Mas a verdadeira mágica acontece quando você consegue integrar essas ferramentas personalizadas e orientadas a dados aos ambientes onde você passa a maior parte do tempo. E se o agente do seu editor de código pudesse acessar com segurança a base de conhecimento privada da sua organização?

É aí que entra o Protocolo de Contexto do Modelo (MCP) . O Elastic Agent Builder é fornecido com um servidor MCP integrado que dá acesso às ferramentas da plataforma.

Por que usar o servidor Elastic Agent Builder MCP?

Os agentes de IA são incrivelmente poderosos, mas seu conhecimento geralmente se limita aos dados com os quais foram treinados e às informações que podem pesquisar ativamente na internet pública. Eles não conhecem os documentos de design internos da sua empresa, os manuais de implantação específicos da sua equipe ou a estrutura exclusiva dos logs de seus aplicativos.

O desafio é fornecer ao seu assistente de IA o contexto especializado de que ele precisa. Este é precisamente o problema que o MCP foi projetado para resolver. MCP é um padrão aberto que permite que um modelo ou agente de IA descubra e utilize ferramentas externas.

Para tornar isso possível, o Elastic Agent Builder expõe nativamente suas ferramentas personalizadas por meio de um servidor MCP integrado. Isso significa que você pode conectar facilmente qualquer cliente compatível com MCP, como Cursor, VS Code ou Claude Desktop, com as ferramentas especializadas e com reconhecimento de dados que você criou com o Elastic Agent Builder.

Quando usar MCP (e quando não usar)

O Elastic Agent Builder inclui diversos protocolos para suportar diferentes padrões de integração. Escolher a opção certa é fundamental para criar fluxos de trabalho de IA eficazes.

• Use o MCP para aprimorar seu agente de IA (como no Cursor ou no VS Code) com ferramentas especializadas. Trata-se da abordagem "traga suas próprias ferramentas", que aprimora o assistente que você já usa com acesso seguro aos seus dados privados. Somente as ferramentas são expostas através do servidor MCP — os agentes da Elastic são independentes disso.

• Utilize o protocolo A2A para permitir que seu Elastic Agent totalmente personalizado colabore com outros agentes autônomos (como no Gemini Enterprise do Google). Isso se aplica à delegação entre agentes, onde cada agente trabalha em conjunto para resolver um problema.

• Utilize as APIs do Agent Builder para obter controle programático completo ao criar um aplicativo personalizado do zero.

Para um desenvolvedor que busca respostas em sua documentação interna sem sair do seu IDE, o MCP é a solução ideal.

Exemplo: suas ferramentas personalizadas no Cursor com o servidor Agent Builder MCP

Vamos analisar um exemplo prático que eu uso diariamente. Primeiro, rastreei e indexei nossa documentação interna de engenharia em um índice Elasticsearch chamado elastic-dev-docs. Embora pudéssemos usar as ferramentas genéricas e integradas disponíveis no Agent Builder, criaremos nossa própria ferramenta personalizada para consultar essa base de conhecimento específica.

O motivo para construir uma ferramenta personalizada é simples: controle e precisão. Essa abordagem nos dá o poder de executar uma consulta semântica rápida diretamente em nosso índice elastic-dev-docs . Temos controle total sobre qual índice é o alvo e como os dados são obtidos.

Agora, veja como podemos usar essa base de conhecimento personalizada em um editor de código com inteligência artificial, como o Cursor.

Etapa 1: Crie uma ferramenta de base de conhecimento personalizada no Agent Builder.

Primeiro, crie uma nova ferramenta no Construtor de Agentes. Uma descrição clara e específica da ferramenta é importante porque é assim que qualquer agente de IA, seja o Elastic Agent interno ou uma ferramenta externa como o Cursor, conectado via MCP, descobre e seleciona a ferramenta adequada para a tarefa correta.

Uma descrição precisa deve ser explícita. Por exemplo: “Realiza uma busca semântica no índice elastic-dev-docs para encontrar documentação interna de engenharia, manuais de operação e procedimentos de lançamento.”

Com isso configurado, a ferramenta está preparada para realizar uma busca semântica em nosso índice específico. Uma vez salvo, fica imediatamente disponível para ser servido.

Antes de conectar o dispositivo ao mundo exterior, você pode testá-lo diretamente na interface do usuário. Basta clicar no botão Testar para preencher manualmente os parâmetros, simulando o que o LLM fará, e inspecionar os resultados para confirmar se tudo está funcionando corretamente.

Etapa 2: Conecte o Cursor ao servidor Elastic MCP

O Elastic Agent Builder expõe automaticamente todas as ferramentas disponíveis por meio de um endpoint MCP seguro. Você pode encontrar o URL exclusivo do seu servidor na interface de Ferramentas do Kibana.

Para conectar ao Cursor, basta adicionar este URL ao seu arquivo de configuração, juntamente com uma chave de API Elastic para autenticação (saiba como criar uma chave de API ES). Utilizamos uma chave de API para autorização, pois isso garante que as ferramentas sejam executadas somente com as permissões que você concedeu, respeitando todas as suas regras de controle de acesso.

A configuração MCP em ~/.cursor/mcp.json do Cursor se parece com isto:

Após salvar a configuração, você deverá ver a ferramenta de servidor Elastic Agent Builder MCP disponível no Cursor.

Passo 3: pergunte à vontade!

Com a conexão estabelecida, os agentes do Cursor agora podem invocar suas ferramentas personalizadas para responder às suas perguntas ou orientar o processo de geração de código.

Vamos fazer uma pergunta específica:

“Consulte os passos para liberar o serviço de rastreamento na documentação interna de engenharia da organização do Elasticsearch”

Nos bastidores, a magia acontece:

1. O agente Cursor decide a melhor forma de responder à sua pergunta e, em seguida, decide ligar para o engineering_documentation_internal_search

2. Ela invoca a ferramenta com uma consulta em linguagem natural.

3. A ferramenta executa uma busca semântica no índice elastic-dev-docs e retorna os procedimentos mais relevantes e atualizados.

Obtemos uma resposta precisa e confiável com base em nossa documentação interna, tudo isso sem precisar sair do editor de código. A experiência é perfeita e impactante.

Sua vez de construir

Agora você viu como usar o servidor MCP integrado no Elastic Agent Builder para estender seus assistentes de IA com acesso seguro aos seus dados privados. Fundamentar os modelos em suas próprias informações é fundamental para torná-los verdadeiramente úteis.

Recapitulando, abordamos as etapas principais:

• Escolher o protocolo certo para as suas necessidades (MCP).

• Criação de uma ferramenta de base de conhecimento personalizada.

• Conectar essa ferramenta a um assistente de IDE como o Cursor.

Seus agentes e ferramentas não precisam mais estar desconectados de seu contexto mais valioso. Esperamos que este guia ajude você a criar fluxos de trabalho mais eficazes e orientados a dados. Boa construção!

Mas e se você quiser usar seus agentes personalizados com os aplicativos e ferramentas de produtividade que você já utiliza?

É aí que entra o protocolo Agente-para-Agente (A2A) . A2A é um padrão aberto de interoperabilidade, permitindo que agentes de diferentes plataformas se comuniquem e colaborem. E nós o integramos diretamente ao Elastic Agent Builder.

Hoje, vamos mostrar como pegar um agente personalizado que você criou e expô-lo a outros serviços, especificamente, ao Gemini Enterprise (antigo Agentspace).

O poder dos padrões abertos: por que a abordagem A2A é importante

Na postagem do blog "Seu primeiro Elastic Agent", mostramos como criar agentes personalizados, como um agente de Assistente Financeiro com acesso seguro aos seus dados de mercado. Mas seu valor é limitado se você não puder disponibilizar suas informações em outros ambientes, como o Gemini Enterprise, sem refazer todo o seu trabalho.

Esse desafio de interoperabilidade é o que impede o avanço da IA ativa. Os agentes precisam de uma linguagem comum para se comunicarem entre plataformas, e essa é precisamente a função do protocolo A2A. Ela fornece uma camada de comunicação padrão que não só permite a interação direta com o agente, como também abre caminho para um futuro em que agentes especializados em toda a organização possam colaborar e compartilhar informações.

Para tornar isso possível, o Elastic Agent Builder oferece suporte nativo ao protocolo A2A por meio de dois endpoints padrão para todos os seus agentes:

1. O endpoint do cartão do agente (GET {your-kibana-url}/api/agent_builder/a2a/{agentId}.json) - Este funciona como o cartão de visita personalizado do seu agente. Ele fornece metadados sobre seu agente (nome, descrição, capacidades, etc.) para qualquer serviço compatível com A2A.

2. O ponto final do protocolo A2A (POST {your-kibana-url}/api/agent_builder/a2a/{agentId}) - Este é o canal de comunicação. Outros agentes enviam suas solicitações para cá, e seu agente as processa e retorna uma resposta, tudo seguindo a especificação do protocolo A2A.

Teste seu agente com o inspetor A2A.

Antes de conectar nosso agente a um sistema de produção, é bom verificar se a comunicação está funcionando corretamente. A maneira mais fácil de fazer isso é com o A2A Inspector, uma ferramenta projetada especificamente para testar e depurar integrações A2A.

Colocar o inspetor em funcionamento é simples. Você pode clonar o repositório a2a-inspector e seguir as instruções do arquivo README para executar o aplicativo. Uma vez iniciado, o UI está disponível por padrão em http://localhost:5001/.

Para conectar o A2A Inspector ao seu agente, você precisará fornecer duas informações essenciais:

• URL do Cartão do Agente: Este é o endpoint que descreve o seu agente. Para o agente Assistente Financeiro da nossa postagem anterior, este URL seria {your-kibana-url}/api/agent_builder/a2a/financial_assistant.json.

• Cabeçalho de autenticação: Usaremos uma chave de API padrão para autenticação.

Após inserir esses detalhes na interface do inspetor, você poderá se conectar e começar a conversar com seu agente imediatamente.

Essa validação simples nos dá a certeza de que nosso agente está configurado corretamente e pronto para a próxima etapa.

Entre ao vivo! Seu agente personalizado na Gemini Enterprise

Agora vem a parte emocionante: dar vida ao nosso agente de consultoria financeira personalizado dentro do Gemini Enterprise (antigo Agentspace). Essa integração é viabilizada pelo Elastic AI Agent, que está disponível no Google Cloud Marketplace.

Uma vez conectado, o Gemini Enterprise usa o protocolo A2A para se comunicar diretamente com seu agente. É aqui que o verdadeiro poder da interoperabilidade se destaca: os usuários agora podem acessar insights profundos e baseados em dados do seu agente Elasticsearch personalizado sem precisar sair do ambiente familiar. Você pode ver seu agente elástico personalizado na lista de agentes:

Imagine um usuário do Gemini Enterprise perguntando:

"Estou preocupado com o sentimento do mercado. Você pode me mostrar quais dos nossos clientes estão mais vulneráveis a notícias negativas?"

Nos bastidores, o Gemini Enterprise encaminha essa consulta por meio do protocolo A2A para o seu Elastic Agent personalizado. Seu agente então utiliza suas ferramentas especializadas para consultar seus dados, formular uma resposta e enviá-la de volta. Para o usuário final, a experiência é perfeita.

E não para por aqui! A resposta obtida com o agente elástico agora pode ser usada como contexto para suas próximas perguntas, que podem acionar um agente especializado diferente (por exemplo, seu agente de plataforma de investimentos para ajustar a exposição a empresas listadas). Tudo isso sem sair da sua barra de pesquisa.

Com seus agentes Elastic implantados no Gemini Enterprise com A2A, você pode unificar acesso, orquestração e fluxos de trabalho, eliminando atritos entre IA, pesquisa e sistemas corporativos, oferecendo uma interface de usuário única onde os usuários interagem com seus dados e ferramentas — tudo em contexto. Para os usuários, isso significa menos troca de ferramentas e assistentes de IA mais intuitivos e capazes. Para as organizações, isso significa governança coerente, escalabilidade e interoperabilidade integradas.

Sua vez de construir

Agora você tem as ferramentas para disponibilizar seus Agentes Elásticos em qualquer lugar. Ao aproveitar o protocolo aberto A2A, você pode ampliar o alcance de seus agentes personalizados e orientados a dados.

Neste post, apresentamos os principais passos:

• Exponha seu agente por meio do cartão de agente A2A e dos endpoints do protocolo.

• Testando a conexão com o A2A Inspector.

• Integrar seu agente em tempo real a um serviço externo como o Gemini Enterprise do Google.

Seus agentes não precisam mais ficar isolados. Estamos ansiosos para ver os sistemas poderosos e interconectados que vocês criarão. Boa construção!

A maneira mais fácil de começar é com sua avaliação gratuita do Elastic Cloud no Google Cloud Marketplace.

O Model Context Protocol (MCP) torna isso possível. Ele conecta perfeitamente a IA conversacional com seus bancos de dados e APIs externas, transformando solicitações complexas em conversas naturais. Embora os LLMs modernos sejam ótimos para entender a linguagem, seu verdadeiro potencial é revelado quando integrados a sistemas do mundo real. O MCP preenche a lacuna entre eles, tornando a interação de dados mais intuitiva e eficiente.

Nesta postagem, exploraremos:

• Arquitetura MCP – Como funciona nos bastidores

• Benefícios de um servidor MCP conectado ao Elasticsearch

• Construindo um servidor MCP com tecnologia Elasticsearch

Tempos emocionantes estão por vir! A integração do MCP com sua pilha Elastic transforma a maneira como você interage com as informações, tornando consultas complexas tão intuitivas quanto conversas cotidianas.

Protocolo de Contexto do Modelo

O Model Context Protocol (MCP), desenvolvido pela Anthropic, é um padrão aberto que conecta modelos de IA a fontes de dados externas por meio de canais bidirecionais seguros. Ele resolve uma grande limitação da IA: acesso em tempo real a sistemas externos, preservando o contexto da conversa.

Arquitetura MCP

A arquitetura do Protocolo de Contexto do Modelo consiste em dois componentes principais:

• Clientes MCP – Assistentes de IA e chatbots que solicitam informações ou executam tarefas em nome dos usuários.

• Servidores MCP – Repositórios de dados, mecanismos de busca e APIs que recuperam informações relevantes ou executam ações solicitadas (por exemplo, chamar APIs externas).

Os servidores MCP expõem quatro funcionalidades principais aos clientes:

• Recursos - Dados estruturados, documentos e conteúdo que podem ser recuperados e usados como contexto para interações de LLM. Isso permite que assistentes de IA acessem informações relevantes de bancos de dados, índices de pesquisa ou outras fontes.

• Ferramentas - Funções executáveis que permitem que os LLMs interajam com sistemas externos, realizem cálculos ou tomem ações no mundo real. Essas ferramentas estendem os recursos de IA além da geração de texto, permitindo que os assistentes acionem fluxos de trabalho, chamem APIs ou manipulem dados dinamicamente.

• Prompts - Modelos de prompts e fluxos de trabalho reutilizáveis para padronizar e compartilhar interações comuns de LLM.

• Amostragem - Solicite conclusões de LLM por meio do cliente para permitir comportamentos de agente sofisticados, mantendo a segurança e a privacidade.

Servidor MCP + Elasticsearch

Os sistemas tradicionais de Recuperação-Geração Aumentada (RAG) recuperam documentos com base em consultas do usuário, mas o MCP vai um passo além: ele permite que agentes de IA construam e executem tarefas dinamicamente em tempo real. Isso permite que os usuários façam perguntas em linguagem natural como:

• "Mostre-me todos os pedidos acima de US$ 500 do mês passado."

• "Quais produtos receberam mais avaliações de 5 estrelas?"

E obtenha respostas instantâneas e precisas, sem precisar escrever uma única consulta.

O MCP consegue isso por meio de:

• Seleção dinâmica de ferramentas – Os agentes escolhem de forma inteligente as ferramentas certas expostas por meio de servidores MCP com base na intenção do usuário. LLMs “mais inteligentes” geralmente são melhores em selecionar as ferramentas certas com os argumentos apropriados com base no contexto.

• Comunicação bidirecional – Agentes e fontes de dados trocam informações fluidamente, refinando consultas conforme necessário (por exemplo, primeiro mapeie o índice de pesquisa e só então construa a consulta ES).

• Orquestração de múltiplas ferramentas – Os fluxos de trabalho podem aproveitar ferramentas de vários servidores MCP simultaneamente.

• Contexto persistente – Os agentes lembram interações anteriores, mantendo a continuidade entre as conversas.

Um servidor MCP conectado ao Elasticsearch desbloqueia uma poderosa arquitetura de recuperação em tempo real. Os agentes de IA podem explorar, consultar e analisar dados do Elasticsearch sob demanda. Seus dados podem ser pesquisados por meio de uma interface de bate-papo simples.

Além de apenas recuperar dados, o MCP possibilita ações. Ele se integra a outras ferramentas para acionar fluxos de trabalho, automatizar processos e fornecer insights aos sistemas de análise. Ao separar a pesquisa da execução, o MCP mantém os aplicativos com tecnologia de IA flexíveis, atualizados e perfeitamente integrados aos fluxos de trabalho do agente.

Prático: servidor MCP para conversar com seus dados do Elasticsearch

Para interagir com o Elasticsearch por meio de um servidor MCP, precisamos de pelo menos funções para:

• Recuperar índices

• Obter mapeamentos

• Realizar pesquisas usando o Query DSL do Elasticsearch

Nosso servidor é escrito em TypeScript e usaremos o SDK oficial do MCP TypeScript. Para configuração, recomendamos instalar o aplicativo Claude Desktop (a versão gratuita é suficiente), pois ele inclui um cliente MCP integrado. Nosso servidor MCP essencialmente expõe o cliente oficial do JavaScript Elasticsearch por meio de ferramentas MCP.

Vamos começar definindo o cliente Elasticsearch e o servidor MCP:

Usaremos as seguintes ferramentas de servidor MCP que podem interagir com o Elasticsearch:

• Listar índices (list_indices): esta ferramenta recupera todos os índices disponíveis do Elasticsearch, fornecendo detalhes como nome do índice, status de integridade e contagem de documentos.

• Obter mapeamentos (get_mappings): esta ferramenta busca os mapeamentos de campos para um índice especificado do Elasticsearch, ajudando os usuários a entender a estrutura e os tipos de dados dos documentos armazenados.

• Pesquisar (search): Esta ferramenta executa uma pesquisa no Elasticsearch usando um DSL de consulta fornecido. Ele habilita automaticamente destaques para campos de texto, facilitando a identificação de resultados de pesquisa relevantes.

A implementação completa do servidor Elasticsearch MCP está disponível no repositório elastic/mcp-server-elasticsearch .

Converse com seu índice

Vamos explorar como configurar o servidor Elasticsearch MCP para que você possa fazer perguntas em linguagem natural sobre seus dados, como "Encontrar todos os pedidos acima de US$ 500 do mês passado".

Configure seu aplicativo Claude Desktop

• Abra o aplicativo Claude Desktop

• Navegue até Configurações > Desenvolvedor > Servidores MCP

• Clique em "Editar configuração" e adicione esta configuração ao seu claude_desktop_config.json:

Observação: esta configuração utiliza o pacote npm @elastic/mcp-server-elasticsearch publicado pela Elastic. Se você quiser desenvolver localmente, poderá encontrar mais detalhes sobre como configurar o servidor Elasticsearch MCP aqui.

Preencha seu índice Elasticseach

• Você pode usar nossos dados de exemplo para preencher o índice de "pedidos" para esta demonstração

• Isso permitirá que você tente consultas como "Encontrar todos os pedidos acima de US$ 500 do mês passado"

Comece a usar

• Abra uma nova conversa no aplicativo Claude Desktop

• O servidor MCP se conectará automaticamente

• Comece a fazer perguntas sobre seus dados do Elasticsearch!

Confira esta demonstração para ver como é fácil consultar seus dados do Elasticsearch usando linguagem natural:

Como funciona?

Quando perguntado "Encontre todos os pedidos acima de US$ 500 do mês passado", o LLM reconhece a intenção de pesquisar o índice do Elasticsearch com restrições especificadas. Para realizar uma busca eficaz, o agente deve:

• Descubra o nome do índice: orders

• Entenda os mapeamentos do índice orders

• Crie o DSL de consulta compatível com mapeamentos de índice e, finalmente, execute a solicitação de pesquisa

Essa interação pode ser representada como:

Conclusão

O Model Context Protocol aprimora a maneira como você interage com os dados do Elasticsearch, permitindo conversas em linguagem natural em vez de consultas complexas. Ao unir recursos de IA com seus dados, o MCP cria um fluxo de trabalho mais intuitivo e eficiente que mantém o contexto em todas as suas interações.

O servidor Elasticsearch MCP está disponível como um pacote npm público (@elastic/mcp-server-elasticsearch), tornando a integração simples para desenvolvedores. Com configuração mínima, sua equipe pode começar a explorar dados, acionar fluxos de trabalho e obter insights por meio de conversas simples.

Pronto para experimentar isso você mesmo? Experimente o servidor Elasticsearch MCP hoje mesmo e comece a conversar com seus dados.