25/10/2025 –, Intermediária
Conheça a Busca 3.0: RAG Agêntico que entende contexto e executa ações. Veja como MCP + Python + Elasticsearch criam agentes que não só buscam, mas raciocinam, agregam e visualizam dados em tempo real
A evolução das buscas chegou: de keywords (1.0) para semântica (2.0), agora entramos na era da Busca 3.0 com RAG Agêntico - onde agentes inteligentes não apenas recuperam informação, mas entendem contexto, executam análises e tomam decisões.
O que é Busca 3.0 - RAG Agêntico:
Busca 1.0: Keywords e índices invertidos
Busca 2.0: Embeddings e busca semântica
Busca 3.0: Agentes que entendem, processam e agem
Arquitetura MCP + RAG Agêntico:
Model Context Protocol como ponte entre LLMs e dados
Resources: dados expostos como contexto permanente
Tools: capacidades de execução e análise
Prompts: templates de interação reutilizáveis
Demonstração prática com dados de saúde:
Veremos um agente que transforma perguntas como "Como está minha evolução física?" em:
Queries temporais no Elasticsearch
Aggregations estatísticas automáticas
Correlações entre métricas
Visualizações e insights personalizados
Stack tecnológica detalhada:
FastMCP para servidor de protocolo
Elasticsearch como engine de busca e analytics
AsyncIO para operações concorrentes
Pydantic para validação de schemas
JSON-RPC para comunicação LLM-servidor
Por que isso muda tudo:
RAG tradicional é passivo - apenas recupera. RAG Agêntico com MCP é ativo - entende intenção, executa lógica complexa e gera insights. É a diferença entre "buscar documentos sobre exercícios" e "analisar meus padrões de atividade e sugerir melhorias".
Saia entendendo como construir a próxima geração de sistemas de busca inteligentes!
Python intermediário: Classes, decorators, async/await, context managers. Familiaridade com frameworks web (FastAPI é um plus, mas não obrigatório).
Elasticsearch básico: Conceitos de índices, documentos e queries simples. Não é necessário conhecer DSL avançado.
APIs REST: Entendimento de requisições HTTP e JSON.
Conceitos úteis mas não obrigatórios: RAG tradicional, LLMs, busca semântica.
O foco é em arquitetura e integração, não em ML avançado.
Participantes sairão sabendo:
Conceitual:
O que é RAG Agêntico e como difere do RAG tradicional
Como o MCP permite que LLMs interajam com sistemas externos
Arquitetura de agentes que entendem contexto e executam ações
Prático:
Construir servidores MCP em Python usando FastMCP
Integrar Elasticsearch para buscas e análises complexas
Transformar perguntas em linguagem natural em queries estruturadas
Implementar os três primitivos MCP: Resources, Tools e Prompts
Aplicável:
Patterns para criar interfaces conversacionais
Como testar com MCP Inspector
Configurar integração com Claude Desktop
Adaptar a solução para outros domínios (logs, finanças, IoT)
Machine Learning and Artificial Intelligence, Software Architecture
Senior Developer Advocate na Elastic, possui 25+ anos em tecnologia. Ex-Siemens, IBM, Oracle e empreendedor, é doutorando em robótica/IA, onde desenvolve visão computacional para veleiros autônomos.