mcp-me: Servidor MCP Pessoal

Um servidor MCP (Model Context Protocol) que transforma dados profissionais em ferramentas consumíveis por LLMs. Em vez de um recrutador ler um PDF estático de CV, ele (ou um agente) faz perguntas e recebe dados reais e estruturados em resposta.

Status: Produção | Versão: 1.0.0 | Runtime: Node.js + TypeScript

Visão Geral

O mcp-me expõe 4 ferramentas MCP que consultam:

• CVs bilíngues (EN / PT-BR) em Markdown como fonte de verdade
• Dados de projetos expandidos (repositório, demo, destaques técnicos, status)
• Análise de fit vaga ↔ perfil com matching de skills
• Busca por palavras-chave em toda a experiência profissional

Ideal para:

• Agentes de recrutamento que analisam vagas automaticamente
• LLMs que precisam de dados biográficos estruturados
• Assistentes pessoais que respondem a perguntas sobre experiência
• Automação de análises de compatibilidade vaga-candidato

Características

• Suporte completo a Inglês e Português Brasileiro
• Apenas 2 dependências (MCP SDK + Zod)
• TypeScript strict com validação Zod
• Carregamento eficiente na memória
• Markdown parseado manualmente
• match_job reporta gaps reais, não infla o perfil
• Texto natural estruturado, não JSON cru

Ferramentas MCP

1. get_cv

Retorna o CV completo ou uma seção específica.

Entrada:

{
  "lang": "en" | "pt-br",  // opcional, padrão: "en"
  "section": "summary" | "skills" | "experience" | "projects" | "education" | "certifications" | "languages"  // opcional
}

Saída: Texto Markdown formatado com o CV ou seção solicitada.

Exemplos de uso:

get_cv({ lang: "pt-br" })
→ Retorna CV completo em português

get_cv({ lang: "en", section: "skills" })
→ Retorna apenas a seção de habilidades técnicas em inglês

get_cv({ section: "professional experience" })
→ Match parcial: retorna a seção de experiência

2. list_projects

Lista projetos com metadados completos: descrição, stack, destaques, URL do repositório, URL da demo e status.

Entrada:

{
  "tech": "Next.js" | "Python" | "React" | ...  // opcional, case-insensitive, partial match
}

Saída: Lista formatada de projetos com campos estruturados.

Status: "completed" | "in-progress" | "active" | "experimental" Categoria: "cv" (em destaque no CV) | "additional" (extras no GitHub)

Exemplos de uso:

list_projects()
→ Lista todos os 8+ projetos

list_projects({ tech: "next" })
→ Filtra projetos com Next.js, retorna 2-3 resultados

list_projects({ tech: "python" })
→ Filtra projetos com Python, retorna projetos de IA/dados

3. match_job

Analisa o fit entre o perfil e uma descrição de vaga. Retorna:

• Fit Score (0-100): percentual de skills técnicas do job description presentes no CV
• Matching Skills: skills presentes em ambas as partes
• Gaps: skills necessários que não estão no CV
• Relevant Experience: trechos de experiência profissional alinhados com a vaga
• Suggested Pitch: avaliação honesta calibrada ao score

Entrada:

{
  "description": "Fullstack Engineer needed for Next.js/React + Python FastAPI microservices..."
}

Saída: Análise estruturada com score, skills matching, gaps e pitch.

Score interpretation:

• 70-100: Fit forte — candidato tem alinhamento claro com a vaga
• 40-69: Fit parcial — há sobreposição, mas gaps significativos
• 0-39: Fit baixo — seria pivô de carreira, não próximo passo natural

Exemplos:

match_job({ description: "React + TypeScript + Node.js backend engineer needed..." })
→ Score: 92, Matching Skills: React, TypeScript, Node.js, ...
→ Gaps: (nenhum), Suggested Pitch: Strong fit...

match_job({ description: "Lead Golang architect, 10 years Go experience required..." })
→ Score: 15, Matching Skills: (nenhum), Gaps: Go, Kubernetes orchestration, ...
→ Suggested Pitch: Limited overlap, significant career pivot...

4. ask_about_me

Busca por palavras-chave em todo o perfil (CV + projetos) e retorna os 10 trechos mais relevantes agrupados por seção.

Entrada:

{
  "question": "ETL experience?" | "databases usados?" | "tem experiência com IA?" | ...
}

Saída: Trechos de experiência agrupados por seção (Professional Experience, Projects, etc.)

Suporta:

• Palavras-chave em inglês e português
• Busca por tecnologia, role, conceito
• Filtro de stop words para evitar ruído

Exemplos:

ask_about_me({ question: "ETL experience" })
→ Retorna experiência com pipelines de dados, Airflow, etc.

ask_about_me({ question: "tem experiência com IA?" })
→ Retorna projetos e experience com LLMs, CrewAI, etc.

ask_about_me({ question: "Docker Kubernetes" })
→ Retorna seções sobre DevOps, containerização, orquestração

Stack

Instalação

Pré-requisitos

• Node.js 22+ (verifiquecom node --version)
• npm 10+ (ou yarn/pnpm)

Passos

# 1. Clone o repositório
git clone https://github.com/fe-m-bueno/mcp-me.git
cd mcp-me

# 2. Instale dependências
npm install

# 3. Build
npm run build

# 4. Verifique a build
ls dist/
# Deve haver: index.js, index.d.ts (sourcemaps), data/ (CVs + projetos)

Estrutura pós-build

dist/
├── index.js           # Entry point compilado
├── index.js.map       # Sourcemap
├── index.d.ts         # Tipos TypeScript
└── data/
    ├── cv-en.md       # CV em inglês
    ├── cv-ptbr.md     # CV em português
    └── projects.json  # Dados de projetos

Uso

Como Servidor MCP (no cliente)

Configure no seu cliente MCP (Claude Desktop, Cline, etc.):

macOS/Linux - `~/.config/Claude/claude_desktop_config.json`:

{
  "mcpServers": {
    "me": {
      "command": "node",
      "args": ["/home/felipebueno/Development/mcp-me/dist/index.js"]
    }
  }
}

Windows - `%APPDATA%/Claude/claude_desktop_config.json`:

{
  "mcpServers": {
    "me": {
      "command": "node",
      "args": ["C:/Users/felipebueno/Development/mcp-me/dist/index.js"]
    }
  }
}

Após configurar, reinicie o cliente MCP. As 4 ferramentas aparecerão disponíveis.

Teste local com MCP Inspector

npm run inspect

Abre uma interface web em http://localhost:3000 para testar as tools interativamente.

Teste com Node.js direto

# Terminal 1: Inicia o servidor
node dist/index.js

# Terminal 2: Conecta via stdio
echo '{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11-05","capabilities":{},"clientInfo":{"name":"test","version":"1.0.0"}}}' | node dist/index.js

Desenvolvimento

Estrutura do código

src/
├── index.ts              # Entry point, stdio transport
├── server.ts             # Definição das 4 tools com descrições
├── tools/
│   ├── cv.ts             # Handler get_cv
│   ├── projects.ts       # Handler list_projects
│   ├── match.ts          # Handler match_job
│   └── ask.ts            # Handler ask_about_me
├── lib/
│   ├── parser.ts         # Parse de Markdown em seções
│   ├── matcher.ts        # Lógica de matching vaga ↔ perfil
│   ├── projects.ts       # Loading de projects.json
│   ├── response.ts       # Utilitários de resposta (ToolResponse)
│   └── paths.ts          # Resolução de caminhos de data/
└── data/
    ├── cv-en.md          # CV em inglês
    ├── cv-ptbr.md        # CV em português
    └── projects.json     # Dados de projetos com metadados

Workflow de desenvolvimento

# 1. Desenvolva com watch
npm run dev

# 2. Lint em tempo real
npm run lint
npm run lint:fix

# 3. Build final
npm run build

# 4. Teste com Inspector
npm run inspect

Adicionar uma nova tool

1. Crie src/tools/new-tool.ts com handler assíncrono
2. Registre em server.ts com server.registerTool()
3. Export no index.ts (já feito automaticamente)
4. Rebuild e teste via npm run inspect

Exemplo:

// src/tools/new-tool.ts
import { loadCv } from "../lib/parser.js";
import { ToolResponse, textResult } from "../lib/response.js";

export async function newToolHandler(args: {
  query: string;
}): Promise<ToolResponse> {
  const cv = loadCv("en");
  // sua lógica aqui
  return textResult("resultado");
}

Atualizar dados

CVs: Copie de ~/Development/cv/ para src/data/cv-*.md

cp ~/Development/cv/cv-en.md src/data/
cp ~/Development/cv/cv-ptbr.md src/data/
npm run build

Projetos: Edite src/data/projects.json diretamente

vim src/data/projects.json
npm run build

Configuração

Variáveis de Ambiente

Nenhuma necessária no momento. Todos os dados são estáticos em src/data/.

Diretório de dados

O servidor busca dados em src/data/ em tempo de build (resolvido via lib/paths.ts). Durante runtime, os arquivos estão em dist/data/.

TypeScript/Zod

tsconfig.json:

• Target: ES2022
• Module: Node16 (ESM)
• Strict mode habilitado
• Resolução JSON habilitada

biome.json:

• Formatter: tabs (indentação)
• Linter: recommended rules
• Organize imports: enabled

Performance e Optimizações

Cache em memória

CVs e projetos são carregados uma única vez ao iniciar e guardados em cache:

const cvCache = new Map<string, CvData>();
export function loadCv(lang: "en" | "pt-br"): CvData {
  const cached = cvCache.get(lang);
  if (cached) return cached;
  // carrega do disco, cacheia
}

Matching eficiente

• Regex pré-compiladas para keywords de tech (TECH_PATTERNS)
• Normalização de skills com regras simples (lowercase, remover . - /)
• Filtragem de stop words no ask_about_me

Tamanho mínimo

• Sem dependências extras (apenas MCP SDK + Zod)
• Parsing manual sem bibliotecas
• Bundle: ~200KB minificado

Troubleshooting

"Data file not found"

Certifique-se que você rodou npm run build. O build copia src/data/ para dist/data/.

npm run build
ls dist/data/

Tool retorna erro indefinido

Verifique se o path absoluto no claude_desktop_config.json está correto:

ls /home/felipebueno/Development/mcp-me/dist/index.js
# Deve existir

MCP Inspector não abre

Porta 3000 pode estar em uso. Mude a porta ou encerre o processo:

lsof -i :3000
kill -9 <PID>
npm run inspect

Linting falhando

npm run lint:fix

Biome corrige automaticamente problemas de formatting e imports.

Contribuição

Este é um projeto pessoal, mas se quiser melhorias:

1. Faça um fork
2. Crie uma branch para sua feature (git checkout -b feature/meu-feature)
3. Commit as mudanças (git commit -m "Adiciona X")
4. Push para a branch (git push origin feature/meu-feature)
5. Abra um Pull Request

Contato

Felipe Bueno GitHub: @fe-m-bueno Email: [email protected]