Como alimentar seu chat bot gerando bases de conhecimento com Claude, Jira MCP e Codebase MCP
Documentar dúvidas recorrentes de suporte e transformá-las em uma base de conhecimento estruturada para bots costuma ser um processo manual, lento e propenso a inconsistências. Quando a solução para a dúvida do usuário exige analisar o código-fonte — como no caso de integrações ou uso de SDKs —, o atrito aumenta.
Apresento aqui como automatizar esse processo utilizando a combinação do Claude com dois Model Context Protocol (MCP): o Jira MCP e o Codebase MCP.
A Arquitetura da Solução
O objetivo do fluxo é extrair problemas reais relatados por usuários no Jira, investigar a resolução diretamente no código-fonte dos projetos (frontend e backend) e gerar artigos estruturados para alimentar bots de atendimento Nível 1.
Passo a Passo da Implementação
1. Preparação do Ambiente e Contexto
O primeiro passo consiste em disponibilizar os contextos necessários para o LLM via servidores MCP:
Codebase MCP: Mapeamento do código-fonte completo dos repositórios do produto (neste caso, a estrutura continha as aplicações de frontend e backend do Projeto A).
Jira MCP: Conexão com o servidor do Jira para permitir buscas de chamados por meio de queries estruturadas (JQL).
2. Extração das Dúvidas Reais dos Usuários
Em vez de hipotetizar o que os usuários têm dúvida, utilizamos dados reais do histórico de suporte.
Por meio de uma query de chamados focada em dúvidas de integração/SDK do Projeto A, o Claude utilizou o Jira MCP para:
Listar os tickets referentes a dúvidas recorrentes.
Extrair a dor exata relatada pelo usuário (mensagens de erro, parâmetros incorretos, fluxos mal compreendidos).
3. Cruzamento de Dados e Análise de Código (Root Cause Analysis)
Com a lista de dúvidas em mãos, o Claude acionou o Codebase MCP para navegar nos repositórios do Projeto A.
Em vez de apenas resumir o ticket do Jira, o modelo:
Localizou as rotas, endpoints e componentes correspondentes no backend e no frontend.
Identificou como o código trata o cenário descrito pelo usuário.
Mapeou o passo a passo exato do que o usuário precisa ajustar para resolver o problema.
4. Geração Automática da Base de Conhecimento (Nível 1)
Como resultado desse cruzamento, foram gerados 25 arquivos estruturados em Markdown. Cada arquivo representa um artigo de suporte contendo:
Problema/Sintoma: O que o usuário relata.
Causa Raiz: O comportamento esperado do sistema versus o executado.
Solução: Guia passo a passo técnico de como corrigir.
Esses 25 arquivos foram utilizados diretamente para alimentar o bot de atendimento Nível 1 da operação (integrado aos canais de comunicação da equipe, como Google Chat e sistemas internos).
Resultados e Reprodutibilidade
| Métrica / Etapa | Processo Manual Tradicional | Abordagem com MCP |
| Mapeamento de dúvidas | Leitura manual de centenas de tickets | Extração via JQL / Jira MCP |
| Verificação técnica | Desenvolvedor abre IDE e busca o trecho | Consulta automatizada via Codebase MCP |
| Output final | Redação manual de artigos | 25 arquivos padronizados prontos para ingestão |
Onde aplicar este padrão?
Esse padrão de arquitetura é replicável para qualquer produto de software que possua:
Histórico de chamados estruturado em ferramentas como Jira, Zendesk ou GitHub Issues.
Repositórios de código acessíveis para leitura por agentes de IA.
Necessidade de alimentar assistentes virtuais ou bases de documentação técnica.