Pular para o conteúdo
LabS Atlas
Generative AI
Entrar

Model Context Protocol

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Model Context Protocol (MCP) é o protocolo aberto que padroniza como aplicações de IA se conectam a dados e ferramentas externas, como uma porta universal para o modelo. Criado pela Anthropic e lançado em dezembro de 2024, ele ataca um problema antigo: cada integração com uma fonte de dados exigia um conector próprio, e trocar de conexão significava refazer o trabalho.

A analogia mais usada é a do USB: assim como ele padronizou os conectores do hardware, o MCP padroniza como os conectores de IA conversam com o mundo externo, de modo agnóstico a modelo e fornecedor. Isso remove camadas intermediárias e leva o uso de ferramentas pelo modelo, antes resolvido caso a caso com Function Calling, para um contrato comum. O MCP não concorre com o protocolo A2A: um dá ao agente acesso às próprias ferramentas e recursos, o outro padroniza a conversa entre agentes distintos.

Arquitetura cliente-servidor, recursos e ferramentas

O protocolo segue uma arquitetura cliente-servidor com mensagens em JSON-RPC 2.0. Um host abriga clientes, e cada cliente mantém conexão com um servidor MCP. Como cada conector é um servidor separado, novos conectores entram sem afetar os demais. A conexão permanece estabelecida, o que evita reenviar todo o contexto a cada interação. Para fontes locais o transporte é STDIO (entrada e saída padrão); para APIs externas, HTTP com Server-Sent Events.

Um servidor expõe dois tipos de capacidade:

  • Recursos: dados que o modelo pode listar e ler, apenas para leitura, como arquivos, registros de banco de dados ou respostas de API.
  • Ferramentas: ações executáveis em sistemas externos, descritas por um esquema JSON, como criar um arquivo, enviar um e-mail ou realizar uma busca. O cliente lista as ferramentas disponíveis e as chama.

Há bibliotecas para várias linguagens; em Python, instalada via pip, basta declarar uma função como ferramenta, sem conversão de protocolo. Editores como Cursor funcionam como cliente.

Como o cliente escolhe a ferramenta

Com uma única ferramenta configurada, o cliente a aciona qualquer que seja o pedido. Com várias, o modelo lê o prompt e decide qual usar, ou se usa mais de uma. Num servidor com uma ferramenta que recomenda vinhos e outra que busca vinhos na web, um pedido por vinhos com nota acima de 90 levou o modelo a chamar as duas: a primeira não achou nada adequado e a segunda completou a resposta. O usuário descreve a necessidade e o cliente leva até a ferramenta certa.

Aplicações em RAG e no design

Em RAG, a busca de contexto pode ser exposta como um servidor MCP que devolve os trechos mais relevantes do banco vetorial. Os parâmetros podem diferir dos do chat da aplicação (cinco resultados com score mínimo de 0,6, contra três com 0,5), e a busca parte da pergunta já aumentada, não da consulta literal. Em Java com Spring Boot, achar imports compatíveis em bibliotecas instáveis foi o maior obstáculo, a ponto de a versão funcional ser congelada em backup. O Claude Desktop permite configurar um MCP local sem programar.

No design, o MCP conecta ferramentas de design, prototipação e código a uma mesma fonte de verdade, tornando um design system legível por IA utilizável por todas ao mesmo tempo.

Privacidade, custo e excesso de contexto

Persistir o contexto do usuário melhora respostas futuras, mas cria três desafios: privacidade, para guardar contexto sem expor dados sensíveis; custo computacional, que cresce com o tempo de retenção; e o ponto em que o contexto acumulado atrapalha a necessidade atual, tema ligado à Janela de Contexto e ao risco de antropomorfizar a IA. O critério depende da aplicação: um chatbot de RH pode descartar que alguém gosta de chocolate, enquanto numa IA generativa aberta a fronteira é menos clara.

Evolução ou mudança de paradigma

Uma leitura vê evolução incremental: frameworks anteriores já faziam papel parecido e a adoção cresce conforme grandes empresas aderem, como Cloudflare e Replit. A outra vê mudança de paradigma: a integração vira commodity e o esforço passa a ser escolher quais dados e ferramentas entregar ao modelo.