escrito por Suane Vallim
5 minutos de leitura
O Model Context Protocol (MCP) é um padrão aberto lançado pela Anthropic em 2024. Ele foi desenvolvido para conectar modelos de linguagem — como o GitHub Copilot — a ferramentas e fontes externas de forma eficiente. Isso permite criar integrações mais consistentes e escaláveis dentro do ambiente de desenvolvimento.
Desde que comecei a utilizar o MCP, notei um aumento significativo na minha produtividade. Consegui reduzir a repetição de prompts e automatizar diversas tarefas que antes exigiam esforço manual. Neste artigo, compartilho dois servidores MCP que venho usando com frequência e que têm gerado um impacto real no meu dia a dia.
Antes do MCP, integrar modelos de linguagem a ferramentas externas exigia soluções personalizadas, o que dificultava a manutenção. Com o MCP, o Copilot consegue acessar dados externos de forma estruturada, o que simplifica o processo e melhora o desempenho.
O mcp-taskmanager é um servidor MCP que permite ao Copilot gerenciar tarefas de forma organizada. Ele opera em duas etapas principais:
Esse servidor é útil para automatizar tarefas repetitivas e manter o controle do progresso em projetos de desenvolvimento.
O sequentialthinking é um servidor MCP que auxilia o Copilot a manter uma linha de raciocínio lógica e estruturada. Ele permite:
Esse servidor é ideal para projetos que envolvem múltiplas etapas ou decisões encadeadas.
Com o uso combinado do taskmanager e do sequentialthinking, percebi que o GitHub Copilot consegue estruturar melhor o raciocínio nas tarefas. Quando escrevo um prompt mais amplo, ele o divide em pequenas etapas e organiza a execução de forma sequencial. A cada tarefa concluída, o Copilot pergunta se pode continuar ou se desejo revisar algo, o que me dá mais controle e permite ajustes rápidos sem perder o contexto.
Esse fluxo tem sido especialmente útil em atividades repetitivas e cansativas, como escrever testes unitários, criar mocks ou realizar alterações mecânicas no código. Agora, consigo manter a clareza mental e revisar o trabalho com mais facilidade.
É possível configurar o MCP diretamente no settings.json do VS Code. Isso permite definir os servidores como comandos prontos para execução via npx, facilitando o uso em diferentes projetos. Veja um exemplo:
"mcp": {
"inputs": [],
"servers": {
"Sequential Thinking": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]
},
"taskmanager": {
"command": "npx",
"args": ["-y", "@kazuph/mcp-taskmanager"]
}
}
}
Com essa configuração, o VS Code pode iniciar os servidores automaticamente ao abrir o projeto, sem a necessidade de execução manual.
Além dos MCPs, também é possível personalizar o comportamento do Copilot utilizando um arquivo de instruções. Basta criar um arquivo chamado copilot-instructions.md dentro da pasta .github, na raiz do projeto. Esse arquivo funciona como um guia de estilo ou conjunto de regras que o Copilot leva em conta ao sugerir código.
Para ativar essa funcionalidade, adicione a seguinte configuração no settings.json:
"github.copilot.chat.codeGeneration.useInstructionFiles": true
Outra opção útil é a configuração:
"github.copilot.chat.testGeneration.instructions"
Ela é voltada especificamente para testes automatizados. Com essa configuração, é possível orientar o Copilot a seguir boas práticas definidas pela equipe — ou por você mesmo — reduzindo o risco de sugestões incoerentes, testes redundantes ou criações desnecessárias.
O GitHub Copilot já oferece uma experiência completa na sugestão de código. Com a adição do MCP, ele se torna ainda mais inteligente, capaz de considerar informações externas, automatizar tarefas e manter uma linha de raciocínio mais clara.
Mais do que uma melhoria pontual, o MCP abre caminho para uma nova forma de trabalhar com inteligência artificial no desenvolvimento. Ferramentas como o taskmanager e o sequentialthinking mostram como é possível estruturar ideias de maneira mais organizada, dividir tarefas com mais lógica e tornar o fluxo de trabalho mais natural.
Para equipes de desenvolvimento, essas integrações ajudam a manter o foco no que realmente importa e a distribuir melhor o trabalho. Não é necessário investir em grandes estruturas ou configurações complexas — a implementação é simples e pode ser feita mesmo em projetos menores.
Vale muito a pena explorar. Com um pouco de configuração, já é possível perceber os ganhos no dia a dia. E quanto mais cedo você começar, mais preparado estará para o futuro do uso de IA no desenvolvimento de software.