AWS publicou 6 abordagens para otimizar ferramentas MCP e economizar contexto

A AWS em 12 de julho de 2026 publicou um guia técnico sobre problemas de design de ferramentas MCP e propôs seis abordagens práticas para resolvê-los — desde otimização de descrições até análise de parâmetros no servidor usando AI. O estudo é baseado em testes reais de uma API de busca de conteúdo educacional (K-12).

Por Que as Ferramentas MCP Degradam a Qualidade do Modelo

O Model Context Protocol ajuda LLMs a usar ferramentas externas, mas o design das definições de ferramentas é frequentemente mal executado. A AWS identificou dois problemas principais:

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

Confusion (confusão): um contexto superlotado degrada o raciocínio do modelo. LLMs confundem ferramentas semelhantes, cometem erros de parâmetros e interpretam mal as restrições. A similaridade semântica entre ferramentas e nomes de parâmetros pouco claros agravam o problema.

Seis Abordagens: Um Espectro Completo de Soluções

A AWS testou seis implementações em consultas do mundo real como "Encontre um teste de frações para 7º ano" e "Preciso de conteúdo alinhado ao TEKS":

• V1 (Raw Passthrough): expõe a API de backend como está — altas taxas de erro de parâmetros
• V2 (Rich Descriptions): docstrings detalhados com exemplos — melhora a precisão mas aumenta o tamanho
• V3 (Schema & Defaults): parâmetros renomeados (`discipline` → `subject`), enums `Literal`, padrões sensatos — bom compromisso
• V4 (Lazy Loading): detalhes (taxonomia) em uma ferramenta separada — baseline mínimo, requisições extras
• V5 (Server-side Introspection): Amazon Nova 2 Lite analisa parâmetros no servidor — comportamento estável mas adiciona chamadas de inference
• V6 (Agent-as-Tool): parâmetro único `question: str`, toda a lógica interna — controle máximo, requer infraestrutura

Recomendações-Chave da AWS

AWS Prescriptive Guidance recomenda manter os parâmetros da ferramenta em "aproximadamente oito ou menos". A pesquisa do Anthropic mostra: mudar para saída detalhada sob demanda reduz tokens de resposta em aproximadamente dois terços.

Além disso: escrever mensagens de erro específicas e acionáveis (não apenas "sem resultados," mas orientação precisa sobre o que tentar). Use nomes de parâmetros apropriados ao domínio em vez de nomes de colunas de banco de dados — isso reduz dramaticamente a confusão do modelo.

Como Escolher uma Abordagem para Sua Tarefa

Não existe solução única que funcione para todos. A escolha depende da contagem de parâmetros (poucos → V3, muitos → V4-V5), estabilidade do vocabulário, requisitos de latência e se a consistência entre modelos é necessária. Para a maioria das tarefas de busca e filtro, V3 é suficiente. Aplicações especializadas (taxonomia complexa, raciocínio em múltiplas etapas) beneficiam-se de V4-V5.

O Que Isso Significa

As ferramentas MCP atualmente frequentemente diminuem a velocidade dos agentes LLM, mas a AWS demonstrou: o problema é solucionável através da engenharia de contexto. Os engenheiros agora têm um playbook prático para equilibrar contexto e precisão em vez de cegamente adicionar descrições.