AI原生水培监控与控制系统

🌿 SHINA

Sistema Hidropônico AI-Native com MCP

Arquitetura IoT + Agentes Conversacionais para Agricultura de Precisão

📖 Sobre o Projeto

SHINA (Sistema Hidropônico Inteligente Autônomo) é uma plataforma completa que une IoT, microsserviços e IA generativa para monitorar e operar sistemas hidropônicos em tempo real.

Diferente de um dashboard passivo, o SHINA é AI-Native: a estufa é exposta como uma ferramenta universal via Model Context Protocol (MCP), permitindo que qualquer agente de IA — como Claude, Gemini ou GPT — consulte sensores, leia o estado das plantas e execute ações de forma autônoma, em linguagem natural.

A IA não "adivinha" o estado do sistema: ela lê os dados exatos do segundo via RAG, eliminando alucinações. Isso traz para a agricultura de precisão uma camada cognitiva real, acessível e replicável.

🎓 Publicação Acadêmica

Artigo aceito no XVIII Simpósio Brasileiro de Computação Ubíqua e Pervasiva (SBCUP 2026).

MACHADO TAVARES, R. et al. SHINA: Sistema Hidropônico Inteligente Autônomo com Arquitetura IoT e Agentes Conversacionais. XVIII Simpósio Brasileiro de Computação Ubíqua e Pervasiva (SBCUP), 2026.

https://sol.sbc.org.br/index.php/sbcup/article/view/43315

🏗️ Arquitetura

flowchart LR
    subgraph Camada_Fisica["🌱 Camada Física"]
        S1[Sensores<br/>pH · CE · Temp · Umidade]
        ESP[ESP32<br/>Firmware C++]
        S1 --> ESP
    end

    subgraph Camada_Aplicacao["⚙️ Camada de Aplicação"]
        API[FastAPI<br/>shina-mcp-projeto]
        REDIS[(Redis<br/>Cache em memória)]
        PIPE[Pipeline RAG<br/>pipeline.py]
        API <--> REDIS
        API --> PIPE
    end

    subgraph Camada_Cognitiva["🧠 Camada Cognitiva"]
        MCP[Servidor MCP<br/>mcp-index.js]
        LLM[Google Gemini<br/>LLM]
        PIPE --> LLM
        MCP <--> API
    end

    subgraph Camada_Acesso["💬 Camada de Acesso"]
        DASH[Dashboard Web<br/>hydroponic-system-dashboard]
        AGENTS[Agentes externos<br/>Claude · Gemini · GPT]
    end

    ESP -->|HTTP| API
    API --> DASH
    MCP --> AGENTS

    style ESP fill:#1f2937,color:#fff
    style API fill:#009688,color:#fff
    style REDIS fill:#DC382D,color:#fff
    style MCP fill:#7c3aed,color:#fff
    style LLM fill:#4285F4,color:#fff
    style DASH fill:#10b981,color:#fff
    style AGENTS fill:#f59e0b,color:#000

Fluxo resumido:

1. ESP32 lê sensores físicos a cada N segundos e envia leituras via HTTP para o backend.
2. FastAPI (shina-mcp-projeto/) recebe, valida e armazena leituras em Redis (cache de baixa latência, sem SGBD relacional — a estufa é um sistema de "agora").
3. Quando uma pergunta chega, o pipeline RAG monta o contexto com leituras reais e consulta o Gemini.
4. O servidor MCP (mcp-index.js) expõe esse stack como uma ferramenta universal — qualquer agente de IA externo pode consultar e operar a estufa pelo protocolo MCP.
5. O dashboard consome a mesma API para visualização humana.

🧱 Stack Tecnológica

📁 Estrutura do Repositório

shina-mcp/
├── shinaarduinofinal/              # Firmware do ESP32 (C++)
│   └── ...                         # Leitura de sensores + envio HTTP
│
├── shina-mcp-projeto/              # Backend Python (FastAPI)
│   ├── app.py                      # Aplicação principal
│   ├── api.py                      # Endpoints REST
│   ├── pipeline.py                 # Pipeline RAG (contexto + LLM)
│   ├── list_models.py              # Utilitário para listar modelos Gemini
│   ├── requirements.txt
│   ├── Dockerfile
│   └── .env.example
│
├── hydroponic-system-dashboard/    # Dashboard web (visualização humana)
│
├── mcp-index.js                    # Servidor MCP (Node.js)
├── Dockerfile.mcp                  # Imagem Docker do servidor MCP
├── Docker-compose.yml              # Orquestração dos serviços
└── README.md

🚀 Como Executar

Pré-requisitos

• Docker e Docker Compose instalados
• Node.js 18+ (para o servidor MCP)
• Python 3.10+ (caso queira rodar o backend fora do container)
• Chave de API do Google Gemini (obter aqui)
• ESP32 + sensores (para o lado físico — ver shinaarduinofinal/)

1. Clonar o repositório

git clone https://github.com/rafaelmtavares44/shina-mcp.git
cd shina-mcp

2. Configurar variáveis de ambiente

Copie .env.example para .env e preencha:

GEMINI_API_KEY=sua_chave_aqui
REDIS_HOST=redis
REDIS_PORT=6379
API_PORT=8000
MCP_PORT=3000

3. Subir o stack com Docker Compose

docker compose up --build

Serviços disponíveis após o startup:

• API FastAPI: http://localhost:8000
• Servidor MCP: http://localhost:3000
• Redis: localhost:6379

4. Gravar o firmware no ESP32

A pasta shinaarduinofinal/ contém o sketch a ser compilado e gravado via Arduino IDE ou PlatformIO. Ajuste o IP do servidor e as credenciais Wi-Fi no início do arquivo principal.

🤖 Usando o SHINA como ferramenta de agentes

Uma vez de pé, o servidor MCP expõe a estufa para qualquer cliente compatível com o protocolo. Configure o cliente (ex: Claude Desktop) apontando para o endpoint MCP, e o agente passa a ter acesso a operações como:

• get_current_readings() — leituras atuais de pH, CE, temperatura, umidade
• get_recommendations() — recomendações geradas pelo pipeline RAG
• set_target_ph(value) — define o pH-alvo do sistema
• (demais ferramentas listadas dentro de mcp-index.js)

Isso transforma o SHINA em uma estufa programável por linguagem natural — o agente pode responder "Como estão minhas alfaces?" lendo o estado real do sistema.

👥 Time

• José Pazian
• Bruno Matheus
• Jorge Vinícius
• Rafael Machado Tavares LinkedIn · GitHub

Orientação acadêmica

• Prof. Willgnner Ferreira Santos
• Prof. Alisson Rodrigues

Instituição

• Faculdade SENAI Fatesg — Curso Superior de Inteligência Artificial
• Diretor: Weysller Matuzinhos de Moura

📜 Licença

Este projeto é um trabalho acadêmico desenvolvido como Projeto Integrador do 2º período do Curso Superior de Inteligência Artificial da Faculdade SENAI Fatesg.

Para uso, citação ou colaboração, entre em contato: rafaelmt3@gmail.com

Se este projeto te interessou, deixe uma ⭐ no repositório!

Construído com ☕, curiosidade e muita hidroponia em Goiânia/GO.