case tecnico

MCP Server de usuários (com busca semântica)

Este projeto expõe 4 tools MCP para trabalhar com usuários:

• criar usuário
• buscar usuário por ID
• buscar usuários por similaridade semântica
• listar usuários com paginação

A ideia é simples: os dados ficam no SQLite (users.db) e os vetores de embedding ficam no FAISS (faiss_index/).

Quickstart (3 comandos)

pipenv install
pipenv run streamlit run app.py
pipenv run pytest tools_tests -q

Dica: rode o pytest em outro terminal se o servidor estiver em execução no primeiro.

O que tem aqui

• server.py: sobe o servidor MCP e registra as tools
• app.py: interface Streamlit para testar as funcionalidades
• services/user_service.py: regras de negócio
• database/connect.py e database/database.py: conexão SQLite e criação da tabela
• embeddings.py: geração de embedding com sentence-transformers
• vector_store.py: persistência e consulta no FAISS
• models.py: schemas Pydantic
• logging_config.py: logging estruturado em JSON
• tools_tests/: testes das tools

Pré-requisitos

Para rodar local:

• Python 3.11
• Pipenv

Para rodar em container:

• Docker

Rodando com Docker

1) Build da imagem

docker build -t case-tecnico-mcp .

2) Subir no modo MCP (server)

docker run -p 8000:8000 \
  -e APP_MODE=mcp \
  -v $(pwd)/users.db:/app/users.db \
  -v $(pwd)/faiss_index:/app/faiss_index \
  case-tecnico-mcp

3) Subir no modo Streamlit (front para testes)

docker run -p 8501:8501 \
  -e APP_MODE=streamlit \
  -v $(pwd)/users.db:/app/users.db \
  -v $(pwd)/faiss_index:/app/faiss_index \
  case-tecnico-mcp

Abra no navegador:

• http://localhost:8501 (Streamlit)

Observações:

• A tabela users é criada automaticamente no startup.
• No primeiro boot, o modelo de embedding pode demorar para baixar do Hugging Face.
• Docker Compose não é obrigatório neste projeto (apenas um serviço).

4) Persistir dados entre execuções (recomendado)

Sem volume, o banco/índice podem se perder quando o container for removido. Para manter dados:

docker run -p 8000:8000 \
  -e APP_MODE=mcp \
  -v $(pwd)/users.db:/app/users.db \
  -v $(pwd)/faiss_index:/app/faiss_index \
  case-tecnico-mcp

Rodando local com Pipenv

1) Instalar dependências

pipenv install

2) Entrar no ambiente virtual

pipenv shell

3) Rodar em modo MCP (server)

python server.py

4) Rodar em modo Streamlit (front para testes)

streamlit run app.py

Observação: a tabela users é criada automaticamente no startup do serviço.

Tools disponíveis

1) create_user

Cria usuário no SQLite e salva embedding no FAISS.

Entrada

{
  "name": "Ana Silva",
  "email": "ana.silva@example.com",
  "description": "Engenheira backend Python com foco em APIs"
}

Saída (sucesso)

{
  "message": "Usuário criado com sucesso",
  "user_id": 1
}

Saída (erro comum)

{
  "error": "UNIQUE constraint failed: users.email"
}

2) get_user

Busca um usuário por ID.

Entrada

{
  "user_id": 1
}

Saída (sucesso)

{
  "id": 1,
  "name": "Ana Silva",
  "email": "ana.silva@example.com",
  "description": "Engenheira backend Python com foco em APIs"
}

Saída (não encontrado)

{
  "error": "Usuario com ID 999 não encontrado"
}

3) search_users

Faz busca semântica por texto usando embedding + FAISS.

Entrada

{
  "query": "backend python api",
  "top_k": 3
}

Saída (exemplo)

[
  {
    "id": 1,
    "name": "Ana Silva",
    "email": "ana.silva@example.com",
    "description": "Engenheira backend Python com foco em APIs",
    "score": 0.3867
  }
]

Observação: no score do FAISS (L2), quanto menor, mais próximo semanticamente.

4) list_users

Lista usuários com paginação por limit e offset.

Entrada

{
  "limit": 10,
  "offset": 0
}

Saída (exemplo)

[
  {
    "id": 1,
    "name": "Ana Silva",
    "email": "ana.silva@example.com",
    "description": "Engenheira backend Python com foco em APIs"
  },
  {
    "id": 2,
    "name": "Carlos Mendes",
    "email": "carlos.mendes@example.com",
    "description": "Cientista de dados com foco em machine learning e análise de dados"
  }
]

Como rodar os testes

Os testes estão na pasta tools_tests/.

Rodar suite completa

Da raiz do projeto:

pipenv run pytest tools_tests -q

Ou de dentro da pasta de testes:

cd tools_tests
pytest -q

Rodar por etapa (separado)

pipenv run pytest tools_tests/test_create_user.py -q
pipenv run pytest tools_tests/test_get_user.py -q
pipenv run pytest tools_tests/test_search_users.py -q
pipenv run pytest tools_tests/test_list_users.py -q

O que cada teste cobre

• test_create_user.py

- criação de usuários válidos - tentativa de e-mail duplicado - validação de e-mail inválido

• test_get_user.py

- busca por ID existente - busca por ID inexistente - busca por ID negativo

• test_search_users.py

- consultas semânticas com validação de relevância - validação de top_k - query vazia sem quebrar execução

• test_list_users.py

- listagem básica - validação de paginação (limit/offset) - offset fora do range retorna lista vazia

Dicas para quem vai estudar/evoluir o projeto

• A tabela users é criada automaticamente na inicialização do serviço (fase de startup).
• Se mudar o schema de usuário, revise:

- models.py - services/user_service.py - testes em tools_tests/

• Se adicionar/remover uma tool:

- atualizar server.py - atualizar services/user_service.py - criar/ajustar teste correspondente - garantir cobertura em tools_tests/ e validar com pytest

• O índice FAISS usa caminho absoluto baseado na raiz do projeto, então não depende do diretório de execução.

Dependências principais

• fastmcp
• sentence-transformers
• faiss-cpu
• email-validator

Versão de Python do projeto: 3.11.