MCP: O Protocolo que Muda a Forma como Usamos IA

O Model Context Protocol (MCP) é um standard aberto introduzido pela Anthropic em Novembro de 2024 que define como aplicações de inteligência artificial se conectam a fontes de dados externas — ficheiros, bases de dados, APIs e ferramentas. É, em essência, um “USB-C para IA”: um protocolo standardizado que substitui as integrações custom ponto-a-ponto que até agora obrigavam cada aplicação de IA a falar individualmente com cada ferramenta.

Neste artigo

• Introdução — o que é MCP e o problema que resolve
• Arquitectura do protocolo
• Como funciona na prática
• Exemplo prático — servidor de ficheiros locais
• Servidores MCP populares
• Clientes MCP
• MCP vs RAG vs Function Calling
• Segurança e riscos
• Ecossistema e adopção
• Erros comuns e checklist

1. Introdução — o que é MCP e o problema que resolve

Antes do MCP, cada aplicação de IA que precisava de aceder a dados externos exigia uma integração dedicada com cada fonte. Se tem 5 aplicações de IA e 10 ferramentas, precisa de 50 integrações custom (N×M). Isto não escala — é caro, frágil e repetitivo.

O MCP resolve isto com um protocolo standard. Cada ferramenta expõe um servidor MCP (M integrações), e cada aplicação de IA implementa um cliente MCP (N integrações). Total: N+M em vez de N×M. Para o mesmo cenário acima, são 15 integrações em vez de 50.

A Anthropic open-sourced o protocolo em Novembro de 2024, com SDKs oficiais em TypeScript e Python. A especificação é pública e qualquer empresa pode implementar clientes ou servidores sem pagar licenças.

2. Arquitectura do protocolo

O MCP tem uma arquitectura cliente-servidor baseada em JSON-RPC 2.0, com comunicação sobre stdio (standard input/output) ou SSE (Server-Sent Events) para servidores remotos.

Componentes principais

Cliente MCP — a aplicação de IA que consome dados. Exemplos: Claude Desktop, VS Code (com Copilot), Cursor, Zed, Windsurf. O cliente liga-se a um ou mais servidores MCP e apresenta as capacidades descobertas ao modelo de IA.

Servidor MCP — programa que expõe capacidades ao cliente. Cada servidor tipicamente cobre uma fonte de dados ou ferramenta: sistema de ficheiros, GitHub, Slack, PostgreSQL, Google Drive, etc.

Protocolo — JSON-RPC 2.0 sobre stdio (local) ou SSE/HTTP (remoto). Mensagens são trocadas em JSON, com três tipos de capacidades:

• Resources — dados que o servidor expõe para leitura (ficheiros, registos de BD, resultados de query). O modelo pode lê-los como contexto.
• Tools — funções executáveis que o modelo pode invocar (criar issue no GitHub, enviar mensagem Slack, executar query SQL).
• Prompts — templates de prompt predefinidos que o servidor oferece, reutilizáveis pelo utilizador.

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/list",
  "params": {}
}

O cliente envia tools/list para descobrir que ferramentas o servidor oferece. O servidor responde com uma lista em JSON que descreve cada ferramenta — nome, descrição, schema de parâmetros. O modelo de IA usa essa descrição para decidir quando e como chamar cada ferramenta.

3. Como funciona na prática

O fluxo típico de uma sessão MCP é o seguinte:

1. Ligação — o cliente MCP arranca o servidor (processo local) ou liga-se via SSE (remoto).
2. Descoberta — cliente envia initialize e recebe as capacidades do servidor (resources, tools, prompts suportados).
3. Apresentação ao modelo — o cliente formata as ferramentas disponíveis e injecta-as no contexto do modelo de IA como funções disponíveis.
4. Invocação — quando o modelo decide usar uma ferramenta, gera uma chamada JSON-RPC (ex: tools/call com o nome e parâmetros).
5. Execução — o servidor executa a acção (ler ficheiro, chamar API, executar query) e devolve o resultado.
6. Resposta — o cliente entrega o resultado ao modelo, que o incorpora na sua resposta ao utilizador.

Tudo isto acontece automaticamente — o utilizador não precisa de configurar nada em tempo de execução. O modelo descobre as ferramentas disponíveis a partir do contexto e decide usá-las quando faz sentido.

4. Exemplo prático — servidor de ficheiros locais

O servidor MCP mais comum para começar é o filesystem server oficial da Anthropic. Permite que um modelo de IA leia e escreva ficheiros locais num directório autorizado.

Passo 1 — Instalar e configurar em claude_desktop_config.json:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "@anthropic/mcp-filesystem",
        "/home/utilizador/projetos"
      ]
    }
  }
}

Passo 2 — Reiniciar o Claude Desktop. O cliente liga-se ao servidor e o modelo passa a ter acesso de leitura/escrita aos ficheiros dentro de /home/utilizador/projetos.

Passo 3 — Usar. Pergunte ao Claude: “Lista os ficheiros no directório de projectos e resume o conteúdo do README.md”. O modelo vai usar as tools list_directory e read_file automaticamente.

5. Servidores MCP populares

O ecossistema de servidores MCP cresce rapidamente. A tabela seguinte lista os mais usados e as suas capacidades principais:

6. Clientes MCP

Qualquer aplicação pode implementar um cliente MCP. Os principais clientes actualmente disponíveis:

7. MCP vs RAG vs Function Calling

MCP, RAG e Function Calling são conceitos complementares, não mutuamente exclusivos. A tabela seguinte clarifica as diferenças:

Em resumo: MCP é o protocolo de transporte, RAG é um padrão de arquitectura para injecção de contexto, e Function Calling é o mecanismo pelo qual o modelo invoca funções. MCP pode incorporar tanto RAG (via resources) como function calling (via tools).

8. Segurança e riscos

Princípios de segurança MCP

• Princípio do mínimo privilégio — conceder apenas as permissões estritamente necessárias. Um servidor de ficheiros não precisa de acesso a todo o disco.
• Auditar código fonte — antes de instalar um servidor MCP, ler o código. Se for npm/pip package, verificar dependências.
• Isolamento — executar servidores em containers ou sandboxes quando possível. Não dar acesso à rede se não for necessário.
• Prompt injection — estar ciente de que ferramentas podem devolver conteúdo malicioso que engana o modelo. Não confiar cegamente em resultados de tools.
• Credenciais — nunca embutir tokens ou passwords em ficheiros de configuração MCP. Usar variáveis de ambiente ou cofres de segredos.
• Auditoria e logs — registar todas as invocações de tools para análise posterior em caso de incidente.

9. Ecossistema e adopção

A adopção do MCP tem sido notável. O que começou como um protocolo da Anthropic tornou-se num standard de facto adopted pela indústria:

• Anthropic — lançou o MCP em Novembro 2024 como open source, com SDKs em TypeScript e Python, e suporte nativo no Claude Desktop.
• OpenAI — anunciou suporte para MCP em Dezembro de 2025, integrando o protocolo nas suas APIs e ferramentas de agentes.
• Microsoft — Copilot e VS Code suportam MCP, permitindo que o Copilot use servidores MCP para aceder a ferramentas externas.
• Google — suporta MCP no Gemini e nas suas ferramentas de desenvolvimento de agentes.
• Editores de código — Cursor, Zed, Windsurf e Continue.dev implementaram clientes MCP, tornando-o ubíquo no desenvolvimento assistido por IA.

O MCP é agnóstico de modelo — não está ligado a nenhum LLM específico. Qualquer modelo que suporte function calling pode beneficiar de um cliente MCP. Isto é fundamental para a longevidade do standard: não fica refém de uma única empresa.

10. Erros comuns e checklist

Ao trabalhar com MCP, estes são os erros mais frequentes e como evitá-los:

Checklist de implementação MCP

• ✓ Verificar que Node.js e npm estão instalados (para servidores npx)
• ✓ Ler o código fonte do servidor MCP antes de instalar
• ✓ Restringir caminhos de ficheiros ao mínimo necessário
• ✓ Validar que o ficheiro de config é JSON válido
• ✓ Reiniciar o cliente após alterar a configuração
• ✓ Testar com uma pergunta simples antes de usar em produção
• ✓ Manter logs de invocação de tools para auditoria
• ✓ Usar variáveis de ambiente para credenciais, nunca no config
• ✓ Considerar isolamento em container para servidores de produção
• ✓ Manter servidores MCP actualizados com as últimas versões

Artigos relacionados

• Todos os artigos de IA no kbase.pt
• Ollama: Comparação de Modelos IA em 2026
• Hermes AI Agent com Ollama