Servidor MCP PubChem Aprimorado para Assistentes de IA

🧪 Um servidor MCP avançado, robusto e focado em privacidade que permite que assistentes de IA pesquisem e acessem informações de compostos químicos no PubChem de forma inteligente.

Este servidor MCP PubChem funciona como uma ponte poderosa entre assistentes de IA (como os do AnythingLLM) e o vasto banco de dados químico do PubChem. Ele utiliza o Model Context Protocol (MCP) para permitir que modelos de IA realizem buscas inteligentes e resilientes por compostos químicos e recuperem suas propriedades detalhadas programaticamente.

---

✨ Funcionalidades Principais

Este não é apenas mais um wrapper do PubChem. Este servidor foi reconstruído do zero para ser altamente robusto e inteligente:

• 🧠 Busca Inteligente com Fallback: Se uma busca por um nome comum (como "Vitamina D") falhar, o servidor realiza automaticamente uma busca mais profunda no banco de dados de Substâncias do PubChem para encontrar o composto correto. Isso melhora drasticamente a taxa de sucesso para consultas ambíguas.
• 🛡️ Tratamento Robusto de Erros & Repetições: O servidor foi projetado para lidar graciosamente com erros da API. Se encontrar um erro de "Servidor Ocupado" do PubChem, ele irá aguardar e tentar novamente automaticamente, garantindo que suas consultas sejam bem-sucedidas mesmo sob alta carga.
• 🔒 Suporte Opcional a Proxy Tor: Você tem controle total sobre sua privacidade. Um simples arquivo config.ini permite rotear todas as solicitações pela rede Tor (via proxy SOCKS5 ou HTTP), impedindo que seu endereço IP seja exposto. O servidor é seguro por padrão e nunca vaza seu IP se a conexão proxy falhar.
• 🔎 Busca de Um ou Múltiplos Compostos: Gerencia facilmente solicitações para um ou vários compostos em um único prompt.
• 🧪 Recuperação Detalhada de Propriedades: Acesse propriedades químicas essenciais como Nome IUPAC, Fórmula Molecular, Peso Molecular e, principalmente, Massa Monoisotópica.

---

---

🚀 Sem Instalação Necessária: Experimente ao Vivo no Smithery.ai

Para quem é novo em servidores MCP ou apenas deseja testar as capacidades desta ferramenta sem qualquer configuração local, uma versão hospedada está disponível no Smithery.ai. Isso permite conversar com o agente diretamente pelo navegador.

<-- Explore o Agente PubChem Ao Vivo no Smithery.ai -->

Como começar:

• Clique no link acima para acessar a página do servidor.
• Faça login usando sua conta GitHub ou Google.
• Clique no botão "Explore capabilities" para abrir a interface de chat e começar os testes!

> ✅ Modelos Recomendados para Melhores Resultados >

Para obter a maior precisão, especialmente com números decimais longos, recomendamos fortemente o uso de modelos poderosos. Os seguintes foram testados e funcionam excelentemente com esta ferramenta:

>

* Claude 3 Sonnet da Anthropic

* GPT-4 Turbo da OpenAI (ou versões mais recentes como GPT-4o)

>

Confirmamos que ambos os modelos processaram corretamente toda a precisão dos números decimais retornados pela ferramenta, sem qualquer arredondamento.

---

🚀 Início Rápido & Instalação

Este servidor foi projetado para ser executado localmente, seja no seu desktop ou dentro do ambiente Docker do AnythingLLM.

1. Dependências

Este projeto depende de algumas bibliotecas Python. Certifique-se de que elas estejam instaladas em seu ambiente.

Crie um arquivo requirements.txt com o seguinte conteúdo:

requests
bs4 
mcp 
pubchempy
pandas
PySocks

Instale-os usando uv ou pip:

uv venv
.venv\Scripts\activate
uv pip install -r requirements.txt

(Nota: PySocks só é necessário se você pretende usar o recurso de proxy Tor SOCKS5.)

2. Configuração

O servidor é configurado através de um arquivo config.ini que é criado automaticamente na primeira vez que você executá-lo. Este arquivo aparecerá no mesmo diretório do script pubchem_server.py.

config.ini padrão:

[proxy]
Change 'use_proxy' to 'true' to route all requests through a proxy.
Essential for protecting your privacy if you use Tor.
use_proxy = false
Defines the proxy type. Options:
  socks5h  -> (Recommended for Tor) The native SOCKS proxy for Tor. More secure.
  http     -> An HTTP proxy. If using Tor, requires additional configuration.
proxy_type = socks5h
The proxy address. THIS IS A CRITICAL SETTING!
  - If you run this script on your DESKTOP, use: 127.0.0.1
  - If you run this script inside DOCKER, use: host.docker.internal
host = 127.0.0.1
The proxy port.
  9050 -> Default port for Tor's SOCKS proxy.
  8118 -> Default port for Tor's HTTP proxy (if enabled).
port = 9050

3. Integração com AnythingLLM

Siga a documentação oficial para adicionar isto como um servidor MCP personalizado. O segredo é apontar o command para o seu executável Python e o script pubchem_server.py.

Exemplo para AnythingLLM Desktop (plugins/anythingllm_mcp_servers.json):

{
  "mcpServers": {
    "pubchem": {
      "name": "PubChem Server (Enhanced)",
      "transport": "stdio",
      "command": "\"C:\\path\\to\\your\\.venv\\Scripts\\python.exe\" \"C:\\path\\to\\your\\project\\pubchem_server.py\"",
      "cwd": "C:\\path\\to\\your\\project"
    }
  }
}

3.1 Exemplos de Implementação com AnythingLLM

Aqui estão alguns exemplos de como interagir com o agente. Esses testes foram realizados usando o AnythingLLM Desktop, conectando-se a vários Modelos de Linguagem de Grande Porte via OpenRouter.

Uma descoberta crucial de nossos testes é a importância do modelo escolhido. Recomendamos fortemente que você não utilize modelos pequenos ou locais para esta tarefa. Modelos menores frequentemente têm dificuldades para interpretar corretamente os dados retornados pela ferramenta, levando a erros como valores inventados, formatação incorreta ou, mais criticamente, arredondamento de números decimais, o que compromete a finalidade desta ferramenta de alta precisão.

Para garantir a integridade de seus resultados, sempre é uma boa prática verificar os dados brutos retornados pelo MCP. Você pode aprender como fazer isso na próxima seção: 3.2 Como verificar saídas do MCP nos logs.

Por outro lado, vários modelos demonstraram excelente desempenho. Obtivemos resultados excepcionais com Google Gemini 2.5 Flash lite, que mostrou precisão notável ao lidar com números decimais longos e formatar corretamente a tabela Markdown final.

Google gemini 2.5 flash lite sem prompt e com prompt mantém decimais perfeitos (no exemplo usa 0.6 de temperatura)

Para esta tarefa específica, meu favorito pessoal é o Gemini 2.5 Flash lite devido à sua precisão e confiabilidade consistentes.

3.2 Como Verificar Saídas do MCP nos Logs

A melhor maneira de confirmar que o agente está recebendo os dados corretos e que o LLM não está cometendo erros é verificar o arquivo de log de depuração gerado pelo servidor MCP.

Este servidor está configurado para criar automaticamente um arquivo de log em uma subpasta dentro do diretório do seu projeto. O local será:

your-project-folder/
└── logs_mcp/
    └── mcp_debug.log

Dentro do arquivo mcp_debug.log, você encontrará os dados JSON exatos que a ferramenta envia de volta para o LLM antes do modelo processá-los. Você pode inspecionar manualmente esse JSON para verificar quaisquer valores, especialmente números decimais longos de propriedades como monoisotopic_mass, garantindo que o LLM não introduziu erros de arredondamento ou alucinações em sua resposta final.

---

📊 Uso

Após a integração, seu assistente de IA usará automaticamente esta ferramenta quando solicitado sobre informações químicas. A principal ferramenta exposta é search_compounds_by_name.

Exemplo de Prompt

Este prompt demonstra a capacidade da ferramenta de lidar com uma lista de compostos com diferentes tipos de nomes e recuperar múltiplas propriedades.

@agent
Please use your PubChem tool to find information on the following compounds:
Thiamine (Vitamin B1)
Riboflavin (Vitamin B2)
Folic Acid
Hydroxocobalamin
For each compound found, please retrieve the IUPAC Name, Molecular Formula, and Monoisotopic Mass.
Present all the results in a single Markdown table.

O agente irá chamar a ferramenta search_compounds_by_name, que irá encontrar cada composto de forma inteligente, recuperar seus dados e retorná-los ao LLM para formatação.

---

🛠 Ferramenta MCP Exposta

search_compounds_by_name

Procura por múltiplos compostos pelo nome, um a um, usando uma estratégia inteligente de fallback com pausas e tentativas para máxima confiabilidade.

Parâmetros:

• names (List[str]): Uma lista de nomes de compostos. Exemplo: ["Aspirina", "Ibuprofeno"]

Retorna: Uma lista de dicionários, onde cada dicionário contém ou as informações do composto encontrado ou uma mensagem de erro detalhando por que a busca falhou para aquele composto específico.

---

🙏 Agradecimentos

Este projeto foi fortemente inspirado e construído sobre a fundação do original PubChem-MCP-Server criado por JackKuo666.

Embora este repositório não seja um fork direto, o projeto original foi o ponto de partida crucial. Esta versão aprimora o conceito original com foco em extrema robustez, estratégias de busca inteligentes e privacidade do usuário através da integração opcional com Tor 🧅.

Muito obrigado ao autor original pelo excelente trabalho e por compartilhá-lo com a comunidade.

---

⚠️ Aviso Legal

Esta ferramenta é destinada para fins de pesquisa e educação. Por favor, respeite os termos de serviço do PubChem e use esta ferramenta de forma responsável.

--- Tranlated By Open Ai Tx | Last indexed: 2025-08-27 ---