MCP vs. API: qual é a diferença?

Uma API é a interface que um único serviço oferece a outros programas, com seus próprios endpoints, formatos de dados e regras de login. O MCP (Model Context Protocol) é um protocolo comum que permite que aplicações de IA descubram e usem ferramentas e dados de muitos serviços do mesmo jeito. Na prática, os dois trabalham juntos: um servidor MCP normalmente fica na frente da API de um serviço e a apresenta de uma forma que qualquer cliente de IA compatível com MCP consegue usar.

O que é uma API

Uma interface de programação de aplicações é um contrato publicado por um serviço. Um serviço de previsão do tempo, um provedor de pagamentos e um gerenciador de projetos documentam, cada um, os próprios endpoints, parâmetros e formas de autenticação. Um desenvolvedor lê essa documentação e escreve código para ela. A API de cada serviço é diferente, então cada integração é escrita separadamente.

O que o MCP acrescenta

O MCP é um padrão aberto para conectar aplicações de IA a sistemas externos. A documentação dele o compara a uma porta USB-C: um único conector padronizado, em vez de um cabo diferente para cada dispositivo. Quando a Anthropic o anunciou, em novembro de 2024, o problema apontado era que cada nova fonte de dados precisava de uma integração própria, feita sob medida, o que dificultava a escala de sistemas de IA conectados.

O MCP define:

• Papéis. Um host (a aplicação de IA, como o Claude Desktop ou o VS Code) cria um cliente para cada servidor; cada servidor oferece recursos.
• Um formato de mensagem. Todas as mensagens usam JSON-RPC 2.0.
• Transportes. stdio para um servidor que roda no seu computador e Streamable HTTP para um servidor na internet.
• Blocos. Tools (ações que o modelo pode chamar), resources (dados que a aplicação pode ler) e prompts (modelos que o usuário pode escolher).
• Descoberta. Um cliente pergunta ao servidor o que ele oferece, por exemplo com tools/list, e recebe o nome, a descrição e o schema de entrada de cada ferramenta em JSON Schema. Depois, chama uma ferramenta com tools/call.

O ponto principal é a descoberta em tempo de execução. Uma aplicação de IA não precisa de código escrito com antecedência para cada serviço. Ela se conecta, lê a lista de ferramentas e deixa o modelo decidir qual usar para o pedido em questão.

Comparação lado a lado

Como o MCP e as APIs trabalham juntos

A maioria dos servidores MCP é uma camada fina sobre APIs que já existem. O exemplo da própria documentação do MCP é o servidor do Sentry, que roda na plataforma do Sentry e é acessado via Streamable HTTP. Por trás dele, os próprios sistemas do Sentry fazem o trabalho. O primeiro lote de servidores open source da Anthropic, em 2024, incluía servidores para o GitHub e o Slack, e servidores como esses seguem o mesmo padrão: a API do serviço continua onde está, e o servidor faz a tradução entre ela e a aplicação de IA.

Alguns servidores MCP nem dependem de uma API remota. Um servidor de sistema de arquivos trabalha direto em pastas do seu computador, e um servidor de automação de navegador controla um navegador local. Eles cobrem tarefas gerais de sistema de arquivos e automação de navegador, e não um serviço específico.

MCP e function calling

As APIs dos provedores de modelos já permitem que um modelo chame funções. Na Claude API, por exemplo, você lista as ferramentas na requisição, cada uma com nome, descrição e schema de entrada. O Claude responde com um pedido estruturado para usar uma delas, o seu código a executa e você devolve o resultado.

Isso funciona bem dentro de uma única aplicação. O MCP leva as definições das ferramentas e o código que as executa para um servidor separado, de modo que as mesmas ferramentas podem ser reutilizadas pelo Claude Desktop, pelo Cursor, pelo VS Code, pelo ChatGPT e por outros clientes sem reescrevê-las. A Claude API também oferece um conector MCP que acessa servidores MCP remotos direto de uma requisição.

As camadas, então, são:

1. A API do serviço faz o trabalho de fato.
2. O servidor MCP a envolve em uma descrição padronizada de ferramentas e dados.
3. O cliente de IA se conecta ao servidor e oferece as ferramentas dele ao modelo.
4. O modelo escolhe uma ferramenta via function calling, e o cliente a executa via MCP.

Quando usar cada um

Chame uma API diretamente quando:

• você está escrevendo um programa comum, com uma sequência fixa de etapas;
• nenhum modelo está escolhendo o que fazer em seguida;
• você precisa de um endpoint ou de uma opção que nenhum servidor MCP expõe.

Use ou crie um servidor MCP quando:

• você quer que um assistente de IA trabalhe com o serviço durante a conversa;
• você quer a mesma integração em vários clientes de IA;
• você quer que o modelo veja uma lista clara e descrita das ações permitidas.

Se for criar um, nosso guia sobre como criar um servidor MCP cobre SDKs, transportes e testes.

Uma observação sobre segurança

Envolver uma API em MCP não a torna mais segura. Uma ferramenta MCP pode fazer tudo o que a chave de API ou a conta por trás dela permite, e é o modelo que decide quando chamá-la. A especificação do MCP pede que os hosts obtenham o consentimento do usuário antes de executar ferramentas e que tratem as descrições das ferramentas como não confiáveis, a menos que o servidor seja confiável. Antes de instalar um servidor, confira quais ações ele expõe e dê a ele a chave mais restrita possível. Nossas perguntas sobre segurança no MCP listam o que observar.

Encontre servidores para os serviços que você usa

O Kitbay lista servidores MCP por ferramenta, para você ver se um serviço tem servidor, quem o publica e se ele pode alterar dados. Se a ideia for nova para você, comece por o que é um servidor MCP, ou explore tarefas como busca na web.