Licenciar o YOLO
Voltar ao glossário da Ultralytics

Model Context Protocol (MCP)

O protocolo de contexto de modelo (MCP) é um padrão aberto que conecta aplicações de IA a ferramentas e dados por meio de uma única interface. Conheça a arquitetura, os usos e o código.

O Protocolo de Contexto do Modelo (MCP) é um padrão aberto para ligar aplicações de IA a ferramentas, fontes de dados e fluxos de trabalho externos. Antes do MCP, cada aplicação de IA precisava da sua própria integração personalizada para cada serviço utilizado, por isso dez assistentes e dez serviços podiam exigir até cem conectores separados. Com o MCP, um serviço é encapsulado uma única vez como servidor MCP, e qualquer aplicação compatível com MCP pode utilizá-lo. A Anthropic introduziu o protocolo em novembro de 2024 e, em dezembro de 2025, doou-o à Agentic AI Foundation, um fundo da Linux Foundation que a Anthropic cofundou com a Block e a OpenAI. Anfitriões como Claude, ChatGPT, VS Code, Cursor e Gemini CLI são compatíveis com ele, que se tornou a forma padrão de agentes de IA e modelos de linguagem de grande escala (LLMs) acederem ao mundo exterior.

Como funciona o MCP#

A especificação MCP define três funções que trocam mensagens JSON-RPC 2.0. O anfitrião é a aplicação de IA que o usuário utiliza, como um chatbot, um IDE ou um agente. Dentro do anfitrião, um cliente gere a ligação a cada servidor, e cada servidor expõe um conjunto de capacidades. Os servidores locais são executados como subprocessos e comunicam por entrada e saída padrão (stdio), enquanto os servidores remotos utilizam HTTP transmitível. Desde a revisão de 2026-07-28, o protocolo principal não tem estado: cada solicitação transporta a sua própria versão do protocolo e as capacidades do cliente, o handshake antigo initialize e os IDs de sessão foram removidos, e qualquer instância do servidor por trás de um balanceador de carga pode responder a qualquer solicitação.

Os servidores oferecem três tipos de capacidades:

  • Ferramentas: Funções que o modelo pode chamar, cada uma descrita por um nome, uma descrição e um esquema JSON para os argumentos, como create_issue ou run_query. As ferramentas podem devolver texto, imagens ou dados estruturados.
  • Recursos: Contexto somente de leitura identificado por URIs, como ficheiros, esquemas de bases de dados ou excertos de registos, que a aplicação pode anexar ao contexto do modelo.
  • Prompts: Modelos de mensagem reutilizáveis que os usuários selecionam explicitamente, muitas vezes apresentados como comandos com barra.

Os servidores também podem pedir ao usuário informações em falta a meio de uma tarefa através de elicitação. Extensões opcionais acrescentam mais funcionalidades: Tasks gere operações de longa duração cujos resultados o cliente consulta, e MCP Apps permite que uma ferramenta devolva uma interface interativa, a abordagem de interface de usuário generativa que apresenta gráficos e formulários dentro da conversa.

Criar um servidor MCP#

O SDK MCP oficial para Python transforma uma função Python tipada numa ferramenta e gera o seu esquema JSON a partir das anotações de tipo. Encapsular a previsão do Ultralytics YOLO26 desta forma disponibiliza a deteção de objetos a qualquer anfitrião MCP: a ferramenta devolve Results.summary(), uma lista com o nome da classe, a confiança e as coordenadas da caixa de cada objeto, sobre a qual o modelo pode raciocinar. Aqui, um cliente no mesmo processo descobre e chama a ferramenta da mesma forma que um anfitrião faria:

import asyncio

from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
server = MCPServer("vision")


@server.tool()
def detect(image_url: str) -> list[dict]:
    """Detect objects in an image and return each object's class, confidence, and box."""
    results = model(image_url)
    return results[0].summary()


async def main():
    """Discover the server's tools and call one, as an MCP host does."""
    async with Client(server) as client:
        tools = await client.list_tools()
        print(tools.tools[0].name, tools.tools[0].input_schema)
        result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
        print(result.structured_content)


asyncio.run(main())

O primeiro print mostra o nome da ferramenta e o esquema de entrada que o modelo do anfitrião vê, o qual exige um argumento de string, image_url; o segundo mostra a lista de deteções devolvida como conteúdo estruturado.

  • Chamada de funções: A capacidade do modelo de emitir uma solicitação estruturada para uma ferramenta. O MCP padroniza a forma como as ferramentas são descobertas, descritas e executadas entre aplicações, e o anfitrião converte as definições das ferramentas MCP para o formato nativo de chamada de funções do modelo.
  • APIs: Uma API REST ou GraphQL serve os clientes de um serviço. Um servidor MCP muitas vezes encapsula uma API desse tipo e acrescenta os nomes, as descrições e os esquemas de que um modelo precisa para a utilizar sem código personalizado.
  • Geração aumentada por recuperação (RAG): Uma técnica para fundamentar respostas em documentos recuperados. O MCP é uma forma de disponibilizar essa recuperação, através de uma ferramenta de pesquisa ou de recursos anexados.
  • Protocolo Agent2Agent (A2A): Liga agentes a outros agentes para que possam delegar tarefas completas. O MCP liga um agente diretamente às ferramentas e aos dados que utiliza.
  • Competências de agentes: Pastas de instruções e scripts que um agente carrega para o seu contexto quando uma tarefa exige. As competências ensinam um agente a realizar uma tarefa, e os servidores MCP dão-lhe acesso em tempo real aos sistemas envolvidos, pelo que os agentes costumam utilizar ambos.

Aplicações no mundo real#

  • Programação agêntica: Os agentes de programação ligam-se ao GitHub, a sistemas de acompanhamento de problemas, bases de dados e navegadores através de servidores MCP; assim, perguntar por que motivo um início de sessão falha permite ao agente obter registos de erros, ler o código de autenticação e verificar problemas em aberto numa única sessão.
  • Assistentes empresariais: Os conectores a repositórios de documentos, sistemas de chat, gestão de solicitações e CRM permitem que um assistente responda a perguntas com base nos dados da empresa e registe atualizações em nome do usuário.
  • Inspeção visual: Um agente chama uma ferramenta de deteção numa imagem de uma câmara, consulta um servidor de inventário para encontrar peças de substituição quando deteta um componente danificado e redige uma solicitação de manutenção, transformando uma única previsão num fluxo de trabalho de automação completo.
  • Análise de dados: Os servidores de bases de dados expõem ferramentas de consulta somente de leitura, para que os analistas possam fazer perguntas em linguagem simples e obter respostas calculadas a partir de tabelas atualizadas.

Considerações de segurança#

Uma ferramenta MCP pode executar código arbitrário com as credenciais do usuário, pelo que cada ligação amplia aquilo que o modelo pode fazer e aquilo a que um atacante pode aceder. Os resultados das ferramentas e os recursos podem conter injeção de prompt, texto que tenta fazer o modelo chamar outras ferramentas ou divulgar dados; um servidor malicioso também pode ocultar instruções nas descrições das suas próprias ferramentas, num ataque conhecido como envenenamento de ferramentas. Os servidores remotos autenticam os usuários com autorização baseada em OAuth, e anfitriões cuidadosos limitam cada servidor às permissões necessárias, executam servidores locais em ambientes isolados e adicionam barreiras de proteção, como pedidos de aprovação antes de ações sensíveis. A especificação exige que os anfitriões obtenham o consentimento explícito do usuário antes de invocar qualquer ferramenta e tratem as descrições das ferramentas como não fiáveis, salvo se forem provenientes de um servidor fiável.

Explore as soluções

Visão computacional no desporto

Visão computacional no desporto

Descubra como o Ultralytics YOLO impulsiona a visão computacional no esporte com rastreamento de jogadores e bolas, análise de desempenho, insights para treinadores e reabilitação de atletas.
Saiba mais
Visão computacional para imagens aéreas

Visão computacional para imagens aéreas

Transforma imagens de drones e aéreas em informações em tempo real para a agricultura, a aquacultura, a conservação e a análise geoespacial com Ultralytics YOLO.
Saiba mais
Visão computacional no setor aeroespacial

Visão computacional no setor aeroespacial

Aplica visão computacional na indústria aeroespacial com Ultralytics YOLO para inspecionar aeronaves, detetar objetos estranhos na pista (FOD), apoiar operações aeroportuárias em terra e detetar defeitos em materiais compósitos.
Saiba mais
Visão computacional na segurança

Visão computacional na segurança

Protege todas as instalações com os modelos Ultralytics YOLO. A IA visual permite monitorizar perímetros, detetar ameaças, reconhecer matrículas e melhorar a segurança no local de trabalho.
Saiba mais
Visão computacional na robótica

Visão computacional na robótica

Potencia máquinas mais inteligentes com os modelos Ultralytics YOLO. A IA visual na robótica permite navegação autónoma, perceção, rastreamento de objetos e controlo em tempo real.
Saiba mais
Visão computacional na logística

Visão computacional na logística

Otimize a logística com os modelos Ultralytics YOLO. A IA de visão permite inspecionar pacotes, fazer triagem, rastrear veículos e monitorar a segurança em tempo real nos armazéns.
Saiba mais
Visão computacional no varejo

Visão computacional no varejo

Reinvente o varejo com os modelos Ultralytics YOLO. A IA de visão permite rastrear o estoque, monitorar prateleiras, gerenciar filas e obter insights mais inteligentes sobre clientes.
Saiba mais
Visão computacional na área da saúde

Visão computacional na área da saúde

Desenvolva soluções de saúde com os modelos Ultralytics YOLO. A IA de visão na área da saúde permite obter imagens médicas mais rapidamente, diagnósticos mais inteligentes e monitoramento de pacientes.
Saiba mais
Visão computacional na manufatura

Visão computacional na manufatura

Otimize a manufatura com modelos Ultralytics YOLO. A IA visual impulsiona o controle de qualidade, a detecção de defeitos, a conformidade com o uso de EPI e a automação da linha de montagem.
Saiba mais
Visão computacional no setor automotivo

Visão computacional no setor automotivo

Aplique visão computacional no setor automotivo com modelos Ultralytics YOLO. A IA visual aumenta a segurança viária, aprimora a assistência ao condutor e viabiliza a automação de veículos para estradas mais inteligentes.
Saiba mais
Visão computacional na agricultura

Visão computacional na agricultura

Leve a IA de visão à agricultura inteligente com os modelos Ultralytics YOLO. Aprimore o monitoramento de plantações, o rastreamento de animais e a agricultura de precisão para obter safras maiores e mais inteligentes.
Saiba mais

Vamos construir juntos o futuro da IA!

Comece sua jornada rumo ao futuro do aprendizado de máquina