O que é MCP em IA e LLMs, e como os modelos de linguagem o utilizam?

Última revisão: 9 de setembro de 2026

Como um LLM utiliza o MCP na prática?

Um LLM usa MCP por meio de um aplicativo host que lida com o protocolo em nome do modelo; o próprio modelo vê apenas uma lista de descrições de ferramentas e os resultados das chamadas que escolhe fazer. A especificação atual, versão de protocolo 2026-07-28, define essa troca em cinco camadas.

• Participantes: host, cliente, servidor - O host MCP é o aplicativo de IA (Claude Desktop, Claude Code, VS Code, Cursor, ChatGPT). Ele cria um cliente MCP para cada servidor MCP ao qual se conecta, e cada cliente mantém uma conexão dedicada. Portanto, o VS Code de um engenheiro de localização pode executar três clientes simultaneamente: um para o servidor do GitHub, um para um servidor de sistema de arquivos local e um para o servidor remoto da Smartling.
• Camada de transporte: stdio ou HTTP Streamable - Servidores locais são executados como um processo filho e se comunicam por meio de entrada/saída padrão; servidores remotos são executados na infraestrutura do fornecedor e aceitam solicitações HTTP POST com Eventos Enviados pelo Servidor (Server-Sent Events) opcionais. A especificação recomenda o OAuth para servidores remotos, razão pela qual a Smartling migrou novas conexões para um login de navegador OAuth 2.1 em 3 de agosto de 2026, e por que a orientação da OpenAI recomenda o OAuth com Documentos de Metadados de ID do Cliente para servidores conectados ao ChatGPT.
• Camada de dados: JSON-RPC 2.0 - Cada mensagem é uma solicitação, resposta ou notificação JSON-RPC. Desde a versão 2026-07-28, o protocolo é sem estado: não há handshake de inicialização, cada solicitação carrega sua versão do protocolo e as capacidades do cliente em um campo _meta , e os servidores devem implementar uma única chamada server/discover que anuncia suas versões e capacidades suportadas.
• Primitivos: ferramentas, recursos, prompts, elicitação - Os servidores expõem três primitivos: ferramentas (funções executáveis), recursos (dados contextuais como um glossário ou um esquema) e prompts (modelos reutilizáveis). Cada um possui os métodos */list e */get , além tools/call para execução. Os clientes expõem a capacidade de solicitar informações, o que permite que um servidor peça ao usuário confirmação ou informação ausente antes de agir. A amostragem, as raízes e o registro de logs foram descontinuados em 28/07/2026 e permanecerão utilizáveis por um período mínimo de doze meses.
• O ciclo de decisão do modelo : o host busca tools/list de cada servidor conectado, mescla os resultados em um único registro de ferramentas e entrega esse registro ao modelo. Quando o modelo emite uma chamada de ferramenta, o host a encaminha para o cliente correto, executa tools/call e anexa o conteúdo retornado à conversa. A especificação solicita que os servidores retornem as ferramentas em uma ordem determinística, justamente para que esse registro permaneça estável e o cache de prompts do LLM continue sendo acessado.

MCP em números

Como funciona uma chamada da ferramenta MCP, passo a passo?

Uma única solicitação de tradução de um assistente de IA passa por cinco etapas de protocolo, e compreendê-las explica a maior parte do que um agente conectado ao MCP pode e não pode fazer.

1. Descoberta - O cliente MCP do host envia server/discover (ou simplesmente sua primeira solicitação, já que cada solicitação carrega a versão do protocolo em _meta) para aprender quais primitivas o servidor suporta e quais versões ele aceita. Uma incompatibilidade de versões retorna um erro UnsupportedProtocolVersionError e o cliente tenta novamente com uma versão mutuamente compatível.
2. Listagem de ferramentas - O cliente chama tools/list e recebe o nome, título, descrição e esquema JSON inputSchema de cada ferramenta. O servidor da Smartling, por exemplo, retorna ferramentas para tradução de texto, consultas a glossários e memórias de tradução, recuperação de projetos e tarefas, marcação de strings e autorização de tarefas, cada uma com uma descrição que o modelo lê para decidir quando usá-la.
3. Seleção de modelo - O host combina as listas de ferramentas de todos os servidores conectados em um único registro e o passa para o LLM. Quando um usuário digita "traduzir isto para alemão usando a tradução automática da Smartling e o Glossário de Marketing", o modelo seleciona as ferramentas correspondentes; a central de ajuda da Smartling deixa claro que, sem mencionar a Smartling no prompt, o modelo geralmente recorre a uma tradução genérica.
4. Execução e confirmação - O host emite tools/call com os argumentos do modelo. Normalmente, os hosts mostram ao usuário cada chamada antes de sua execução (a documentação da Smartling descreve o processo de clicar em Continuar para cada ferramenta), e a API Responses da OpenAI expõe o mesmo controle que require_approval e allowed_tools em uma definição de ferramenta MCP. Se o servidor precisar de mais informações, ele retorna um resultado input_required e o cliente tenta novamente com a resposta do usuário.
5. Contextualização do resultado - O servidor retorna uma matriz content (texto, conteúdo estruturado ou um link de recurso), e o host a anexa à conversa para que o modelo possa raciocinar sobre ela. Os resultados de tools/list contêm uma dica de atualização ttlMs para que o host possa armazená-los em cache em vez de listar as ferramentas novamente a cada requisição.

Quais são as aplicações práticas do MCP em sistemas de IA atualmente?

• Agentes de codificação como Claude Code, OpenAI Codex, Cursor e Visual Studio Code leem um repositório através do servidor do GitHub e enviam arquivos de recursos para uma plataforma de tradução na mesma sessão.
• Assistentes de bate-papo corporativos que consultam bancos de dados internos e repositórios de conhecimento por meio de um servidor remoto com OAuth, em vez de cada equipe colar dados na janela de bate-papo.
• Tradução instantânea e alinhada à marca dentro de uma ferramenta de IA: o servidor da Smartling aplica o glossário, o guia de estilo e a memória de tradução do cliente por meio da API de tradução automática, e clientes com acesso ao shell podem traduzir arquivos do Word, PowerPoint e PDF por meio de um link de upload com prazo de entrega de 15 minutos.
• Ferramentas de design que atuam em plataformas externas: o Claude Code, que gera um aplicativo web a partir de um design do Figma, é uma das aplicações citadas pelo próprio projeto MCP, e o agente do Figma se conecta a servidores MCP remotos como conectores personalizados (veja como o agente de IA do Figma usa o MCP para localização).
• Operações de conta por meio de prompts: recuperação de tarefas de um projeto, marcação de textos ou autorização de uma tarefa de tradução a partir de uma interface de chat, em vez de um login no painel de controle.

Quando o MCP não é a escolha certa para integração?

• Pipelines determinísticos sem modelo no processo. Um job de CI/CD que envia o arquivo strings.json a cada merge deve chamar uma API REST ou CLI diretamente; o MCP adiciona uma avaliação do modelo sobre qual ferramenta chamar, o que representa uma sobrecarga quando a sequência é fixa.
• Delegação de agente para agente. A documentação do A2A é direta quanto à divisão: MCP é para agentes que usam ferramentas, enquanto A2A é para agentes que colaboram em tarefas com estado e múltiplas interações por meio de cartões de agente publicados. Um agente de atendimento ao cliente que encaminha um caso para um agente de cobrança está no âmbito do atendimento direto ao cliente (A2A).
• Trabalho que deve permanecer registrado em um sistema de documentação. O caminho MCP da Smartling retorna resultados instantâneos de tradução automática (MT) ou tradução automática de longo prazo (LLM) que não são salvos na memória de tradução e não passam por nenhum fluxo de trabalho de revisão humana; o conteúdo que precisa ser inserido em uma tarefa de tradução deve estar no MCP da CLI da Smartling, em um conector ou na API.
• Ambientes exclusivamente de chat que já possuem integração nativa. Uma equipe que trabalha inteiramente dentro do ChatGPT pode obter uma experiência mais completa com o plugin ChatGPT da Smartling, que abrange gerenciamento de tarefas e resolução de problemas de qualidade, além da tradução.

Qual a diferença entre MCP e uma API, chamadas de função, plugins do ChatGPT e A2A?

MCP vs. API: qual é a diferença real?
Uma API é a interface que um sistema expõe aos desenvolvedores; MCP é o protocolo que descreve essas interfaces para um modelo de linguagem. Um servidor MCP geralmente encapsula uma API existente (o servidor da Smartling chama a API MT da Smartling) e adiciona o que um LLM precisa e uma API bruta não oferece: uma descrição em linguagem natural para cada ferramenta, um esquema JSON para argumentos, uma tools/list para descoberta e uma tools/call uniforme para execução. Os desenvolvedores ainda integram uma API escrevendo código; um modelo integra um servidor MCP lendo sua lista de ferramentas.

MCP versus chamada de função: são a mesma coisa?
Não. A chamada de função é um recurso do fornecedor do modelo, no qual o desenvolvedor define funções na solicitação da API e executa as chamadas retornadas em seu próprio código. O MCP padroniza a mesma ideia entre fornecedores e move a implementação para um servidor que o host chama para você; a API de Respostas da OpenAI torna a distinção visível, oferecendo uma ferramenta de função e um type: "mcp" que recebe um server_url. A própria descrição do projeto A2A sobre o MCP como "semelhante à chamada de função em Grandes Modelos de Linguagem" captura a relação: mesma forma, mas portátil e detectável.

MCP ou A2A: qual protocolo eu preciso?
Use MCP quando um agente precisar usar uma ferramenta ou ler um recurso; use A2A quando dois agentes autônomos precisarem se descobrir, negociar e compartilhar uma tarefa de longa duração. A documentação da A2A denomina MCP como a camada vertical (agente para ferramenta) e A2A como a camada horizontal (agente para agente), e seu cenário de referência apresenta um agente mecânico usando o MCP para seu scanner de diagnóstico enquanto utiliza a A2A para solicitar peças de um agente fornecedor. A maioria dos sistemas de produção utiliza ambos.

MCP versus um plugin ChatGPT: um plugin é apenas o MCP com um nome diferente?
Não do lado do comprador. Um plugin do ChatGPT é distribuído através do diretório de plugins da OpenAI e funciona apenas dentro do ChatGPT, enquanto um servidor MCP é adicionado a qualquer host MCP por meio de um URL. A documentação para desenvolvedores da OpenAI descreve servidores MCP remotos como uma forma de alimentar um plugin, permitindo que ambos compartilhem a infraestrutura interna, mas permanecem produtos separados com caminhos de instalação e escopos distintos. A Smartling oferece ambas as opções; a comparação está em nosso guia para o servidor MCP da Smartling.

MCP versus SDK do fornecedor: por que não usar simplesmente o SDK?
Um SDK (a Smartling publica SDKs para Java, Python e Node.js) destina-se a desenvolvedores que escrevem código de aplicação para um único fornecedor. MCP é um gerenciador de nível de linha (LLM) que seleciona ações em tempo de execução em diversos fornecedores. Se um humano estiver escrevendo a integração, o SDK geralmente é mais rápido; se um modelo estiver decidindo o que fazer em seguida, somente o MCP fornece as descrições e os esquemas para que ele tome uma decisão adequada.

Quais "outros protocolos de comunicação de IA" são de fato protocolos?
Somente MCP e A2A são protocolos abertos, governados por fundações, com especificações publicadas e SDKs de múltiplos fornecedores. Chamadas de função, plugins e conectores são recursos de um produto da plataforma de um único fornecedor. Os compradores que comparam "protocolos de IA" devem perguntar se o que está sendo comparado possui uma especificação que qualquer pessoa possa implementar.

De que forma o MCP influencia o desenvolvimento de agentes de IA e como a Smartling o aplica?

O MCP molda o desenvolvimento de agentes ao fixar a fronteira entre o modelo e o mundo exterior no nível do protocolo, de modo que os criadores de agentes parem de escrever código de integração personalizado e comecem a tomar decisões no nível do protocolo. A especificação de 28/07/2026 mostra onde essas decisões se encontram agora: um design sem estado significa que um agente pode escalar horizontalmente por trás de um balanceador de carga sem afinidade de sessão; a ordenação determinística tools/list e as dicas de cache ttlMs permitem que um host mantenha o cache de prompts do modelo aquecido entre as execuções; a extensão de tarefas fornece às solicitações de longa duração um identificador durável para sondagem em vez de uma chamada bloqueante; a solicitação por meio de solicitações de múltiplas idas e vindas oferece a um servidor uma maneira padrão de pedir ao usuário a confirmação antes de uma ação consequente; e a mudança da especificação de autorização do Registro Dinâmico de Cliente para Documentos de Metadados de ID do Cliente impulsiona a identidade do agente em direção aos padrões OAuth que as empresas já auditam. Na prática, o efeito disso é que as capacidades de um agente passam a ser uma escolha de configuração (quais servidores conectar, quais ferramentas permitir, para o que exigir aprovação) em vez de um código-fonte.

O servidor MCP da Smartling é um exemplo prático da aplicação dessas escolhas à localização. Trata-se de um servidor HTTP Streamable remoto em mcp.smartling.com/mcp. Listado no diretório de conectores de Claude, que autentica novas conexões por meio de um login de navegador OAuth 2.1 e restringe o acesso a todas as ferramentas às permissões Smartling do usuário conectado, sendo que as ferramentas completas em nível de conta exigem a função de Proprietário da Conta. Sua lista de ferramentas oferece ao agente tradução instantânea de texto por meio da API de tradução automática da Smartling, com glossário, guia de estilo e contexto de memória de tradução aplicados; tradução de arquivos de documentos Word, PowerPoint e PDF em clientes com suporte a shell, como Claude Code e OpenAI Codex, por meio de um link de upload de 15 minutos; recuperação de glossários, guias de estilo, memória de tradução, projetos, tarefas e usuários; e ações de conta, incluindo marcação de strings, autorização de tarefas e adição de strings a uma tarefa existente. Os hosts podem desativar ferramentas individuais, o que, na prática, corresponde ao padrão allowed-tools. Como o servidor é deliberadamente configurado para tradução instantânea e acesso à conta principalmente para leitura, o conteúdo que precisa entrar em um fluxo de trabalho de tradução usa o MCP da CLI da Smartling ou um conector. Os passos de configuração para Claude Code, OpenAI Codex, Visual Studio Code, Cursor e Claude Desktop, bem como a lista de verificação para avaliação, estão no nosso guia para o servidor MCP da Smartling para tradução por IA.

Questões relacionadas

• Quais são os diferentes tipos de servidores MCP e quais deles são importantes para uma equipe de localização?
• O que é o servidor MCP da Smartling para tradução por IA e como ele funciona?
• Como usar o agente de IA e o MCP do Figma para gerenciar traduções sem sair do arquivo de design?
• O que é o plugin da Smartling para o ChatGPT e como ele funciona?