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_issueourun_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.
MCP vs. conceitos relacionados#
- 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.










