Você já pensou em criar seu próprio agente de pesquisa profunda de código aberto em vez de depender de opções proprietárias como o Deep Research da OpenAI e o Deep Researcher do Google? Com poderosos servidores do Protocolo de Contexto do Modelo (MCP) como Pensamento Sequencial e Exa, você pode construir uma alternativa impressionante e robusta às ferramentas proprietárias.
Neste guia, vamos te levar a configurar e rodar seu próprio agente de pesquisa usando apenas dois servidores MCP:
✅ Pensamento Sequencial – para raciocínio estruturado e análise
✅ Exa – para buscas web poderosas impulsionadas por IA
Vamos trabalhar com Windsurf IDE e integrar sua escolha de modelos de IA. Para este tutorial, estarei usando DeepSeek V3, mas você também pode optar por modelos como:
- Claude Sonnet 3.5 ou 3.7 (da Anthropic)
- GPT-4o ou GPT-3.5 (da OpenAI)
- O3-mini e outros
Vamos começar! 🚀
O que é um Agente de Pesquisa Profunda de Código Aberto?
Então, o que é na verdade esta ferramenta de "agente de pesquisa profunda de código aberto" com a qual estaremos trabalhando? Em sua essência, o agente de pesquisa profunda de código aberto é uma ferramenta projetada para automatizar tarefas de pesquisa aproveitando o poder do Protocolo de Contexto do Modelo (MCP). Ele combina o poder do raciocínio impulsionado por IA com capacidade de busca na web, permitindo que você colete, analise e resuma informações de várias fontes de maneira eficiente.
Veja como funciona:
- A ferramenta se conecta a um servidor MCP, como Pensamento Sequencial ou Exa, para processar consultas de pesquisa de maneira inteligente.
- Ela se integra com modelos de IA para interpretar, resumir e gerar insights a partir das informações coletadas.
- Utiliza capacidades de busca na web para buscar dados relevantes, garantindo que sua pesquisa seja abrangente e atualizada.
- Como é construída com componentes de código aberto, você tem controle total sobre seus dados, garantindo transparência e personalização.
Para quem este Agente de Pesquisa Profunda de Código Aberto é Adequado?
Este agente de pesquisa profunda é ideal para:
1. Pesquisadores & Acadêmicos – Coletar e analisar rapidamente informações de várias fontes para apoiar a escrita acadêmica, revisões de literatura ou exploração científica.
2. Jornalistas & Escritores – Automatizar pesquisa de antecedentes, verificação de fatos e curadoria de conteúdo para artigos, relatórios ou jornalismo investigativo.
3. Desenvolvedores & Entusiastas de IA – Experimentar fluxos de trabalho impulsionados por IA, construir assistentes de pesquisa personalizados ou integrar servidores MCP em seus projetos.
4. Analistas & Tomadores de Decisões – Extrair insights de vastos conjuntos de dados, relatórios e fontes de notícias para informar a tomada de decisões.
5. Estudantes & Aprendizes ao Longo da Vida – Agilizar sessões de estudo resumindo conceitos principais e gerando explicações bem estruturadas.
Quando um Agente de Pesquisa Profunda de Código Aberto é Mais Útil?
1. Gerenciando Pesquisa em Grande Escala – Quando lidando com grandes quantidades de informação em várias fontes, um agente de pesquisa assistido por IA pode economizar tempo e esforço.
2. Automatizando Tarefas de Pesquisa Repetitivas – Se você frequentemente realiza pesquisas semelhantes, esta ferramenta pode automatizar o processo, reduzindo o trabalho manual.
3. Garantindo Pesquisa Imparcial & Transparente – Ao contrário das ferramentas de pesquisa de código fechado, uma solução de código aberto permite que você verifique como os dados são processados e mantenha controle total sobre seu fluxo de trabalho.
4. Trabalhando com Modelos de IA Customizados – Se você prefere usar um LLM (como DeepSeek v3) ou precisa de modelos de IA específicos para um domínio, esta ferramenta permite que você integre o modelo de sua escolha.
5. Aumentando a Produtividade – Ao combinar raciocínio impulsionado por IA com busca na web, você obtém insights bem organizados mais rapidamente do que métodos de pesquisa tradicionais.
Como Configurar Seu Agente de Pesquisa Profunda de Código Aberto
Pré-requisitos:
- Windsurf IDE: a versão mais recente do Windsurf pode ser instalada a partir do site oficial.
- Node.js: a versão 20 ou superior é recomendada.
- npm: é recomendado ter a versão mais recente do npm, no entanto, você deve conseguir se sair bem com a v7.
Etapa 1: Crie uma Nova Pasta de Projeto
Crie uma Nova Pasta: Comece criando uma nova pasta para seu projeto, por exemplo, deep_researcher.
Abra com Windsurf IDE: Abra esta pasta usando Windsurf IDE, que suporta integração de servidores MCP.
Etapa 2: Instale o Servidor MCP de Pensamento Sequencial
Instale o MCP de Pensamento Sequencial: Execute o comando abaixo para instalar e configurar o servidor MCP de Pensamento Sequencial. Isso configurará automaticamente o servidor sem exigir mudanças manuais de configuração.
npx -y @smithery/cli@latest install @smithery-ai/server-sequential-thinking --client windsurf --config "{}"Verifique a Configuração: Verifique o arquivo mcp_config.json no diretório de configuração do Windsurf .codeium(se você não se lembrar de onde instalou o windsurf, tente olhar em: C:/Users/You/.codeium/windsurf/mcp_config.json) para garantir que o servidor de Pensamento Sequencial esteja configurado corretamente. Deve parecer algo assim:
# arquivo mcp_config.json
{
"mcpServers": {
"server-sequential-thinking": {
"command": "cmd",
"args": [
"/c",
"npx",
"-y",
"@smithery/cli@latest",
"run",
"@smithery-ai/server-sequential-thinking",
"--config",
"\"{}\""
]
}
}
}Se o arquivo estiver vazio, visite o repositório do GitHub para as configurações atualizadas ou simplesmente copie e cole o que está acima.
Teste o Servidor: Teste o servidor MCP de Pensamento Sequencial executando comandos de exemplo, como:
# Entrada de Exemplo
>> Use pensamento sequencial para me ajudar a desenvolver um simples jogo de Flappy Bird em Python.Etapa 3: Configure o Servidor MCP de Busca na Web Exa
Crie uma Conta Exa e Obtenha uma Chave API:
Visite o site oficial da Exa, crie uma conta e obtenha uma chave API gratuita na seção "Chaves API" do seu perfil.
Clone o Repositório do Servidor MCP Exa: Clone o repositório do servidor MCP Exa do GitHub:
git clone https://github.com/exa-labs/exa-mcp-server.git cd exa-mcp-serverInstale Dependências e Construa o Projeto:
Para instalar todas as dependências usando npm, execute o comando:
npm installConstrua o projeto:
npm run buildCrie um Link Global:
Execute o seguinte comando para tornar o servidor MCP Exa executável de qualquer lugar:
npm linkConfigure o Servidor MCP Exa no Windsurf:
Atualize o arquivo mcp_config.json com as configurações mais recentes do repositório do GitHub da Exa. Substitua o texto de exemplo pela sua chave API real. Deve parecer algo assim:
# arquivo mcp_config.json
{
"mcpServers": {
"server-sequential-thinking": {
"command": "cmd",
"args": [
"/c",
"npx",
"-y",
"@smithery/cli@latest",
"run",
"@smithery-ai/server-sequential-thinking",
"--config",
"\"{}\""
]
},
"exa": {
"command": "npx",
"args": ["C:/Research_agent/exa-mcp-server/build/index.js"],
"env": {
"EXA_API_KEY": "SUA_API_KEY"
}
}
}
}Teste o Servidor MCP Exa: verifique se o servidor Exa está funcionando executando prompts de exemplo, como:
# Entrada de Exemplo
>> Encontre postagens de blog sobre AGI.Usando Seu Agente de Pesquisa Profunda de Código Aberto
Agora que ambos os servidores MCP foram configurados e ajustados corretamente, você pode usá-los para criar uma ferramenta de pesquisa profunda. Aqui está um prompt de exemplo para testar sua configuração:
# Entrada de Exemplo
>> Ao usar o pensamento sequencial, use o maior número possível de etapas. Cada etapa do pensamento sequencial deve usar ramificações, isRevision e needsMoreThoughts, e cada ramificação deve ter pelo menos 3 etapas. Antes de cada etapa do pensamento sequencial, use Exa para pesquisar 3 páginas da web relacionadas e depois pense sobre o conteúdo das páginas da web. A resposta final deve ser longa o suficiente e bem estruturada. Pergunta: O que é metafísica?Este prompt irá gerar uma resposta estruturada com links de busca usados pelo modelo para responder à sua pergunta.
Links pesquisados na web:
Saída de exemplo:
Recursos e Benefícios
Flexibilidade e Controle:
Ao usar servidores MCP de código aberto, você mantém total controle sobre seu processo de pesquisa e privacidade dos dados.
Personalização:
Você pode escolher entre vários modelos de IA, como DeepSeek v3, Claude Sonnet 3.5 ou GPT 4o, permitindo que você adapte sua ferramenta de pesquisa a necessidades específicas.
Eficiência de Custos:
Executar seus próprios servidores MCP pode ser mais econômico do que depender de serviços proprietários, especialmente para tarefas de pesquisa frequentes ou em grande escala.
O que Fazer Quando o Agente de Pesquisa Profunda de Código Aberto Não Funciona
Ao configurar e usar seu agente de pesquisa profunda de código aberto com servidores MCP, você pode encontrar alguns problemas. Aqui estão alguns problemas comuns e suas soluções:
Servidor MCP Não Configurado Corretamente:
Se seu servidor MCP não estiver funcionando conforme o esperado, verifique os arquivos de configuração (por exemplo, mcp_config.json) em busca de erros. Garanta que as chaves API estejam configuradas corretamente e que o servidor esteja adequadamente vinculado.
Problemas com Chave API:
Se você encontrar erros relacionados a chaves API, verifique se estão inseridas corretamente em seus arquivos de configuração. Além disso, verifique se suas chaves API não expiraram ou se você não excedeu os limites de uso.
Modelo Não Respondendo:
Se seu modelo de IA não estiver respondendo, verifique se está instalado e configurado corretamente. Verifique se há atualizações para o modelo ou suas dependências.
Resultados da Busca na Web Não Encontrados:
Se os resultados da busca na web não estiverem sendo retornados, verifique sua conexão com a internet e garanta que a API de busca (por exemplo, Exa) esteja funcionando corretamente.
Conclusão
Construir um agente de pesquisa profunda de código aberto usando servidores MCP como Pensamento Sequencial e Exa oferece uma alternativa poderosa a ferramentas proprietárias. Ao integrar esses servidores com o Windsurf IDE e seu modelo de IA preferido, você pode criar uma ferramenta de pesquisa flexível e econômica que mantém sua privacidade de dados e controle.