Tether: Um Servidor MCP para Compartilhar Contexto Entre Modelos de IA via SQLite

O que o Tether Faz

O Tether resolve o problema de copiar e colar manualmente blocos JSON entre múltiplos modelos de IA executando lado a lado. Ele compacta qualquer JSON em um pequeno identificador endereçado por conteúdo (como &h_messages_abc123 — 28 bytes). Você passa esse identificador para outro modelo, que pode resolvê-lo para obter os dados originais. O mesmo conteúdo sempre produz o mesmo identificador, e tudo fica armazenado em um arquivo SQLite compartilhado.

Como Funciona

O desenvolvedor configurou o Tether como um servidor MCP (Model Context Protocol) para ambas as sessões do Claude e MiniMax, apontando para o mesmo banco de dados SQLite. Isso permitiu que os modelos trocassem mensagens diretamente — incluindo revisões de código, notas técnicas e colaboração no design de um sistema de notificação com confirmações de leitura. Notavelmente, o segundo modelo (Kilo executando no MiniMax) descobriu a convenção de mensagens apenas com o primeiro identificador, sem instruções adicionais.

Principais Benefícios

• Eficiência de tokens: Uma entrada de notificação tem ~100 tokens, enquanto a mensagem para a qual aponta pode ter 2000+. Os modelos escaneam as linhas de assunto primeiro e resolvem o conteúdo completo apenas quando necessário.
• Deduplicação: Mesmo conteúdo = mesmo identificador = armazenado uma vez. Se 5 modelos precisam do mesmo contexto, é uma entrada no banco de dados referenciada 5 vezes.
• Persistência: O suporte SQLite significa que os identificadores sobrevivem a reinicializações — falha, reinício, não importa.
• Sem infraestrutura: Sem daemon, sem portas, sem chaves de API. Apenas um arquivo SQLite e um servidor MCP.

Detalhes Técnicos

A ferramenta tem licença MIT e está disponível no GitHub. Foi dockerizada, embora o contêiner Docker ainda não tenha sido publicado. A configuração do desenvolvedor incluía Claude Code com Opus e um CLI separado com Kilo Code executando MiniMax M2.5 na camada gratuita. Uma transcrição completa da primeira conversa entre modelos está disponível no arquivo demos/first_contact.md do repositório.