O que é o Protocolo de Contexto de Modelo (MCP)?

Os modelos de IA tornaram-se cada vez mais poderosos, mas com uma restrição: eles só têm acesso às informações que aprenderam durante o treinamento, por isso estão limitados no que sabem e podem fazer. É como contratar um assistente muito inteligente que só pode trabalhar com o que já está em sua cabeça e não consegue pesquisar, verificar arquivos ou realmente executar tarefas para você.

Os grandes modelos de linguagem (LLMs) tornam-se muito mais poderosos quando podem acessar o contexto e agir em outras ferramentas e aplicativos. Até recentemente, não havia uma forma de conexão uniforme entre os modelos e outros apps. O Protocolo de Contexto de Modelo (MCP), originalmente desenvolvido pela Anthropic, está rapidamente se tornando o padrão de interface entre sistemas de IA agente e outros aplicativos, como um “conector USB-C” para IA.

Para ler mais sobre a compatibilidade do Figma com o MCP, confira nossa postagem de blog apresentando o servidor MCP do Figma. Vamos detalhar o que é o MCP, como funciona e por que é importante.

O que é o MCP?

O Protocolo de Contexto de Modelo (MCP) é um padrão de código aberto para conexão entre sistemas com tecnologia de IA e aplicativos, ferramentas e plataformas de software.

O MCP é um protocolo de comunicação bidirecional. De um lado, você tem os provedores de dados e desenvolvedores de apps que desejam que os LLMs acessem dados e utilizem seus softwares. Para oferecer compatibilidade com o MCP, eles criam o que é chamado de servidor MCP. Do outro lado, você tem desenvolvedores criando ferramentas ou sistemas agentes com tecnologia de IA. Eles implementam um cliente MCP para que seus modelos de IA se conectem aos servidores MCP para buscar contexto e concluir tarefas em outros apps.

Por exemplo, uma ferramenta de programação com IA como o Cursor pode ter um cliente MCP que se conecta ao servidor MCP fornecido pelo Figma e pelo GitHub. A comunicação entre clientes e servidores acontece usando um protocolo padrão, da mesma forma como o HTTP define um protocolo de comunicação para a internet. O MCP especifica quais tipos de mensagens podem ser enviadas, como elas são formatadas, como a autenticação funciona e várias outras configurações.

O problema: por que precisamos do MCP

Reservar voos para uma próxima viagem de férias, extrair dados de análises para um relatório de vendas semanal e criar um protótipo de uma nova funcionalidade: esses tipos de tarefas exigem um contexto que vai além dos dados de treinamento de um LLM e se estendem a um amplo ecossistema de apps e serviços. Quanto mais contexto um assistente de IA tem, maior a sua capacidade de entender nuances específicas de uma solicitação e entregar um resultado de alta qualidade.

Considere o cenário de usar uma ferramenta de programação com IA para gerar código a partir de um arquivo de design. Se um LLM visualizar uma captura de tela do arquivo e usar seus dados de treinamento para interpretar os pixels, ele poderá criar um protótipo aproximado. No entanto, para obter um produto final realmente útil, é necessário mais contexto, como variáveis, componentes e estilos específicos, ou até mesmo pseudocódigo descrevendo a funcionalidade. Embora esse tipo de contexto seja inestimável para a IA, ele costuma estar profundamente inserido em outras ferramentas (como o Figma).

Antes do MCP, todo desenvolvedor que trabalhasse em ferramentas de IA agente precisava criar integrações personalizadas com apps e serviços externos, atrasando o desenvolvimento e fragmentando o ecossistema. Com cada app expondo dados e funções de maneiras ligeiramente diferentes, cada nova integração exigia uma quantidade significativa de trabalho inicial.

O MCP é uma abordagem de problemas do tipo “escreva uma vez, use em qualquer lugar”. Um desenvolvedor de app pode criar um único servidor MCP para uso por qualquer sistema de IA agente, fornecendo um conjunto canônico de ferramentas e dados, além de funcionalidades úteis como tratamento de erros. Da mesma forma, um sistema de IA pode implementar o protocolo e se conectar a qualquer servidor MCP que exista hoje ou no futuro.

A origem do MCP

O MCP começou na Anthropic no verão de 2024 para dar ao Claude Desktop uma maneira mais fácil de trabalhar com fontes de dados como o sistema de arquivos local. Os autores se inspiraram no Protocolo de Servidor de Linguagem (LSP) da Microsoft, o padrão para que ambientes de desenvolvimento integrado (IDEs) ofereçam funcionalidades como realce de contexto ou conclusão de código em muitas linguagens de programação diferentes.

Após criar o protocolo e usá-lo internamente, a Anthropic abriu o código do MCP em novembro de 2024, lançando publicamente a especificação completa do protocolo com a documentação e os SDKs (por exemplo, Python).

Desde então, a adoção cresceu significativamente. Em janeiro e fevereiro de 2025, muitos IDEs de IA, como Cursor e Windsurf, começaram a oferecer compatibilidade com o MCP. Em março, a OpenAI fez o mesmo e o GitHub lançou seu servidor MCP logo depois. Produtos consolidados também estão adotando o MCP: o Microsoft Windows anunciou a compatibilidade com o protocolo nos próximos meses.

Como o MCP funciona?

Essencialmente, o MCP é uma troca de solicitações e respostas: o LLM solicita dados ou inicia uma ação e o app externo responde. Em termos de rede, MCP segue uma arquitetura cliente-servidor, onde um lado (o cliente) envia uma solicitação e o outro lado (o servidor) retorna dados ou executa uma ação.

A especificação do MCP define três tipos de funcionalidades que os servidores oferecem aos clientes:

• Recursos: dados e conteúdos que o app oferece para LLMs, como registros de banco de dados, arquivos, capturas de tela ou blocos de código.
• Ferramentas: funções que executam ações no app. Por exemplo, um servidor MCP de PostgreSQL pode expor uma ferramenta para executar uma consulta SQL em um banco de dados.
• Comandos: modelos de texto e fluxos de trabalho predefinidos que sistemas de IA podem usar, projetados para funcionar bem com os recursos e ferramentas do app.

O MCP define como os servidores devem expor recursos, ferramentas e prompts aos clientes de uma maneira padronizada, incluindo:

• Formatação de resposta: os dados podem ser enviados como blobs JSON, linhas SQL ou até mesmo imagens brutas. O servidor MCP converte tudo o que recebe no formato padrão esperado pelos clientes MCP (JSON-RPC 2.0).
• Análise de comandos: o servidor MCP atua como um tradutor, transformando solicitações de LLMs em comandos que os apps podem usar, como chamadas de API.
• Tratamento de erros: o MCP define códigos de erro padrão e os envia volta para o LLM para que ele possa tentar novamente ou solicitar a assistência do usuário.
• Descoberta de ferramentas: os servidores MCP expõem uma função que lista as ferramentas disponíveis nesse servidor, permitindo que um sistema de IA veja rapidamente quais ações pode executar em um app externo.

A arquitetura: hosts, clientes e servidores MCP

O MCP depende de um padrão de arquitetura comum em redes, envolvendo hosts, clientes e servidores. O protocolo define responsabilidades específicas para cada função.

• Hosts MCP: gerenciam a descoberta, as permissões e a comunicação entre clientes e servidores. Normalmente, o host é o produto ou plataforma, como o SO Windows ou o Claude Desktop, onde os usuários acessam agentes de IA para realizar tarefas. Quando o modelo precisa acessar um app externo, o host inicia e conecta o servidor MCP desse app e o cliente correspondente.
• Clientes MCP: iniciam e mantêm uma conexão com os servidores MCP, com um cliente por servidor. Os clientes passam solicitações e respostas entre LLMs e servidores MCP.
• Servidores MCP: servidores que se conectam diretamente a sistemas externos (como Figma, Google Drive ou Postgres), oferecendo aos LLMs acesso a dados e funcionalidades. Os servidores MCP recebem solicitações de clientes MCP e as traduzem em comandos para apps externos, como chamadas de API ou consultas de banco de dados. Eles também recebem e analisam as respostas do app em um formato padrão. Como os desenvolvedores de apps implementam servidores MCP, eles podem controlar o acesso dos LLMs, e o protocolo fornece diretrizes sobre segurança e permissões.

Para ver como as peças se encaixam, vamos examinar um exemplo de fluxo de trabalho usando o servidor MCP do Figma:

• Um usuário abre o Cursor, uma ferramenta de programação com IA e com o MCP habilitado, em seu repositório de código.
• O usuário pede ao LLM no Cursor para extrair o arquivo Figma mais recente e implementá-lo em sua base de código.
• O Cursor ativa o servidor MCP do Figma, bem como um cliente MCP correspondente.
• O LLM recebe a lista de prompts, recursos e ferramentas disponíveis do servidor (via o cliente).
• O LLM então envia uma mensagem para o servidor contendo a ferramenta que deseja chamar junto com quaisquer parâmetros (por exemplo, o ID do arquivo Figma). O servidor formata isso em uma solicitação de API e envia a solicitação através da API do Figma.
• O servidor aguarda os dados do arquivo da resposta da API do Figma, formata em uma string e envia de volta para o LLM (via cliente).
• Com todo o contexto adicional do Figma, o LLM pode então começar a gerar o código relevante no Cursor.

Benefícios do MCP: por que ele é importante para a integração de IA

Os desenvolvedores estão adotando o MCP porque ele simplifica a conexão de LLMs com apps. Comparado com as integrações personalizadas, o MCP apresenta várias vantagens.

Primeiramente, os desenvolvedores de sistemas de IA agente precisam integrar o MCP apenas uma vez. Depois disso, podem usar qualquer servidor MCP. Da mesma forma, os desenvolvedores de aplicativos externos só precisam criar um servidor MCP para que qualquer ferramenta de IA compatível com MCP possa se conectar a esse servidor.

Em segundo lugar, como todos os servidores e clientes MCP devem oferecer a mesma interface central, é muito simples trocar servidores e clientes. Isso significa que os desenvolvedores e usuários podem alternar facilmente entre apps, como Dropbox e Google Docs, ou Slack e Microsoft Teams.

Finalmente, conforme os produtos de IA se tornam mais contextuais com o MCP, as ferramentas de IA são aprimoradas para todos os usuários. E um protocolo padrão para o ecossistema significa que os desenvolvedores passam menos tempo programando integrações básicas e mais tempo desenvolvendo novos recursos.

MCP e APIs tradicionais: qual é a diferença?

Por que não usar uma API em vez de MCP? Essa é uma pergunta comum, já que as APIs oferecem acesso a muitos dos mesmos dados e ações nos apps. Na verdade, muitos servidores MCP usam APIs internamente para expor dados e ações.

A resposta resumida é que, com o MCP, os assistentes de IA podem usar um único conjunto de comandos para todas as APIs, simplificando bastante a integração. Enquanto trabalhar diretamente com APIs exige programação personalizada para solicitações respostas e novas tentativas, um desenvolvedor que usa MCP pode obter os mesmos resultados apenas importando o servidor MCP. É fácil alternar entre servidores MCP, mas alternar entre APIs exige a programação de um conjunto inteiro de código.

Além disso, o MCP mais otimizado para uso com LLMs. O MCP garante que tudo o que é necessário para que um LLM acesse um sistema esteja bem definido e bem documentado, de forma estruturada. A definição de APIs ad hoc pode resultar na falta de descrições importantes ou na disponibilidade de dados de uma forma que as IAs não entendem ou interpretam incorretamente.

Como MCP e agentes de IA trabalham em conjunto

Um agente de IA é qualquer IA que age no mundo real por você. Com o MCP, fica muito mais fácil criar agentes de IA. Ao invés de integrar APIs uma a uma, um desenvolvedor pode implementar o protocolo para que sua ferramenta de IA aja em qualquer aplicativo habilitado para MCP.

Com o crescimento do ecossistema de MCP, os agentes também se tornam mais poderosos. Os agentes de IA precisam ser capazes de planejar e agir em várias ferramentas na área de trabalho do usuário. Quanto mais ferramentas um agente puder usar, maior será a sua utilidade para os usuários. Com o MCP, os agentes podem encontrar e usar facilmente um número crescente de ferramentas para automação de tarefas.

MCP e A2A: como os protocolos se complementam

O MCP não é o único protocolo novo para LLMs por aí. Recentemente, o Google anunciou o protocolo Agent2Agent (A2A). Mas os desenvolvedores não precisam escolher um ou outro. Esses protocolos resolvem problemas diferentes e, na verdade, se complementam.

O foco do MCP é capacitar sistemas de IA a aprender sobre o mundo e agir nele. Já o A2A se concentra em ajudar os sistemas de IA a se comunicarem entre si sobre seu trabalho e suas intenções: colaborar, atribuir trabalhos, argumentar, delegar ou negociar.

Dois agentes podem usar o A2A para decidir qual deles vai realizar um trabalho e qual deles vai supervisionar esse trabalho. Em seguida, eles podem usar o MCP para trocarem orientações sobre o trabalho a ser feito e os dados a serem usados.

O futuro da integração entre MCP e IA

A equipe do MCP atualiza continuamente o protocolo, lançando novas versões várias vezes por mês. Além disso, o MCP é um padrão aberto, permitindo que a comunidade mais ampla de IA colabore com o roteiro. Para os próximos lançamentos, podemos esperar um foco maior em segurança: mecanismos de autenticação, autorização e filtragem ou privacidade de dados para domínios específicos (como saúde ou finanças).

Se o MCP vier a ser amplamente adotado, então partes inteiras da indústria de IA poderão começar a otimizar seu uso do MCP. Os desenvolvedores de modelos podem começar a incluir o uso de ferramentas MCP em seus dados de treinamento, e os frameworks de orquestração de LLM (por exemplo, LangChain) podem suportar o MCP como um recurso de destaque em seus casos de uso.

Com o tempo, o MCP pode se tornar o padrão de fato para conectar a IA a todo o cenário digital de ferramentas e serviços. Trazer dados e ações de sistemas externos para as experiências de LLMs será cada vez mais um recurso do tipo plug-and-play no ecossistema de IA. Para os desenvolvedores, isso significa menos camadas de abstração personalizadas, melhores ferramentas de IA e mais tempo para criar as funcionalidades que os usuários realmente valorizam. Para empresas que fornecem apps que usam dados sofisticados, isso significa compatibilidade instantânea com todas as plataformas de IA habilitadas para MCP. E para os usuários finais, isso viabiliza aplicativos e assistentes pessoais com IA que finalmente podem buscar o contexto certo, apertar os botões certos e realizar trabalhos reais sem intervenções tediosas.