 |
| Bellacosa Mainframe introduz mcp rag e skills para ia |
☕ Um Café no Bellacosa Mainframe
MCP vs RAG vs Skills
O Que Todo Programador COBOL Padawan Precisa Saber Sobre as Três Camadas Fundamentais dos Agentes de IA
Quando surgiram os primeiros chatbots, a arquitetura era extremamente simples.
Usuário
│
▼
LLM
│
Resposta
Tudo dependia exclusivamente do conhecimento aprendido durante o treinamento do modelo.
O problema?
O modelo não conhecia:
- documentos internos
- sistemas da empresa
- banco de dados
- regras atualizadas
- aplicações corporativas
Foi então que nasceram três tecnologias que hoje aparecem praticamente em todos os projetos modernos de IA.
Cada uma resolve um problema completamente diferente.
A grande confusão
Muitas pessoas imaginam algo assim:
MCP OU RAG OU Skills
Na realidade é:
Agent
┌─────────────┐
│ LLM │
└──────┬──────┘
│
┌───────┼────────┐
│ │ │
RAG MCP Skills
Os três trabalham juntos.
O papel do RAG
RAG significa
Retrieval Augmented Generation
A ideia é extremamente elegante.
Ao invés de confiar apenas na memória do modelo, buscamos informações atualizadas antes da resposta.
Fluxo:
Pergunta
↓
Busca documentos
↓
Seleciona apenas os mais relevantes
↓
Entrega os documentos ao LLM
↓
LLM responde usando esse contexto
O modelo continua sendo o mesmo.
Quem muda é o contexto entregue a ele.
Analogia Mainframe
Imagine um operador perguntando:
Qual é o procedimento correto para recuperação do CICS?
O LLM não precisa decorar isso.
Ele consulta:
- Manual IBM
- Wiki interna
- Procedimentos da empresa
- Documentação operacional
- PDFs
- SharePoint
Depois responde.
Exatamente como um analista faria.
O pipeline do RAG
Pergunta
↓
Embedding
↓
Vector Database
↓
Busca semântica
↓
Top-K documentos
↓
Prompt
↓
LLM
↓
Resposta
Observe que existe um banco vetorial.
Ele não guarda textos.
Guarda representações matemáticas dos textos.
O que são Embeddings?
Um embedding transforma texto em números.
Por exemplo
"COBOL"
↓
[0.27, -0.88, 0.45, ...]
Assim documentos semelhantes ficam próximos matematicamente.
É por isso que o sistema consegue encontrar documentos parecidos mesmo quando a pergunta usa palavras diferentes.
Onde o RAG é excelente?
✔ FAQ
✔ Base de conhecimento
✔ Documentação
✔ Manual IBM
✔ Políticas internas
✔ Catálogo de APIs
✔ Documentação COBOL
✔ Contratos
✔ Wikis
✔ PDFs
✔ Emails
✔ Normas
Limitações do RAG
O RAG apenas recupera conhecimento.
Ele NÃO executa nada.
Ele não:
- envia emails
- consulta banco
- abre chamados
- cria tickets
- reinicia servidores
Ele apenas fornece contexto.
Agora entra o MCP
MCP significa
Model Context Protocol
Criado pela Anthropic, rapidamente adotado por diversos frameworks, tornou-se um padrão para conectar LLMs a ferramentas e sistemas externos.
Enquanto o RAG fornece conhecimento, o MCP fornece ação.
Imagine um agente perguntando:
Quanto dinheiro há na conta?
RAG?
Não funciona.
O saldo muda a todo instante.
É preciso consultar o sistema.
Quem faz isso?
MCP.
O fluxo do MCP
Usuário
↓
LLM
↓
MCP Client
↓
MCP Server
↓
Sistema Externo
↓
Resposta
↓
LLM
↓
Usuário
O MCP funciona como um tradutor universal.
Analogia Mainframe
Imagine um adaptador padrão entre IA e:
- CICS
- IMS
- DB2
- MQ
- RACF
- z/OSMF
- APIs REST
- SAP
- Salesforce
Ao invés de cada ferramenta exigir uma integração diferente, todas expõem capacidades por meio de um protocolo comum.
O agente apenas descobre e utiliza essas capacidades.
O que um MCP Server pode oferecer?
Pode disponibilizar ferramentas como:
Consultar Cliente
Consultar Pedido
Executar SQL
Ler Arquivos
Enviar Slack
Criar Ticket
Executar Shell
Executar Python
Consultar GitHub
Pesquisar Web
Ler Calendário
Enviar Email
Tudo padronizado.
Benefícios do MCP
Padronização.
Descoberta automática de ferramentas.
Segurança.
Controle de permissões.
Menos integrações customizadas.
Reutilização.
Interoperabilidade entre diferentes agentes.
O que são Skills?
As Skills ficam em outra camada.
Elas representam comportamento.
São capacidades reutilizáveis.
Imagine uma Skill chamada
Abrir Incidente
Ela pode executar:
Consultar logs
↓
Analisar erro
↓
Consultar CMDB
↓
Criar Ticket
↓
Enviar Slack
↓
Atualizar Dashboard
Tudo encapsulado.
Skill não é Prompt
Muita gente pensa:
Prompt = Skill
Não.
Prompt é apenas instrução.
Skill normalmente contém:
- regras
- fluxo
- ferramentas
- parâmetros
- validações
- memória
- tratamento de erros
- lógica de negócio
É praticamente um pequeno aplicativo.
Analogia COBOL
Uma Skill lembra muito um programa COBOL reutilizável.
PAYROLL
↓
Recebe parâmetros
↓
Executa regras
↓
Consulta DB2
↓
Atualiza registros
↓
Retorna resultado
Você não reescreve tudo.
Você apenas chama.
Comparação completa
| Característica | RAG | MCP | Skills |
|---|---|---|---|
| Objetivo | Buscar conhecimento | Conectar sistemas | Executar processos |
| Atua sobre | Informação | Ferramentas | Fluxos de trabalho |
| Atualiza dados | Sim | Sim | Depende |
| Executa ações | Não | Sim | Sim |
| Reutilização | Média | Alta | Muito Alta |
| Usa LLM | Sim | Sim | Sim |
| Pode usar banco vetorial | Sim | Não | Opcional |
Como tudo trabalha junto?
Imagine um banco.
O usuário pergunta:
Meu cartão foi bloqueado. O que aconteceu?
O agente executa:
Etapa 1 — Skill
Resolver Problema Cartão
Etapa 2 — MCP
Consulta
Sistema de Cartões
Obtém:
Status
Limite
Fraude
Eventos
Etapa 3 — RAG
Consulta
Manual de Bloqueios
Normas BACEN
Políticas internas
Etapa 4 — LLM
Combina
- dados atuais
- regras
- conhecimento
- contexto
E produz uma resposta clara e fundamentada.
Arquitetura completa
Usuário
│
▼
┌──────────┐
│ LLM │
└────┬─────┘
│
┌─────────────┼──────────────┐
│ │ │
▼ ▼ ▼
Skills RAG MCP
│ │ │
Fluxos Conhecimento Ferramentas
│ │ │
▼ ▼ ▼
Regras Vector DB APIs • DB2 • CICS
Workflows Documentos Git • Slack • ERP
PDFs • Wiki Shell • Python
Um exemplo no universo IBM Z
Suponha que um operador pergunte:
"Por que o JOB PAYROLL001 terminou em ABEND S0C7 e como posso corrigir isso?"
Um agente corporativo pode orquestrar as três camadas:
- Skill "Diagnosticar ABEND": coordena todo o fluxo de investigação.
- MCP: acessa SDSF para obter o JOBLOG, consulta o catálogo do JES2, lê registros SMF, executa uma consulta no DB2 e busca o código-fonte no Git.
- RAG: recupera documentação sobre S0C7, padrões de tratamento de dados numéricos, procedimentos internos da empresa e artigos da IBM.
- LLM: cruza os dados operacionais em tempo real com a documentação recuperada e apresenta uma explicação detalhada, indicando a provável causa (por exemplo, um campo NUMERIC contendo caracteres inválidos), os programas afetados e os passos recomendados para correção.
Sem o RAG, o agente não teria acesso às políticas e manuais atualizados. Sem o MCP, ele não conseguiria consultar os sistemas corporativos. Sem a Skill, cada investigação exigiria um novo prompt complexo e inconsistente.
A evolução da arquitetura de IA
A tendência é que agentes corporativos sejam compostos por várias camadas especializadas:
- LLM: raciocínio e geração de linguagem.
- Memória: histórico e contexto de longo prazo.
- RAG: recuperação de conhecimento atualizado.
- MCP: acesso padronizado a ferramentas e sistemas externos.
- Skills: automação de processos recorrentes e reutilizáveis.
- Planejamento: decomposição de objetivos em múltiplas etapas.
- Observabilidade: logs, métricas, rastreamento e auditoria.
Essa combinação transforma um simples chatbot em um agente corporativo capaz de consultar informações, interagir com sistemas legados, executar processos complexos e aprender com o contexto, aproximando-se do que será o padrão da engenharia de software baseada em IA nos próximos anos.
Resumindo em uma frase
- 🧠 RAG responde à pergunta: "O que o agente precisa saber?"
- 🔌 MCP responde: "Com quais sistemas o agente pode conversar?"
- ⚙️ Skills respondem: "O que o agente sabe fazer de forma consistente e reutilizável?"
Quando essas três camadas trabalham em conjunto, surgem agentes capazes de ir muito além de uma conversa: eles compreendem o contexto, acessam o mundo externo e executam tarefas reais, representando a base da próxima geração de aplicações inteligentes.
