AWS publica 6 abordagens para otimizar ferramentas MCP e economizar contexto

Em 12 de julho de 2026, a AWS publicou um guia técnico sobre os problemas de design de ferramentas MCP e propôs 6 abordagens práticas para resolvê-los, da otimização das descrições à análise de parâmetros no servidor com IA. A pesquisa se baseia em testes reais com uma API de busca de conteúdo educacional (K-12).

Por que as ferramentas MCP reduzem a qualidade dos modelos

O Model Context Protocol ajuda os LLMs a usar ferramentas externas, mas o design das definições costuma ser ruim. A AWS identificou dois problemas principais:

Bloat (inchaço): cada servidor MCP carrega as definições de suas ferramentas na janela de contexto, mesmo que não sejam usadas. Com vários servidores ativos, a janela se enche de definições antes de o usuário fazer a primeira pergunta.

Confusion (confusão): um contexto sobrecarregado degrada o raciocínio do modelo. O LLM confunde ferramentas parecidas, erra parâmetros e interpreta mal as restrições. A similaridade semântica entre ferramentas e nomes de parâmetros pouco claros agravam o problema.

6 abordagens: o espectro completo de soluções

A AWS testou seis implementações com consultas reais, como "Encontre um teste sobre frações para o 7º ano" e "Preciso de conteúdo alinhado ao TEKS":

• V1 (Raw Passthrough): expõe a API do backend como ela é, com muitos erros de parâmetros
• V2 (Rich Descriptions): docstrings detalhadas com exemplos, que melhoram a precisão, mas aumentam o tamanho
• V3 (Schema & Defaults): parâmetros renomeados (`discipline` → `subject`), enums `Literal`, defaults sensatos; um bom meio-termo
• V4 (Lazy Loading): os detalhes (taxonomia) ficam atrás de uma ferramenta separada; oferece uma base mínima, mas exige consultas adicionais
• V5 (Server-side Introspection): o Amazon Nova 2 Lite analisa os parâmetros no servidor; o comportamento é estável, mas há chamadas de inferência extras
• V6 (Agent-as-Tool): um único parâmetro `question: str` com toda a lógica por dentro; máximo controle, mas exige infraestrutura

Principais recomendações da AWS

O AWS Prescriptive Guidance recomenda manter os parâmetros de uma ferramenta em "cerca de oito ou menos". A pesquisa da Anthropic mostrou que migrar para uma saída detalhada sob demanda reduz os tokens de resposta em cerca de dois terços.

Além disso: escrever mensagens de erro específicas e acionáveis (não apenas "no results", mas uma descrição exata do que tentar). Usar nomes de parâmetros adequados ao domínio, em vez de nomes de colunas do banco de dados, reduz drasticamente a confusão do modelo.

Como escolher a abordagem para a sua tarefa

Não existe solução universal. A escolha depende do número de parâmetros (poucos → V3, muitos → V4-V5), da estabilidade do vocabulário, dos requisitos de latência e da necessidade de uniformidade entre modelos diferentes. Para a maioria das tarefas de busca e filtro, V3 basta. Aplicações especializadas (taxonomias complexas, raciocínio em várias etapas) ganham com V4-V5.

O que isso significa

As ferramentas MCP hoje costumam atrasar os agentes de LLM, mas a AWS mostrou que o problema tem solução com engenharia de contexto. Os engenheiros agora têm um playbook prático para equilibrar contexto e precisão, em vez de adicionar descrições às cegas.