Se você usa IA pra programar, provavelmente já esbarrou na sigla MCP. Ela aparece nas configurações do Claude Code, do Cursor, do VS Code, em todo post de ferramenta nova. E quase sempre sem explicação, como se todo mundo já soubesse o que é.
Esse guia resolve isso. Você vai entender o que é o MCP, que problema ele resolve, como ele funciona por dentro e como usar (e criar) um servidor MCP na prática.
A gente também falou disso no Instagram. Se preferir ver em formato de carrossel, passa as imagens aqui:
O que é MCP
MCP é a sigla de Model Context Protocol, ou Protocolo de Contexto de Modelo. É um padrão aberto que define como aplicações de IA se conectam a ferramentas e fontes de dados externas: seus arquivos, um banco de dados, o GitHub, o Google Drive, uma API da sua empresa.
A comparação que a própria documentação usa é com o USB-C. Antes do USB-C, cada aparelho tinha seu cabo. Depois dele, um conector serve pra quase tudo. O MCP faz isso entre a IA e as ferramentas: quem cria uma integração escreve um servidor MCP uma vez, e ele funciona em qualquer aplicativo de IA compatível.
O protocolo foi lançado pela Anthropic, a empresa do Claude, em novembro de 2024, já como projeto de código aberto. Em pouco tempo OpenAI, Google e Microsoft passaram a suportar o padrão nos seus produtos. Em dezembro de 2025, a Anthropic doou o MCP pra Agentic AI Foundation, uma fundação criada dentro da Linux Foundation, o que deixou o protocolo sob governança neutra, sem dono único.
Que problema o MCP resolve
Um modelo de IA sozinho só sabe o que aprendeu no treinamento e o que você cola na conversa. Ele não enxerga seu repositório, não consulta seu banco, não lê seu calendário.
Antes do MCP, conectar uma IA a cada um desses sistemas exigia uma integração feita sob medida. E isso pra cada combinação: a integração do GitHub pro aplicativo A não servia pro aplicativo B. Com 10 aplicativos de IA e 100 ferramentas, eram até mil integrações diferentes pra manter.
Com um protocolo comum, a conta vira soma em vez de multiplicação. Cada ferramenta implementa o MCP uma vez, cada aplicativo de IA também, e todos conversam entre si.
Como o MCP funciona
A arquitetura tem três papéis:
- Host: o aplicativo de IA que você usa. Claude Desktop, Claude Code, Cursor, VS Code.
- Cliente: a parte do host que mantém a conexão com um servidor. O host cria um cliente pra cada servidor conectado.
- Servidor: o programa que dá acesso a uma ferramenta ou fonte de dados. Existe servidor MCP pro GitHub, pro Postgres, pro Figma, pro navegador, pro sistema de arquivos, e você pode escrever o seu.
Um servidor MCP pode oferecer três tipos de coisa:
- Tools (ferramentas): ações que a IA pode executar. "Criar issue", "rodar consulta SQL", "enviar mensagem". É o recurso mais usado.
- Resources (recursos): dados que a IA pode ler pra ter contexto, como o conteúdo de um arquivo ou o esquema de um banco.
- Prompts: modelos de instrução prontos que o servidor disponibiliza, como "revisar este pull request".
A comunicação usa mensagens JSON-RPC, um formato simples de pedido e resposta. Elas trafegam de dois jeitos: pelo stdio, quando o servidor roda na sua própria máquina como um processo local, ou por HTTP, quando o servidor está na internet.
Num uso típico, o fluxo é assim: você pede "abre uma issue com esse bug" no Claude Code. O modelo vê que existe uma ferramenta create_issue vinda do servidor do GitHub, decide usá-la, o cliente manda o pedido pro servidor, o servidor chama a API do GitHub e devolve o resultado, que volta pro modelo continuar a conversa.
MCP, API e function calling: qual a diferença
API é a porta de entrada de um serviço específico, cada uma com seu formato. O servidor MCP normalmente usa APIs por baixo. A diferença é que ele embrulha essa API num formato padrão que qualquer IA compatível entende, com descrição de cada ferramenta e de seus parâmetros.
Function calling (ou tool use) é a capacidade do modelo de pedir pra chamar uma função. O MCP não substitui isso, ele se apoia nisso. O function calling é como o modelo pede pra usar uma ferramenta. O MCP é o jeito padronizado de descobrir quais ferramentas existem, conectar e executar.
Como usar MCP no Claude Code
No Claude Code, você adiciona um servidor MCP com um comando no terminal. Pra um servidor remoto, via HTTP:
claude mcp add --transport http nome-do-servidor https://endereco-do-servidor/mcp
O nome é você que escolhe. Se o servidor pedir login, você autentica de dentro do Claude Code com o comando /mcp. Pra conferir o que está conectado, use claude mcp list.
Dá pra escolher o alcance da configuração. Com --scope project, o servidor fica salvo num arquivo .mcp.json na raiz do projeto, e todo mundo do time que abrir o projeto recebe a mesma configuração. Com --scope user, ele vale pra todos os seus projetos.
Alguns servidores que valem testar logo no começo: o do GitHub (issues e pull requests sem sair do terminal), um de banco de dados como o Postgres (a IA consulta o esquema real em vez de adivinhar) e um de navegador como o Playwright (a IA abre a página e testa a interface que acabou de criar).
Como criar um servidor MCP
Criar um servidor simples é mais fácil do que parece. Existem SDKs oficiais em várias linguagens, incluindo TypeScript e Python. Esse exemplo em TypeScript cria um servidor com uma ferramenta de previsão do tempo (com dado fixo, pra focar no formato):
import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";
const server = new McpServer({ name: "clima", version: "1.0.0" });
server.registerTool(
"previsao",
{
description: "Retorna a previsão do tempo de amanhã para uma cidade",
inputSchema: { cidade: z.string() },
},
async ({ cidade }) => ({
content: [{ type: "text", text: `Amanhã em ${cidade}: 27 °C e sol.` }],
}),
);
await server.connect(new StdioServerTransport());
Repara que a parte mais importante é a description. É lendo essa descrição que o modelo decide quando usar a ferramenta. Uma descrição vaga faz a IA ignorar a ferramenta ou usar na hora errada.
Pra testar, existe o MCP Inspector, uma ferramenta oficial que conecta no seu servidor e deixa você chamar cada ferramenta manualmente antes de plugar numa IA de verdade.
Cuidados de segurança com MCP
Um servidor MCP roda com as permissões que você der pra ele, e a IA vai usar o que ele oferecer. Então:
- Instale servidores de fontes confiáveis. Um servidor MCP é código rodando no seu computador ou com acesso às suas contas. Trate como qualquer dependência: veja quem mantém e o que ele faz.
- Dê o acesso mínimo. Se a tarefa é só ler o banco, use um usuário de banco sem permissão de escrita.
- Cuidado com conteúdo de fora. Se um servidor traz e-mails, páginas da web ou issues públicas pra conversa, esse texto pode conter instruções disfarçadas tentando manipular a IA (o chamado prompt injection). Prefira hosts que pedem sua confirmação antes de ações sensíveis.
Perguntas frequentes sobre MCP
O MCP é só pro Claude?
Não. Ele foi criado pela Anthropic, mas é um padrão aberto e hoje é mantido sob a Linux Foundation. OpenAI, Google, Microsoft e vários editores de código, como Cursor e VS Code, suportam MCP.
MCP é gratuito?
O protocolo é aberto e gratuito, assim como os SDKs oficiais. O que pode ter custo é o serviço por trás de um servidor específico, ou o uso do modelo de IA que está chamando as ferramentas.
Preciso saber programar pra usar MCP?
Pra usar servidores prontos, quase nada: em geral é colar um comando ou um trecho de configuração. Pra criar seu próprio servidor, sim, mas o básico de TypeScript ou Python já resolve.
Qual a diferença entre MCP e um plugin?
Um plugin costuma funcionar num aplicativo só. Um servidor MCP segue um padrão comum e funciona em qualquer aplicativo de IA compatível, do Claude Code ao Cursor.
O que significa a sigla MCP?
Model Context Protocol, que em português seria Protocolo de Contexto de Modelo. O nome vem da ideia de dar contexto ao modelo de IA: acesso aos dados e ferramentas que ele precisa pra trabalhar.
Do MCP aos agentes: aprenda a construir com IA
O MCP é uma das peças que transformam a IA de um chat num assistente que realmente trabalha no seu projeto. Se você quer ir além de usar e passar a construir com essas ferramentas, a Formação IA e automações da Dev em Dobro ensina fundamentos de IA, automações e integração de APIs com projetos práticos. Ela está na página de formações e faz parte do Dobro Pass.
Leia também: Agentes de IA: o que são e como criar e Engenharia de prompt: o que é e como fazer.