MCP vs CLI: O Custo de Tokens na Janela de Contexto
ملخص
No servidor Pixel, este anúncio explica como definições de ferramentas MCP ocupam a janela de contexto antes de serem usadas e compara esse custo com CLIs chamadas sob demanda. Uma medição citada encontrou 11.923 tokens em quatro servidores MCP, contra 112 na skill da Apidog CLI, mostrando por que a escolha importa para a eficiência dos agentes.
DEV Community
MCP vs CLI: Por que servidores MCP consomem sua janela de contexto
MCP vs CLI se resume a quando o seu agente paga por uma ferramenta. Um servidor MCP envia o nome, a descrição e o JSON Schema de cada ferramenta para o modelo antes mesmo de você digitar qualquer coisa. Uma CLI não custa nada até que o agente a execute e leia seu --help ou a saída. Em uma configuração medida, quatro servidores MCP comuns adicionaram 11.923 tokens de definições de ferramentas; a skill da Apidog CLI adicionou 112. Experimente a Apidog hoje Essa diferença é toda a história por trás de dois posts no Dev.to nesta semana. Um desenvolvedor digitou "Run tests" em um agente de programação e viu 28.400 tokens de entrada na primeira requisição, sem arquivos anexados e sem histórico. O culpado eram sete servidores MCP. Outro argumentou que construir com MCP é extremamente simples, e que as partes difíceis (autenticação, aprovações, chamadas duplicadas) começam logo depois que a demo funciona. Este artigo se concentra em uma única pergunta: quanto as definições de ferramentas custam à sua janela de contexto, e quando uma CLI chamada sob demanda pelo agente custa menos? Se o seu problema são respostas enormes de ferramentas, leia o artigo complementar sobre como reduzir respostas de API infladas. Por que servidores MCP consomem tokens da janela de contexto Um servidor MCP anuncia suas ferramentas por meio do método tools/list. Segundo a especificação de ferramentas do MCP, cada ferramenta carrega um name, uma description e um inputSchema (um JSON Schema para seus argumentos). Para que o modelo escolha uma ferramenta, o cliente precisa colocar essas definições na requisição. Em uma configuração clássica, isso acontece a cada turno de cada conversa, independentemente de o agente chamar a ferramenta ou não. Então o custo cresce com três fatores: Quantidade de ferramentas. Uma integração completa com o GitHub pode expor dezenas de ferramentas. Profundidade do schema. Objetos aninhados, enums e descrições longas se transformam em tokens. Turnos. Um loop de agente envia as definições novamente a cada etapa. O post do necoz coloca números nisso: uma pilha com 52 ferramentas custou 24.600 tokens de schema no turno 1, contra 640 tokens para uma configuração com 4 ferramentas, e cerca de 246.000 tokens ao longo de um loop de 10 etapas. Trate esses números como a medição de um único desenvolvedor, não como um benchmark. O cache de prompt reduz o custo em dólares das definições repetidas, mas os tokens ainda ocupam a janela e competem com o seu código pela atenção do modelo. Há também um custo de qualidade. A documentação de busca de ferramentas da Anthropic diz que uma configuração multi-servidor com GitHub, Slack, Sentry, Grafana e Splunk "pode consumir ~55 mil tokens em definições antes de Claude fazer qualquer trabalho", e que a precisão de seleção de ferramentas de Claude degrada quando você passa de 30 a 50 ferramentas disponíveis. Tokens de definições de ferramentas MCP: uma medição que você pode repetir Em 16/11/2026, iniciei cinco servidores MCP localmente via stdio, enviei initialize e tools/list a partir de um script Node de 30 linhas e contei os tokens do name, da description e do inputSchema de cada ferramenta. Uma ressalva desde já: contei usando a codificação o200k_base do tiktoken da OpenAI porque ela funciona offline. Claude, Gemini e outros modelos usam seus próprios tokenizadores, então seus números diferirão por uma margem. O que importa aqui são as proporções entre as configurações. Servidor MCP (versão) Ferramentas Tokens de definição Média por ferramenta @playwright/mcp 0.0.85 25 4.634 185 @modelcontextprotocol/server-filesystem 2.3.0 16 3.281 205 @modelcontextprotocol/server-memory 2.1.1 9 2.013 224 @modelcontextprotocol/server-everything 2.3.0 16 1.995 125 Os quatro juntos 66 11.923 181 apidog-mcp-server 0.0.18 3 291 97 Quatro servidores comuns custaram cerca de 12.000 tokens antes de o agente ler um único arquivo. A última linha é o contraponto útil. O servidor MCP da Apidog expõe três ferramentas restrita...

Powered by Readybot.io