local, nos nossos arquivos e no nosso computador, com acesso bastante restrito ao que pode executar. O objetivo agora é dar acesso ao mundo real, às ferramentas que utilizamos no dia a dia, por meio do Model Context Protocol (Protocolo de Contexto de Modelo, MCP). Sempre que ouvirmos falar do protocolo MCP ou de ferramentas voltadas para agentes de IA, estamos tratando de como integrar o assistente de IA a ferramentas e produtos do mundo real.

Estamos no site da documentação, que apresenta a especificação técnica do protocolo, descrevendo como o protocolo deve funcionar, quais são as camadas, o servidor, o cliente e os demais componentes. É uma documentação técnica, mas vale a pena, para quem tiver curiosidade, consultar pelo menos o artigo “O que é o Model Context Protocol, como funciona e por que foi projetado dessa maneira”. Essa documentação é voltada principalmente para quem é pessoa desenvolvedora, mas, a título de curiosidade, é interessante compreendermos esses conceitos.

Já vimos que, no ChatGPT Work, a implementação desse protocolo aparece na camada de plugins (extensões). Em Plugins, visualizamos as extensões instaladas e podemos buscar mais plugins e outras ferramentas para uso no dia a dia.

Antes de continuarmos instalando novas ferramentas e de falarmos sobre as precauções necessárias, vamos compreender melhor como o protocolo funciona, como foi pensado e por que foi estruturado dessa maneira. Em seguida, retornaremos para instalar as ferramentas.

Conectando o ChatGPT Work ao fluxo de trabalho - Protocolo MCP

Introduzindo o protocolo e a pirâmide de camadas

Entenderemos o que esse protocolo faz e como funciona por baixo dos panos. Não é necessariamente um conteúdo que precisaremos conhecer em profundidade para utilizar a ferramenta, mas é útil para identificarmos possíveis causas de problemas e onde eles podem estar ocorrendo.

Vamos falar do protocolo MCP e de como ele funciona. Para isso, consideraremos uma pirâmide de camadas de ferramentas sobre o nosso assistente de IA.

Na primeira camada, estão os próprios LLMs (Large Language Models, Modelos de Linguagem de Grande Porte), ou seja, modelos de linguagem treinados em grandes bases de texto para gerar respostas e textos. Conforme a tecnologia evoluiu, percebemos que um LLM, por si só, não produz necessariamente as respostas mais úteis ou interessantes em todos os contextos.

Aprofundando a camada de harness e seus vieses

Por isso, surgiu uma camada intermediária entre o LLM e as pessoas usuárias que fazem perguntas. Saímos daquele chat “cru” na interface web para um Harness (camada de orquestração). O ChatGPT, inclusive, pode ser classificado como um Harness, assim como o Codex, o Cloud Code e o Cloud Cowork. Hoje em dia, chamamos todas essas ferramentas de Harness. Elas servem para nos ajudar a direcionar e guiar as respostas dos modelos de linguagem.

Quando falamos em “enviesar” aqui, não associamos a algo negativo. Se utilizarmos o mesmo LLM no ChatGPT e no Codex — ambos da OpenAI — e enviarmos o mesmo prompt para as duas ferramentas, as respostas serão diferentes. Isso ocorre porque o Harness direciona o comportamento para lados distintos. O Codex é uma ferramenta voltada para a área de desenvolvimento; portanto, tende a criar sistemas, montar código e executar ações no computador por meio de código. Já o ChatGPT foi pensado para trabalhos administrativos e para pessoas que não são da área de tecnologia; assim, as respostas tendem a vir mais detalhadas e predominantemente em formato de texto, em vez de gerar código ou propor a construção de um sistema a partir de código. Esse é o tipo de viés que o Harness adiciona.

Cada Harness pode adicionar um viés diferente, e nós também alteramos esse viés a partir do arquivo Agents.md (que já vimos no curso anterior) e das habilidades que adicionamos ao próprio assistente. O Harness faz a gestão desse viés, das instruções definidas no Agents.md e das habilidades configuradas.

Conectando agentes às ferramentas do mundo real

Em seguida, temos a camada de agentes, que possuem autonomia para realizar tarefas. Nessa camada, definimos regras para orquestrar o LLM e estabelecer como trabalhar no projeto. O arquivo Agents.md conceitualmente pertence a essa camada de agentes — até pelo nome —, embora fique dentro do Harness. São elementos muito próximos.

Na camada superior, temos o MCP, que conecta o assistente às ferramentas do mundo real para executar tarefas. No dia a dia, normalmente não utilizamos apenas um bloco de notas no computador. Enviamos e-mails, agendamos reuniões, visualizamos planilhas do Excel, documentamos informações em aplicativos como o Notion e acompanhamos quadros Kanban, onde marcamos tarefas feitas, em andamento ou planejadas. Utilizamos uma série de ferramentas que compõem a stack (pilha tecnológica) da empresa ou da equipe, e é interessante que o assistente tenha acesso a elas. É esse mundo real que o MCP, enquanto camada, possibilita acessar.

Por que isso é importante? Porque muitos serviços e produtos — como o Trello, que já conectamos ao nosso assistente — existiam antes dos agentes. Era possível utilizá-los pela interface web, o que chamamos de front-end (interface web), acessá-los no aplicativo do celular, isto é, na camada mobile (aplicativo móvel), e a própria empresa mantinha um back-office (sistema interno) não visível para clientes. Tudo isso se conecta ao serviço do Trello. Agora, com agentes de IA atuando no papel de pessoas usuárias, precisamos conectá-los a esse serviço também.

Justificando o mcp e delineando a arquitetura

Esta conexão não é equivalente à conexão de um front-end (camada de interface) com nosso serviço, pois o protocolo de comunicação e a forma de integração entre serviços são diferentes. A proposta do protocolo MCP é atender melhor às necessidades de agentes de IA que, diferentemente de um front-end de mobile (aplicativo móvel) ou do back office (retaguarda operacional), que realizam integração por meio de APIs (interfaces de programação de aplicações), nem sempre dispõem do mesmo tipo de API para integrar um agente de IA.

O grande problema das APIs, quando comparamos a integração via front-end com a integração de agentes de IA, é a ausência de um padrão de descoberta de funcionalidades e de rotas. Também não há um padrão de requisição universal e extremamente bem definido, permitindo que cada empresa implemente de maneira diferente. Isso confunde e reduz a eficiência do assistente, que precisa buscar e tentar executar funcionalidades sem saber, de antemão, se tem acesso a elas. Em muitos casos, é necessária autenticação, com realização de login na ferramenta para poder executar ações. Além disso, pode não ser possível, ou pelo menos não ser a melhor abordagem, fazer essas operações por meio de uma API REST (interface de programação baseada em REST). O protocolo MCP surge para resolver esse conjunto de problemas.

Outra necessidade específica do agente é que, mesmo quando existe um link para criar um card no Trello, esse link nem sempre tem um nome claro. Às vezes, está apenas como create, e o restante da URL é que indica se a operação criará um card, um post, uma data, um board, e assim por diante. Como é possível criar múltiplas entidades em um mesmo serviço, o assistente precisa de uma descrição em linguagem natural daquela funcionalidade para saber exatamente o que vai acontecer ao chamá-la.

Poderíamos solicitar que o agente utilizasse a interface web, já que a maioria dos assistentes atuais consegue abrir um navegador e usar a internet. Contudo, essa abordagem é pouco eficiente e consome muitos tokens (unidades de processamento), portanto não é a melhor solução. Por essas necessidades, foi criado o protocolo MCP.

Na arquitetura do protocolo, temos a ferramenta — no nosso caso, o próprio ChatGPT Work — e o cliente MCP, que está embutido nessa ferramenta. O ChatGPT Work, como ferramenta, possui um cliente MCP cadastrado, responsável por fazer requisições ao nosso servidor MCP. Mantemos, assim, uma relação análoga a front-end e back-end (camada de serviços): em um site, quando nos cadastramos, uma requisição é enviada a um servidor, que devolve as respostas. Aqui ocorre o mesmo. Temos um cliente que envia requisições a um servidor MCP por um protocolo de comunicação acordado entre ambos, e esse servidor informa ao nosso assistente quais ferramentas estão disponíveis: criação de board, criação de card, visualização de cards, criação de post, entre outras.

Entendendo a comunicação via JSON-RPC

A comunicação ocorre pelo protocolo JSON-RPC. Este é um ponto técnico; basta sabermos que é um formato combinado para o envio de mensagens, no qual cliente e servidor trocam informações padronizadas.

Com isso em mente, é importante entendermos essa arquitetura para diagnosticar erros. Quando pedimos ao assistente para realizar algo e recebemos a resposta “não consigo”, conseguimos raciocinar: não consegue porque a ferramenta não existe no servidor? Porque o servidor está fora do ar? Porque o cliente não está respondendo corretamente? Ou porque o nosso harness (estrutura de suporte) está desatualizado e precisa ser corrigido? O objetivo do MCP é fornecer ferramentas preparadas para facilitar a integração e tornar essa integração o mais eficiente possível com nosso assistente de IA, no ChatGPT Work.

Como se trata de um protocolo diferente, não usamos o mesmo tipo de comunicação que um front-end ou um serviço web (via navegador) costuma utilizar. Por isso, é normal, ao acessar a seção de plugins (extensões) da ferramenta, não encontrarmos todas as ferramentas já preparadas para instalação e integração com o assistente. Esse é um processo em andamento nas empresas, e novas ferramentas são conectadas aos assistentes diariamente. No entanto, ainda não estão todas disponíveis, pois as empresas precisam adaptar e criar seus produtos para integração com assistentes de IA, ajustando seus formatos de comunicação.

Sobre o curso ChatGPT Work: integração de ferramentas e comunicação inteligente

O curso ChatGPT Work: integração de ferramentas e comunicação inteligente possui 100 minutos de vídeos, em um total de 32 atividades. Gostou? Conheça nossos outros cursos de Automação & Produtividade em Inteligência Artificial, ou leia nossos artigos de Inteligência Artificial.

Matricule-se e comece a estudar com a gente hoje! Conheça outros tópicos abordados durante o curso:

• Conectando o ChatGPT Work ao fluxo de trabalho
• Triagem inteligente e regras de processo
• Respostas com contexto e tom de voz
• Transformando conversas em ação
• Das Skills ao compartilhamento