Sistemas de IA: como LLM, RAG, MCP e Agentes se Complementam

Você já viu as siglas LLM, RAG e MCP ao lado da expressão “agente de IA” e ficou sem saber se eram nomes diferentes para a mesma coisa? O infográfico usa uma analogia humana para separar essas peças. Ela ajuda a visualizar o conjunto, mas não significa que uma inteligência artificial tenha cérebro, consciência ou capacidades humanas equivalentes.

Vamos percorrer o desenho e depois montar um exemplo: um assistente que consulta a documentação de uma empresa e prepara um chamado de suporte. O objetivo não é escolher uma sigla vencedora, e sim entender qual responsabilidade cada componente pode assumir.

LLM: a peça que trabalha com linguagem

LLM significa Large Language Model, ou grande modelo de linguagem. É um modelo treinado em grandes quantidades de dados para processar e gerar linguagem. Pode explicar um conceito, resumir um texto ou redigir uma resposta com base no contexto recebido.

No desenho, ele ocupa o papel do “cérebro”. Na prática, essa é uma analogia didática: o modelo aprende padrões e produz respostas, não funciona como um cérebro humano. Uma resposta convincente também pode conter informação incorreta; fluência não é comprovação.

Exemplo: explicar o que é um chamado de suporte. Isso é diferente de conhecer, por conta própria, o procedimento interno e atualizado de uma empresa.

RAG: consultar informações antes de responder

RAG significa Retrieval-Augmented Generation, ou geração aumentada por recuperação. Combina a geração de linguagem com a recuperação de informações externas relevantes. Em vez de depender apenas do conhecimento presente nos parâmetros do modelo, o sistema fornece materiais recuperados como contexto para a resposta.

A analogia é o “cérebro consultando livros”. Os livros podem representar manuais, artigos ou documentos da empresa. Esse uso de contexto não exige retreinar o modelo a cada consulta.

No nosso exemplo: diante da pergunta “Como solicito acesso ao sistema?”, o assistente recupera o procedimento correspondente antes de redigir a orientação. Como cuidado de projeto, precisamos conferir se o documento é atual, se o trecho recuperado responde à pergunta e se o usuário pode acessá-lo. Ter uma fonte não basta: ela precisa sustentar a resposta.

MCP: um padrão para conectar aplicações a ferramentas e dados

MCP significa Model Context Protocol. É um padrão aberto para conectar aplicações de IA a sistemas externos, como arquivos, fontes de dados e ferramentas. A imagem mostra essa função de conector: MCP não é o modelo de linguagem e não é sinônimo de RAG.

Na arquitetura do protocolo, a aplicação hospedeira utiliza clientes para se comunicar com servidores que oferecem contexto e capacidades. Um servidor pode disponibilizar recursos, modelos de prompts ou ferramentas executáveis.

No nosso exemplo: a aplicação poderia acessar uma ferramenta de busca de documentos e outra de criação de chamados por conexões MCP. A conexão padroniza a comunicação; não concede acesso irrestrito nem garante, sozinha, a segurança da integração. Os controles de autorização precisam ser implementados pela aplicação.

Agente de IA: escolher etapas, usar ferramentas e conferir o resultado

Um agente baseado em LLM combina o modelo com ferramentas e um ciclo de execução. Ele pode escolher uma próxima etapa, solicitar uma ação, observar o resultado devolvido pelo ambiente e decidir como continuar ou quando parar. A expressão “cérebro + mãos” representa essa passagem de responder para também agir.

Adotando a distinção arquitetural apresentada pela Anthropic: em um workflow, o caminho de execução é previamente definido; em um agente, o modelo pode direcionar dinamicamente o processo e o uso de ferramentas. Isso não significa autonomia sem limites: testes, critérios de parada e supervisão continuam importantes.

Exemplo prático: do pedido ao chamado de suporte

Considere este cenário fictício e didático, não uma integração executada pela CLC: uma pessoa pede “Consulte o procedimento para solicitar acesso e prepare um chamado. Não envie sem minha aprovação”. Uma arquitetura possível seria:

1. Entender o pedido: o LLM identifica a dúvida, o sistema mencionado e a restrição de não enviar o chamado.
2. Buscar o procedimento: a etapa de RAG recupera os trechos relevantes da documentação autorizada.
3. Acessar as ferramentas: a aplicação utiliza conexões MCP, se elas fizerem parte dessa arquitetura, para consultar os serviços necessários.
4. Preparar o rascunho: o agente organiza os dados e apresenta o texto para revisão, sem executar o envio.
5. Respeitar a aprovação: somente depois da autorização, e se tiver permissão para isso, a aplicação solicita a criação do chamado.
6. Conferir o retorno: o agente verifica a resposta da ferramenta antes de informar o número do chamado. Se houver falha, relata a pendência em vez de afirmar que concluiu.

A pergunta de revisão é simples: o sistema apenas escreveu que abriria o chamado ou recebeu uma confirmação real da ferramenta? No projeto deste exemplo, só a segunda situação deve contar como execução concluída.

Permissões não são um detalhe

A especificação MCP destaca consentimento, controle dos dados e cuidado com ferramentas. Também esclarece que o protocolo, por si só, não impõe todos esses princípios: os implementadores precisam construir os controles.

Para o nosso cenário, proponha regras explícitas: consultar apenas documentos autorizados, separar leitura de escrita, mostrar o rascunho antes do envio e registrar o resultado da operação. Um texto encontrado em um documento não deve ser tratado como uma nova autorização do usuário. Essas são orientações de desenho do exemplo, não uma promessa de que qualquer conexão MCP já faça tudo isso.

Peças complementares, não concorrentes

• LLM: processa o pedido e gera linguagem.
• RAG: recupera informações para apoiar a resposta.
• MCP: padroniza conexões com sistemas externos.
• Agente: conduz etapas e ações dentro do escopo definido.

Um agente pode usar RAG e ferramentas conectadas por MCP, mas nem toda aplicação precisa das quatro peças. Comece pelo problema: explicar um conceito, responder com documentos ou executar uma tarefa exigem níveis diferentes de integração. Acrescente complexidade quando ela ajudar a atingir um objetivo verificável.

O modelo ajuda a formular a resposta; as fontes dão contexto; as conexões dão acesso; o agente conduz o trabalho. Nenhuma dessas peças dispensa verificar o resultado.