An educational repository to practice and understand the Model Context Protocol
MCP Server — Projeto de Estudos
Sobre este projeto
Este repositório tem como objetivo praticar e entender na prática os conceitos do Model Context Protocol (MCP) — como criar servidores, expor ferramentas, conectar clientes e fazer a comunicação entre eles funcionar. Os exemplos aqui são intencionalmente simples para focar no aprendizado do protocolo em si, não na complexidade do domínio.
O que é o MCP
MCP (Model Context Protocol) é um protocolo aberto criado pela Anthropic (lançado em novembro de 2024) que padroniza a forma como modelos de linguagem (LLMs) se comunicam com ferramentas, dados e serviços externos.
A ideia central é simples: em vez de cada aplicação de IA ter sua própria forma proprietária de conectar o modelo a ferramentas, o MCP define um contrato universal — um "USB para IA".
Sem MCP: Com MCP:
Claude ── integração custom Claude ──┐
GPT ── integração custom GPT ──┼──► Servidor MCP ──► sua ferramenta
Cursor ── integração custom Cursor ──┘
Para que serve
Com o MCP, você cria um servidor MCP para o seu serviço uma única vez, e qualquer cliente MCP (Claude, Cursor, VS Code, sua própria aplicação) consegue se conectar e usar suas ferramentas automaticamente — sem reimplementar integrações para cada modelo ou produto.
Como funciona
O protocolo define três primitivas principais:
| Primitiva | O que é |
|---|---|
| Tools | Funções que o modelo pode chamar (ex: buscar notícias, executar SQL) |
| Resources | Dados que o modelo pode ler (ex: arquivos, registros de banco) |
| Prompts | Templates de prompt reutilizáveis expostos pelo servidor |
Fluxo básico
- Cliente conecta ao servidor MCP
- Cliente pergunta quais ferramentas estão disponíveis (
list_tools) - O LLM decide chamar uma ferramenta (
call_tool) - O servidor executa e devolve o resultado
- O resultado vira contexto para o LLM continuar o raciocínio
Transportes: stdio vs SSE
Esses são os dois principais meios de comunicação entre cliente e servidor.
stdio (Standard Input/Output)
O cliente inicia o servidor como um subprocesso e a comunicação acontece via stdin/stdout.
Cliente
└── spawn → server.py (processo filho)
├── stdin ← mensagens do cliente
└── stdout → respostas ao cliente
Quando usar:
- Ferramentas locais (acesso a arquivos, comandos do sistema, banco de dados local)
- Integrações em IDEs como Cursor e VS Code
- Quando cliente e servidor estão na mesma máquina
- Configuração mais simples, sem necessidade de rede
SSE (Server-Sent Events)
O servidor roda de forma independente como um processo HTTP. O cliente se conecta via URL. A comunicação usa HTTP — o cliente envia requests POST e recebe eventos via SSE (conexão persistente).
Cliente ──── HTTP POST ────► Servidor (http://localhost:8000/sse)
◄─── SSE events ────
Quando usar:
- Servidor precisa ser acessado por múltiplos clientes simultaneamente
- Servidor remoto (cloud, outro host)
- Integração com aplicações web
- Quando o servidor precisa ficar sempre disponível, independente do cliente
Comparativo
| stdio | SSE | |
|---|---|---|
| Onde roda | mesmo processo/máquina | processo independente, pode ser remoto |
| Ciclo de vida | nasce e morre com o cliente | roda continuamente |
| Múltiplos clientes | não | sim |
| Complexidade | menor | maior |
| Caso de uso típico | ferramentas locais, IDEs | serviços, APIs, produção |
Por que o MCP está tão em alta
1. Agentes de IA viraram realidade prática LLMs bons o suficiente para usar ferramentas de forma confiável só apareceram nos últimos 1-2 anos. O problema de "como conectar o modelo ao mundo real" deixou de ser teórico e virou urgente.
2. Fragmentação estava ficando insustentável Cada provedor (OpenAI, Anthropic, Google) tinha sua própria forma de function calling. Cada IDE, cada produto de IA reimplementava as mesmas integrações. O MCP veio resolver exatamente essa dor.
3. Adoção em cascata Cursor, VS Code (Copilot), Zed, Windsurf e outros editores adotaram MCP em poucos meses. Isso criou um ecossistema de servidores reutilizáveis — hoje existem centenas de servidores MCP públicos (GitHub, Slack, Postgres, etc.).
4. Baixa barreira de entrada
Com bibliotecas como fastmcp, criar um servidor MCP funcional é questão de minutos. Isso democratizou o acesso ao protocolo.
5. Definição de padrão da indústria Estamos na fase em que a indústria está definindo os protocolos que vão durar anos. O MCP tem chance real de se tornar o padrão de fato para integração de ferramentas com LLMs.
Configuration
{"mcpServers": {"mcp-study": {"command": "python", "args": ["path/to/server.py"]}}}