Material complementar:

• Conteúdo no YouTube: Acesse

Conceito:

Model Context Protocol é conector e padronizador entre modelos de IA e dados, atribuindo padrões de conexão/features e limites de resposta, permitindo controle e personalização do que IA pode fazer e como faz. Possibilita que diferentes modelos de IA integram-se padronizadamente com diferentes fontes de dados, proporcionando experiência mais consistente, personalizada e segura. Técnicamente, MCP atua como receptor de requisições do modelo de IA, redirecionando-as, via endpoints, para fontes de dados apropriadas e respostas específicas.

Cenários:

• Sem MCP: modelo de IA comunica-se especificamente com cada fonte de dados, de formas diferentes, sem limites nem padronização de resposta;
• Com MCP: modelo de IA comunica-se padronizadamente com servidor MCP, que conecta-se padronizadamente com diferentes fontes de dados, proporcionando respostas com dados de forma personalizada e limitada nos padrões definidos.

Tipos de MCP:

• MCP Server: servidor que gerencia comunicação entre modelos de IA e dados;
• MCP Client: MCP Client: modelos LLMs de IA (ChatGPT, Claude, Copilot);
• MCP Registry: Ambientes "loja" de servidores MCP.

Componentes de servidor MCP:

• Tools: como extensões do servidor para IAs (ex: tool para buscar arquivos, tool para consultar API, tool para executar SQL);
• Resources: dados disponíveis ao modelo de IA, já prontos em cotexto, dispensando buscas (como uma apostila pra IA consultar sempre que precisar);
• Prompts: o que IA realmente vê, contexto final que chega no modelo, já montando com contexto do usuário, resources relevantes e tools disponíveis. Baseado nesse prompt, IA gerará resposta.

Fluxo:

Usuário pede à IA, que contata servidor, que busca dados e retorna à IA, e então ao usuário.

De forma simples, modelo LLM IA diz ao servidor MCP "Busca no BD e gere relatório", e servidor MCP realiza todas tarefas solicitadas no dataset alvo (BD).

1. Usuário envia pergunta em prompt;
   • Prompt "Qual o status dos pedidos de hoje?".
2. Modelo LLM IA recebe prompt com contexto;
   • Modelo LLM recebe prompt junto com informações de contexto (histórico de pedidos).
3. Servidor MCP consulta Context Agent;
   • MCP encaminha prompt para Context Agent, responsável por acessar dados específicos.
4. Context Agent conecta com serviço real (local dos dados);
   • Context Agent faz consulta SQL no banco de dados local de pedidos ou em sistema ERP.
5. Resposta volta para modelo LLM IA;
   • Context Agent retorna dados encontrados para modelo LLM IA.
6. Modelo LLM IA gera resposta final, em linguagem natural, ao usuário.
   • Resposta: "Hoje, 12 pedidos foram concluídos e 3 estão em processamento".

Arquitetura de fluxo de dados:

• MCP SSE (Server-Sent Events): baseado em HTTP para servidores MCP remotos;
• MCP STDIO (Standard Input/Output): baseado em fluxos entrada/saída do próprio SO, para integração local de componentes em mesmo sistema.

---

Exemplo prático:

Baixar servidor MCP do GitHub para atuar em conjunto com Copilot (GPT-5), via VSCode. Utilizável para gerenciar operações no GitHub, via AI Agent.
Agente IA <-> Servidor MCP <-> Fonte de dados
Copilot <-> GitHub MCP <-> GitHub

Implementação:

1. Baixar servidor MCP GitHub (https://code.visualstudio.com/mcp), e autorizar acesso;
2. Ver servidor executando (Ctrl+ShiftP, "MCP listar servidores");
   • Mostrar JSON de configuração;
3. Abrir projeto GitHub local no VSCode;
4. Abrir Copilot Chat (Ctrl+Alt+i), modo Agent GPT-5, inserir prompt;
   • Prompt: "List my 10 GitHub commits from this project".
5. Listará 10 commits nesse projeto em que VSCode está aberto.