Como criar um servidor MCP para a API interna da sua empresa (e o que deixar de fora)

Fala aí, beleza? Existe um sistema na sua empresa que nenhum MCP pronto do mundo conhece

Pode ser o ERP que só roda na rede interna, o painel de pedidos que o time construiu lá atrás, a API de faturamento que ninguém documentou direito

O agente de IA só vira útil de verdade quando ele enxerga o que é SEU, e a ponte pra isso é um servidor MCP escrito por você

Esse post não é copy-paste de código, beleza? É sobre a parte que dá errado antes do código: decidir o que da sua API vira ferramenta, como descrever cada uma pro modelo entender, e o que fica de fora porque o risco não compensa

Servidor MCP pronto x servidor MCP caseiro: quando escolher cada um

Antes de sair codando, a pergunta honesta: alguém já não fez isso?

Se o sistema é um SaaS popular, provavelmente sim. Se é interno, provavelmente não, e aí não tem escapatória

O critério fecha assim: API interna sem integração pública tende pro caseiro, SaaS popular tende pro pronto

E tem um detalhe que quase ninguém considera na hora de somar mais um servidor na lista: isso não é de graça

Formação Recomendada

Formação Claude Code

Domine Claude Code do absoluto zero até o avançado

• 116 aulas
• 4 projetos
• 9h 23min

Conhecer formação

A Anthropic cita um cenário de cinco servidores MCP conectados com 58 ferramentas consumindo cerca de 55 mil tokens antes mesmo da conversa começar. E relata já ter visto definições de ferramentas consumirem 134 mil tokens antes da otimização

A maioria dos clientes MCP carrega todas as definições de ferramenta no contexto de forma antecipada, então cada tool que você inventa fica lá ocupando espaço mesmo quando não é chamada

Se a sua dúvida é entre montar o seu ou usar um conjunto de MCPs prontos já embutidos no cliente, o raciocínio é o mesmo: o pronto ganha em manutenção, o caseiro ganha em controle

Quais ações da sua API viram ferramenta (e quais viram resource ou prompt)

O MCP tem três primitivas: tools (ações), resources (contexto somente leitura) e prompts (templates reutilizáveis)

Muita gente joga tudo em tool e depois reclama que o agente se perde. Faz sentido, né? Se tudo é ação, nada é contexto

O mapeamento pro mundo de uma API interna fica mais ou menos assim:

• Ação com efeito vira tool: criar chamado, atualizar status do pedido, disparar reprocessamento de fatura
• Consulta somente leitura e documento de referência cabem em resource: a tabela de códigos de status, o glossário de campos do ERP, o payload de exemplo que todo mundo do time cola no Slack
• Fluxo repetitivo do time vira prompt: aquele roteiro de "levanta os chamados abertos, agrupa por cliente e escreve o resumo pro daily"

E aqui vai o critério prático mais importante: uma ferramenta por INTENÇÃO do usuário, não um endpoint por rota

Sua API tem dezenas de rotas? Ótimo. Isso não significa dezenas de tools. O agente não pensa em REST, ele pensa em "quero saber o status desse pedido"

Se você já monta seu próprio fluxo de prompts no Claude Code, a primitiva de prompts do MCP é a versão compartilhável disso: o mesmo roteiro, mas disponível pra qualquer pessoa que conectar no servidor

Nome de ferramenta ruim é bug de produto:

A Anthropic recomenda namespacing com prefixo unificado, por serviço (asana_search, jira_search) ou por recurso (asana_projects_search, asana_users_search)

Parece bobo até o dia em que você tem uma tool chamada buscar no seu MCP e outra chamada buscar em um servidor conectado ao mesmo agente

Aí ele chuta. E chuta errado 🙂

Cuidado com o tamanho da resposta:

A recomendação é manter as respostas das ferramentas abaixo de 25.000 tokens pra ter desempenho ideal

Se o seu endpoint interno devolve um JSON gigante, com dezenas de campos por item, não repasse cru. Filtre no servidor, devolva só o que importa pra intenção daquela ferramenta

A API interna é sua, então você tem o luxo de escolher o que sai

O que deixar de fora do seu MCP por risco

Essa é a seção que ninguém escreve e todo mundo precisa

Criar servidor MCP é fácil, o difícil é ter disciplina pra NÃO expor coisa

Lista de exclusão consciente:

• Operação destrutiva em massa: deletar em lote, resetar ambiente, cancelar todos os pedidos de um filtro. Os rm -rf da vida não precisam de uma interface conversacional
• Endpoint que expõe dado sensível de terceiro: se a rota devolve dado de outro cliente, de outro usuário ou informação pessoal que não é do solicitante, ela não vira tool
• Qualquer coisa que dependa de repassar o token do cliente

Esse último merece parágrafo próprio

Token passthrough é antipadrão, e é proibido:

A especificação de autorização do MCP é dura nesse ponto: o servidor MUST aceitar apenas tokens destinados a ele, MUST rejeitar tokens que não o incluam na claim de audience e MUST NOT repassar o token recebido do cliente ao chamar APIs upstream

Ou seja: aquele atalho gostoso de pegar o token que chegou e mandar direto pra API interna? Fora

O servidor precisa da credencial DELE pra falar com a sua API

Confused deputy, o problema do servidor que virou proxy:

Quando o seu servidor MCP atua como proxy pra uma API de terceiro, aparece a vulnerabilidade de confused deputy

As boas práticas de segurança do MCP exigem que esses proxies mantenham um registro de client_id aprovados por usuário, consultem esse registro ANTES de iniciar o fluxo de autorização e guardem as decisões de consentimento de forma segura

Tome cuidado aqui: é exatamente o tipo de coisa que funciona lindamente no teste e vira incidente em produção

E as annotations não te salvam:

A spec é explícita: todas as propriedades de ToolAnnotations são apenas hints, não garantem descrição fiel do comportamento da ferramenta, e clientes nunca devem tomar decisão de uso de ferramenta com base em annotations vindas de servidores não confiáveis

Annotation é sinalização, não trava de segurança. A trava mora no seu código

O que você precisa antes de começar

Checklist curto, sem enrolação:

• Uma linguagem com SDK oficial: os SDKs Tier 1 (Python, TypeScript, Go e C#) já foram atualizados pra especificação 2026-07-28. O SDK de Rust suporta a nova spec em beta e o SDK oficial de Ruby chegou à versão 1.0.0 com API pública estável
• Acesso à documentação da API interna: se ninguém sabe o que a rota faz, o modelo também não vai saber
• Uma credencial de serviço própria do servidor: não a do usuário, lembra do token passthrough?
• Decisão de transporte: stdio pra processo local e HTTP (Streamable HTTP/SSE) pra servidor remoto, com o mesmo payload JSON-RPC nos dois
• Claude Code instalado como cliente de teste, pra você validar sem depender de mais ninguém

A especificação atual está publicada em modelcontextprotocol.io e vale a leitura antes de começar: ela trouxe núcleo stateless, requisições multi round-trip, roteamento por header, listas cacheáveis (as respostas de listagem passam a carregar os campos ttlMs e cacheScope), endurecimento de autorização e um framework formal de extensões

Passo a passo: do endpoint interno à ferramenta que o modelo entende

1. Escolha de 3 a 5 ações de maior valor. Não comece pelo catálogo completo da API. Erro comum deste passo: mapear todas as rotas "pra já deixar pronto" e afogar o contexto do agente antes do primeiro teste

2. Nomeie com prefixo por serviço ou por recurso, no estilo asana_search ou asana_projects_search. Erro comum: nome genérico tipo buscar ou listar, que colide com ferramenta de outro servidor conectado

3. Escreva a descrição explícita: quando usar aquela ferramenta, quais parâmetros são obrigatórios, quais são opcionais e qual o formato de saída esperado

Isso não é detalhe cosmético: a Anthropic afirma que refinamentos precisos nas descrições das ferramentas levaram o Claude Sonnet 3.5 a performance estado da arte no SWE-bench Verified, reduzindo drasticamente taxas de erro

Erro comum: descrição de uma linha copiada do nome do endpoint, que não diz ao modelo QUANDO chamar

4. Preencha as annotations: title, readOnlyHint, destructiveHint, idempotentHint e openWorldHint. A orientação é marcar readOnlyHint: true nas ferramentas somente leitura e destructiveHint: false nas operações apenas aditivas. Erro comum: deixar em branco achando que o padrão é seguro. Quando readOnlyHint não é especificado, o cliente deve assumir false

5. Enxugue a resposta pra menos de 25.000 tokens. Erro comum: devolver o JSON bruto da API interna e descobrir depois que uma única chamada comeu a janela inteira

6. Aproveite ttlMs e cacheScope nas listagens. Na spec 2026-07-28, as respostas de tools/list, prompts/list, resources/list e resources/read passam a carregar esses campos, deixando o cliente decidir a estratégia de cache e evitar re-fetch desnecessário. Erro comum: ignorar isso e pagar listagem repetida à toa

7. Escolha o transporte e registre no Claude Code. A adição é feita com o comando claude mcp add: pra endpoint https:// usa-se –transport http, pra endpoints com Server-Sent Events usa-se –transport sse, e stdio é pro servidor que roda na mesma máquina. Na configuração JSON, o campo type aceita streamable-http como alias de http. Erro comum: apontar transporte HTTP pra um servidor que na verdade roda local por stdio

8. Defina o escopo. Cada comando de adição grava no escopo local por padrão. Com –scope project o servidor vai pro arquivo .mcp.json na raiz do projeto, compartilhado com o time. Com –scope user ele fica disponível em todos os seus projetos, junto do escopo local, no ~/.claude.json. Erro comum: subir pro .mcp.json do time um servidor que ainda nem foi validado, e todo mundo herdar seu experimento

Deu errado: os problemas mais comuns ao plugar seu MCP

O comando que te salva primeiro é esse:

claude mcp list

Ele mostra o status de saúde ao lado de cada servidor, como Connected, Needs authentication ou Failed to connect

Sintoma: Failed to connect

Causa provável: transporte ou comando errado. Servidor local registrado como HTTP, endpoint com typo, processo que nem sobe

Correção: inspecione a configuração daquele servidor específico

claude mcp get nome-do-servidor

Se estiver errado, remove e adiciona de novo com o transporte certo

claude mcp remove nome-do-servidor

Prevenção: valide o servidor sozinho antes de registrar em qualquer cliente

Sintoma: Needs authentication

Causa provável: fluxo de autorização incompleto

Correção: revise o lado do servidor, principalmente a validação de audience. Lembra que ele MUST rejeitar token que não o inclua na claim de audience?

Prevenção: trate autorização como parte do design da ferramenta, não como remendo do final

Sintoma: o agente chama a ferramenta errada

Causa provável: nome sem prefixo e descrição vaga. As duas coisas juntas, quase sempre

Correção: renomeie com namespacing e reescreva a descrição dizendo QUANDO usar, com parâmetros obrigatórios e opcionais explícitos

Prevenção: leia sua própria descrição fingindo que você nunca viu a API. Se você hesitaria, o modelo também hesita

Sintoma: contexto estourado por ferramenta demais

Causa provável: servidor virou espelho da API inteira

Correção: corta. Sério. Volta pras 3 a 5 ações de maior valor e transforma o resto em resource quando for só leitura de referência

Prevenção: restrinja também pelo lado das permissões. Os nomes de ferramentas MCP seguem o padrão mcp__{nome_do_servidor}__{nome_da_ferramenta}, onde a chave em mcpServers vira o segmento do nome do servidor

As regras de permissão aceitam glob apenas depois do prefixo literal mcp__servidor__, e o segmento do servidor precisa ser livre de glob

Então mcp__puppeteer__ cobre todas as ferramentas daquele servidor, e mcp__github__get_ cobre só as que começam com get_

É um jeito bem prático de liberar leitura e segurar escrita 😀

Na prática: o que aprendi conectando um agente a um MCP

No vídeo abaixo eu monto um agente de IA com MCP no n8n do zero, e vários aprendizados de lá valem igualzinho quando o servidor é seu e a API é interna

Eu tinha feito um vídeo anterior só apresentando a funcionalidade de MCP, e o pessoal pediu a implementação completa. Aí resolvi montar o fluxo inteiro

A primeira decisão foi de propósito: evitei exemplo aleatório. Escolhi um caso com utilidade real, porque MCP em cima de exemplo bobo não ensina nada

O servidor que eu monto expõe três ações ligadas a e-mail: buscar mensagens, gerar um resumo delas em um documento e enviar uma resposta quando o resumo indicar necessidade

O cenário é o de quem trabalha em empresa, não tem tempo de acompanhar a caixa de entrada, mas precisa saber o que chegou no dia

Repare que são TRÊS ações, cada uma com intenção clara. É exatamente o mesmo raciocínio de escolher de 3 a 5 ferramentas da sua API interna

Algumas coisas que eu faço lá e recomendo carregar pro seu servidor:

• Construo cada parte separada em vez de criar tudo junto, por organização. Fica MUITO mais fácil achar onde quebrou
• Renomeio o caminho da URL gerada pelo gatilho, trocando o valor aleatório por um nome descritivo, pra identificar o serviço só de bater o olho
• Renomeio os nós com nomes descritivos em vez de deixar o nome padrão. Nome descritivo é a mesma disciplina do namespacing das tools
• Filtro por caixa de entrada na busca de e-mails, senão o fluxo traz mensagem enviada pelo próprio usuário. Escopo mal definido devolve lixo, e a IA acredita no lixo
• Deixo o intervalo de datas pra IA preencher, porque lidar com data na mão é a parte chata haha

Sobre credencial: a do Google é a parte mais trabalhosa do processo todo, tanto que eu opto por não detalhar cada passo pra não estender demais o vídeo. Já a da OpenAI é bem mais simples, exige só uma chave de API

E eu oriento criar uma chave nova quando você não tem a antiga guardada. Evito deixar chave circulando por aí, não quero dar acesso pra outras pessoas sem perceber

Um aviso que salva tempo: ativar o serviço é obrigatório. Sem ativar, o MCP não é acessível por consumidor nenhum, nem local nem externo. Já vi gente debugando cliente por meia hora com o servidor desligado

A parte que eu mais recomendo copiar é essa: antes de integrar com qualquer serviço externo, eu construo um agente de teste no PRÓPRIO n8n

Um mock pra validar o MCP e só depois distribuir o serviço pra outras pessoas

O motivo é simples: quando você testa direto no serviço externo e dá erro, você fica sem saber se o problema está no MCP ou no outro lado. Validando no mesmo ambiente, a resposta chega rápido

Pra validar eu escolho um modelo mini, com o raciocínio de que, se funciona no mais econômico, deve funcionar nos mais avançados

Também adiciono memória ao agente, porque sem ela cada mensagem do chat é tratada como conversa nova e o histórico da interação se perde

E salvo o fluxo com frequência ao longo da construção, já que perder trabalho é péssimo 😛

No fim eu mostro o mesmo servidor sendo consumido FORA do n8n, justamente pra provar que o MCP pode ser externalizado

Esse é o ponto que amarra tudo com a API interna da sua empresa: você constrói em cima de um caso de uso real, valida primeiro com um agente montado no mesmo ambiente, ativa o serviço, testa ponta a ponta, e só então distribui pros outros consumidores

Vale assistir antes de escrever o seu próprio servidor, porque lá dá pra ver a sequência inteira acontecendo: definir as ações, montar parte por parte, ativar, testar com um agente local e só depois externalizar

Comece pequeno: uma ferramenta de leitura antes de tudo

Se você chegou até aqui querendo criar servidor MCP pra API interna, o próximo passo é bem menor do que parece

Escolhe UMA consulta somente leitura da sua API. Uma só

Expõe como tool com readOnlyHint: true, descrição explícita de quando usar e resposta enxuta

Registra no escopo local, que é o padrão, e roda claude mcp list pra ver o Connected aparecer

Usa por alguns dias, ajusta a descrição quando o modelo errar a chamada, valida com uma ou duas pessoas do time

Só então promove pro –scope project e deixa no .mcp.json compartilhado

A partir daí, cada nova ferramenta entra respondendo uma pergunta única: essa intenção existe de verdade no dia a dia do time?

Porque ferramenta a mais é contexto a menos, e contexto a menos é agente pior

Revisa a lista antes de crescer o servidor, beleza? Até o próximo post!