O MCP é um padrão de encaixe para apps de LLM: escreva um servidor de ferramentas uma vez, e qualquer client que entenda MCP pode usá-lo.
Como funciona
A especificação descreve três papéis que se comunicam com mensagens JSON-RPC 2.0:
- Hosts: “LLM applications that initiate connections” (tradução: aplicações de LLM que iniciam conexões), como um agente de IDE ou um app de chat.
- Clients: “Connectors within the host application” (tradução: conectores dentro da aplicação host), um por servidor.
- Servidores: “Services that provide context and capabilities.” (tradução: serviços que fornecem contexto e capacidades).
Os servidores podem oferecer tools (funções que o modelo pode executar), resources (dados e contexto) e prompts (modelos de mensagem). A especificação define dois transportes padrão: stdio, para um subprocesso local, e Streamable HTTP, em que cada mensagem é um POST HTTP e as respostas voltam como JSON ou como stream de server-sent events.
Para ferramentas, o client envia tools/list e recebe nomes, descrições e um inputSchema em JSON Schema. Ele repassa isso ao modelo como definições de ferramenta. Quando o modelo devolve uma chamada de ferramenta, o client envia tools/call com os argumentos e entrega o resultado de volta ao modelo.
{"jsonrpc": "2.0", "id": 2, "method": "tools/call",
"params": {"name": "get_weather", "arguments": {"location": "New York"}}}
O modelo nunca fala com o servidor MCP. Ele só vê definições e resultados de ferramentas, e é por isso que o MCP funciona com qualquer modelo que lide bem com tool calling.
Por que isso importa
- Reaproveitamento. Um único servidor de GitHub ou de banco de dados atende todo agente e editor que fala MCP.
- Custo em tokens. O nome, a descrição e o schema de cada ferramenta listada são enviados como entrada a cada turno. Muitos servidores com muitas ferramentas deixam toda requisição mais longa. Ative só o que a tarefa precisa.
- Segurança. A especificação diz que as ferramentas “represent arbitrary code execution” (tradução: representam execução de código arbitrário) e que os hosts devem obter o consentimento do usuário antes de invocar qualquer ferramenta. Os resultados das ferramentas também são uma porta de entrada para prompt injection.
Na BroadNet Inference
A documentação da BroadNet não lista um servidor MCP nem um endpoint específico de MCP. Você roda o MCP no seu client (Cline, Continue, opencode e outros) e aponta o modelo do client para a API compatível com a OpenAI da BroadNet. A documentação da BroadNet lista tool calling para GLM 5.3 e Qwen3.8 27B. O post sobre MCP com modelos compatíveis com a OpenAI mostra configurações de clients e uma ponte em Python.