Dicionário trilíngue de saúde com cazaque chega ao Hugging Face, junto com um servidor MCP sem LLM

Se você desenvolve uma busca ou um chatbot para a Ásia Central, já sabe como é uma consulta real. A pessoa escreve «қалқанша без», no meio coloca «щитовидка» e no fim acrescenta «ттг». São três idiomas e dois alfabetos em uma única linha. Os modelos padrão tropeçam nisso, porque o cazaque é considerado uma língua de poucos recursos em PLN: há poucos textos abertos e quase não existem dados paralelos anotados sobre saúde.

Uma das autoras resolveu o problema à mão. Ela mantém um site com mais de cem páginas sobre saúde feminina e psicossomática. Os textos foram escritos em russo e traduzidos para o cazaque e o inglês. Com esse material, ela montou um pequeno dicionário aberto de temas sobre o corpo e o bem-estar e o publicou no Hugging Face. A segunda parte da história é um servidor MCP para ChatGPT e Claude, baseado no mesmo site, sem nenhum modelo de linguagem por dentro.

Por que um dicionário pequeno é útil

Um grande corpus e um pequeno dicionário resolvem problemas diferentes. O corpus ensina a língua ao modelo. O dicionário ajuda o sistema a entender que «қалқанша без», «щитовидная железа» (glândula tireoide) e «thyroid» são o mesmo conceito. Para busca em sites, normalização de consultas, anotação de dados e verificação da qualidade de traduções, esse tipo de referência costuma ser mais útil do que mais um checkpoint refinado.

Um exemplo prático: você tem um produto de saúde ou wellness, e o usuário escreve «ттг қанша болу керек». Antes de enviar a consulta ao LLM, é possível reduzi-la a conceitos comuns (hormônio TSH, glândula tireoide). Depois, basta buscar as páginas ou respostas corretas no idioma desejado. Assim você elimina erros nos pontos em que o modelo simplesmente não viu exemplos suficientes em cazaque.

Uma ressalva importante: a fonte é um anúncio, e ele não informa o tamanho do dicionário, a licença nem o formato. Antes de usar, abra a página do dataset no Hugging Face e confira você mesmo. Os textos sobre saúde vêm do site da autora, portanto não se trata de uma referência clínica e não deve ser usado para decisões médicas.

Um servidor MCP sem modelo

A segunda parte é mais interessante para quem constrói agentes. MCP (Model Context Protocol) é o protocolo pelo qual um cliente como Claude ou ChatGPT se conecta a ferramentas e dados externos. Normalmente, um «servidor inteligente» é imaginado com um LLM dentro. Aqui a lógica é outra: quem raciocina é o modelo do lado do cliente, enquanto o servidor continua sendo uma camada simples de acesso a conteúdo verificado.

Essa abordagem tem vantagens claras:

• Barato. Você não precisa pagar por inferência nem manter GPU. O servidor entrega páginas e termos prontos.
• Previsível. A resposta do servidor é o seu conteúdo, não uma geração. Para o tema saúde, isso é um grande ponto a favor.
• Fácil de manter. Atualizou uma página ou o dicionário, e a resposta se atualiza também.
• Sem um segundo ponto de alucinação. Só o modelo do cliente pode errar, e você pelo menos sabe de quais fontes ele tira os fatos.

O que aproveitar disso

Primeiro: se a sua língua tem poucos recursos, não espere que alguém lance um grande dataset. Um pequeno dicionário feito a partir do seu próprio conteúdo e publicado abertamente já traz benefício real, e outros desenvolvedores poderão ampliá-lo.

Segundo: antes de embutir um LLM no seu servidor MCP, pergunte-se se ele é necessário ali. Se você tem conteúdo próprio e verificado, o servidor pode ser uma camada fina com busca e dicionário. Todo o raciocínio fica por conta do cliente.

Terceiro: o multilinguismo nas consultas reais é uma mistura de idiomas, e não três conjuntos separados. Teste a busca justamente nessas linhas mistas, e não em traduções limpas.

O anúncio não revela como exatamente o servidor foi construído nem como o dicionário foi feito. Procure os detalhes no artigo completo no Habr e no repositório. A direção, em si, é a correta: dados abertos para línguas pequenas e um back-end simples, sem modelos desnecessários.