Apideck CLI: Uma Alternativa de Baixo Contexto ao MCP para Agentes de IA
Problema da Janela de Contexto do MCP
O artigo descreve um cenário específico: conectar GitHub, Slack e Sentry via servidores MCP (cerca de 40 ferramentas no total) consome mais de 55.000 tokens antes que o agente processe uma única mensagem do usuário. Isso representa mais de um quarto do limite de 200k do Claude. Cada definição de ferramenta MCP custa 550–1.400 tokens para seu nome, descrição, esquema JSON, descrições de campos, enums e instruções do sistema.
Uma equipe relatou que três servidores MCP consumiram 143.000 de 200.000 tokens (72% da janela de contexto), deixando apenas 57.000 tokens para conversa real, documentos recuperados, raciocínio e resposta.
David Zhang (@dzhng), construindo o Duet, descreveu a remoção completa das integrações MCP devido a um "trilema": carregar tudo de uma vez e perder memória de trabalho, limitar integrações para que o agente só possa conversar com alguns serviços, ou construir carregamento dinâmico de ferramentas que adiciona latência e complexidade de middleware.
Resultados do Benchmark
Um benchmark realizado pela Scalekit executou 75 comparações diretas (mesmo modelo: Claude Sonnet 4, mesmas tarefas, mesmos prompts) e descobriu:
- O MCP custa de 4 a 32× mais tokens que o CLI para operações idênticas
- Verificar a linguagem de um repositório consumiu 1.365 tokens via CLI vs 44.026 via MCP
- A sobrecarga é quase inteiramente de esquema: 43 definições de ferramentas injetadas em cada conversa, das quais o agente usa uma ou duas
Abordagem do Apideck CLI
O Apideck CLI usa um prompt de agente de cerca de 80 tokens que substitui dezenas de milhares de tokens de esquema. Ele apresenta divulgação progressiva via --help e segurança estrutural integrada no binário. Qualquer agente que possa executar comandos shell pode usá-lo sem exigir suporte a protocolo.
Respostas da Indústria ao Inchaço de Contexto
O artigo identifica três abordagens da indústria:
- MCP com truques de compressão: Comprimir esquemas, usar busca de ferramentas para carregar definições sob demanda, ou construir middleware que fatia especificações OpenAPI em partes menores. Isso funciona para interações pequenas e bem definidas, mas adiciona necessidades de infraestrutura (registro de ferramentas, lógica de busca, cache, roteamento).
- Interfaces CLI-first: A abordagem adotada pelo Apideck CLI.
- Protocolos nativos de agente: Mencionados, mas não detalhados no texto fonte fornecido.
📖 Leia a fonte completa: HN AI Agents
👀 See Also
Gerenciamento Automatizado do Estado da Sessão para o Claude Code Handoff
Um projeto do GitHub fornece hooks automatizados para manter um arquivo de estado de sessão ativo (.claude/session-state.md) ao longo das conversas com Claude, abordando a perda de contexto por autocompactação e a degradação de contexto no meio da conversa. O sistema usa quatro scripts bash com jq para rastrear eventos importantes e edições de arquivos.
Servidor MCP de Código Aberto Conecta Claude à API do Mailchimp
Um desenvolvedor criou um servidor MCP do Mailchimp usando Claude Code, fornecendo 53 ferramentas para campanhas, públicos, relatórios, automações e e-commerce com modos de segurança integrados e configuração somente leitura.
Wolfram Tech Agora Disponível como Ferramenta de Base para Sistemas LLM
Stephen Wolfram anuncia que a Wolfram Language agora está disponível como uma ferramenta de base para sistemas LLM, fornecendo computação profunda e conhecimento preciso para complementar as capacidades dos LLMs. O anúncio segue três anos de desenvolvimento desde o lançamento do plugin inicial da Wolfram para ChatGPT em março de 2023.
Técnica de Double-Buffering para Janelas de Contexto de LLM Elimina a Compactação "Stop-the-World"
Uma técnica chamada de double-buffering pode impedir que agentes de LLM congelem durante a compactação da janela de contexto, resumindo antecipadamente e mantendo dois buffers, permitindo uma transição perfeita sem custo adicional de inferência.