Construir plugins e datasets

Um plugin é um repo git que ensina ao servidor MCP sobre um conjunto de datasets. Limitamos cada plugin a um domínio de dados focado (por exemplo o balanço energético do Uruguai) em vez de a um portal de dados abertos inteiro, que tende a ficar genérico demais. Os catálogos de energia do Uruguai e do Brasil são plugins; o seu também pode ser.

Um plugin pode descrever suas ferramentas de duas maneiras, e misturar as duas livremente:

• Ferramentas em Python: funções Python comuns. Este é o caminho principal, e o que usamos na prática: dá conta de tudo, de uma consulta simples a bancos de dados, APIs e cálculos, e continua claro à medida que um dataset cresce.
• Datasets em YAML: declare uma consulta em um pequeno arquivo .yaml, sem precisar programar. Só para datasets realmente simples: veja quando usar YAML vs. Python.

Preferimos funções Python como ferramentas para começar. Seja qual for o estilo, toda ferramenta deve seguir o mesmo contrato de resultados: uma resposta em texto para a IA mais dados estruturados (fontes, tabelas, gráficos) para a UI.

O caminho até o seu próprio plugin

1. Comece pelos catálogos existentes como modelos: o plugin de energia do Uruguai (Python).
2. Escreva sua primeira ferramenta como uma função Python.
3. Teste localmente com o MCP Inspector.
4. Dê ao seu plugin uma descrição e perguntas de exemplo para que o chat mostre um belo cartão de apresentação.
5. Conecte-o a um servidor.

Duas lições dos pilotos

Duas práticas se mostraram especialmente valiosas na hora de construir um plugin: pré-calcular os valores derivados em vez de pedir à IA, e dar à IA um glossário de domínio injetando definições oficiais no contexto das suas ferramentas.