MCP: o que é? O Model Context Protocol explicado

#MCP em um parágrafo

Um modelo de linguagem, sozinho, consegue produzir apenas texto a partir do que aprendeu e do que está contido no prompt. Para consultar sua agenda, consultar a base de dados da empresa ou abrir um documento, ele precisa de uma ponte com o exterior. Antes do MCP, cada aplicativo construía suas próprias pontes: um formato de plugin por assistente, outro por editor de código, outro por framework de agentes. O MCP substitui tudo isso por uma única especificação. O criador de uma ferramenta escreve um servidor MCP, e qualquer aplicativo compatível pode utilizá-lo. A analogia habitual é a do USB-C: um conector, muitos dispositivos.

Em dezembro de 2025, a Anthropic confiou o protocolo à Agentic AI Foundation, abrigada pela Linux Foundation. Portanto, o MCP não pertence mais a uma empresa de software, o que explica em parte a velocidade de sua adoção.

• A especificação oficial do Model Context Protocol
• Anúncio original da Anthropic (novembro de 2024)

#Host, cliente, servidor: quem faz o quê

As mensagens trocadas usam JSON-RPC 2.0. Na inicialização, cada cliente pergunta ao seu servidor o que ele sabe fazer. O servidor responde com uma lista de capacidades, cada uma com um nome, uma descrição em linguagem comum e um esquema JSON que descreve seus parâmetros. O host transmite essas descrições ao modelo. Quando o modelo considera que uma ferramenta seria útil, ele gera uma chamada estruturada; o cliente a transmite ao servidor, que a executa e retorna o resultado à conversa.

#O que um servidor MCP pode oferecer

Na prática, a maioria dos servidores oferece apenas ferramentas, e é isso que normalmente se entende por "MCP". O protocolo também prevê funções no sentido oposto: o sampling, em que um servidor solicita ao host que seu modelo gere texto, e a elicitação, em que um servidor pede ao usuário uma informação que falta durante a execução, em vez de falhar ou adivinhar.

#Adoção e governança, um ano depois

A mudança aconteceu em poucos meses. Em março de 2025, Sam Altman escreveu que os usuários adoravam o MCP e que a OpenAI estava adicionando suporte ao protocolo em seus produtos; ChatGPT, o SDK Agents e a API Responses o integraram posteriormente. Em abril de 2025, Demis Hassabis confirmou que o Gemini e as ferramentas do Google DeepMind passariam a oferecer suporte ao MCP, classificando o protocolo como um padrão emergente para a era dos agentes. A Microsoft seguiu com a integração ao Copilot Studio e, depois, com o anúncio de suporte nativo e seguro no Windows 11.

Em 9 de dezembro de 2025, a Linux Foundation criou a Agentic AI Foundation (AAIF): Anthropic, Block e OpenAI são seus membros fundadores, e AWS, Bloomberg, Cloudflare e Google se juntaram a ela. MCP, o protocolo A2A do Google e um projeto da Block estão hospedados lado a lado, sob a mesma governança neutra que Kubernetes ou PyTorch. Essa mudança responde a uma crítica frequente de 2025: um padrão “aberto”, mas no qual um único fornecedor de software mantinha o controle das decisões. Para um leitor que monta uma stack local, a consequência prática é dupla: menos risco de uma escolha unilateral da Anthropic quebrar um servidor existente e mais colaboradores ativos para manter os kits de desenvolvimento (SDK) oficiais Python, TypeScript, Java, C# e Rust utilizados pelos servidores da comunidade.

#Local ou remoto: os dois transportes

stdio

O host inicia o servidor como um subprocesso local e se comunica com ele pela entrada e pela saída padrão. Nada passa pela rede. Esse é o modo usado na maioria das instalações desktop e a escolha natural para uma configuração privada.

Streamable HTTP

O servidor roda como um serviço web, possivelmente em outra máquina, com autenticação convencional. Esse transporte substituiu o antigo par HTTP e SSE nas revisões de 2025 da especificação.

#MCP, function calling, API: as diferenças

O MCP não substitui o function calling, ele se baseia nele. O modelo ainda precisa saber gerar uma chamada de ferramenta correta. O MCP padroniza tudo o que envolve esse momento: como as ferramentas são listadas, descritas, autorizadas e executadas. Um servidor MCP é, com muita frequência, uma camada fina sobre uma API existente.

#MCP com um modelo local: o verdadeiro custo

O MCP independe do modelo. Com um host compatível e um modelo local treinado para fazer chamadas de ferramentas, todo o ciclo roda na sua máquina. Duas restrições passam então a pesar muito mais do que na nuvem.

Primeira restrição: as descrições de ferramentas consomem contexto, e o contexto consome VRAM. Cada ferramenta conectada injeta seu nome, sua descrição e seu esquema no prompt, a cada rodada. Calcule de 100 a 300 tokens por ferramenta e de 10 a 30 ferramentas por servidor popular. Com alguns servidores, vários milhares de tokens são gastos antes de você digitar uma palavra. Em um provedor de nuvem, isso aparece como um item na fatura. Na sua GPU, esse consumo ocupa espaço no cache KV, dentro de uma VRAM cuja capacidade não aumenta.

Em uma placa de 16 GB que executa um modelo de 13 GB, 2,4 GB de descrições de ferramentas fazem a diferença entre uma sessão que funciona e um erro de memória. A regra prática para uso local: conecte apenas os servidores úteis para a tarefa atual e prefira os que expõem algumas ferramentas bem descritas aos que disponibilizam toda a sua API.

Segunda restrição: os modelos pequenos escolhem pior. Selecionar a ferramenta certa entre trinta e preencher corretamente seu esquema é uma habilidade que depende do tamanho e do treinamento. Abaixo de aproximadamente 8 bilhões de parâmetros, erros na escolha de ferramentas e parâmetros inventados tornam-se frequentes.

• O tutorial: conectar servidores MCP ao Ollama
• MCP e plugins no LM Studio
• Os melhores LLMs locais para agentes e chamada de ferramentas
• Reduzir o custo do contexto: quantizar o cache KV

#Segurança: o que os tutoriais esquecem

Um servidor MCP é um programa que roda com as suas permissões, alimentado por texto produzido por um modelo. Três riscos merecem ser compreendidos antes de instalar qualquer coisa.

Injeção de prompt

Se uma ferramenta retorna conteúdo vindo de fora (uma página web, um e-mail, um comentário), esse conteúdo pode conter instruções destinadas ao modelo. Um modelo que lê texto não confiável e pode agir é um alvo.

Envenenamento de ferramentas

Um servidor malicioso pode esconder instruções na descrição de suas próprias ferramentas, que o modelo lê e que o usuário geralmente nunca vê.

Permissões amplas demais

Um servidor de arquivos configurado para acessar seu diretório pessoal dá ao modelo acesso a esse diretório.

As medidas de proteção não têm nada de espetacular: instalar servidores de origem conhecida, limitar cada um ao escopo mais restrito possível, manter a solicitação de confirmação para tudo que grava ou envia e evitar misturar, em uma mesma sessão, acesso a dados privados e leitura de conteúdo não confiável.

• Os servidores de referência mantidos pelo projeto MCP

#Você precisa disso?

Exemplo concreto: o catálogo QuelLLM também está disponível por meio de um servidor MCP de código aberto. Um assistente conectado a ele responde a « qual modelo cabe em uma placa de 16 GB » com base em dados atualizados, e não em sua memória.

• A API pública e o servidor MCP do QuelLLM
• O kit Agentes locais: criar um agente com ferramentas de ponta a ponta

#FAQ