5 MCPs que uso todo dia (Playwright, Firecrawl, Gemini, Sentry e Context7) — exemplos práticos

Conheça 5 MCPs que eu uso na prática, como aplico cada um e quando valem a pena no seu projeto. Dicas rápidas e exemplos reais.

A primeira vez que deixei um navegador ser controlado por um agente via MCPs, a sensação foi de confiança: menos “faz isso, faz aquilo” manual e mais fluxo repetível. Desde então, dobrei minha pilha ao redor de cinco MCPs que uso regularmente — e cada um resolve um tipo de problema que todo desenvolvedor conhece bem.

Começo sempre pelo Playwright. No meu fluxo, ele é o “braço” que interage com o front: abre páginas, checa textos, clica em botões e confirma alterações. Em projetos front-end, dar ao modelo a capacidade de agir no navegador (headless ou não) economiza horas de QA manual. O Playwright via MCP torna possível pedir à IA que altere um rótulo, rode um teste e verifique o resultado — tudo registrado com um contrato claro entre o client e o server.

Quando o desafio é extrair dados de sites com layout instável, eu recorro ao Firecrawl. Diferente de scrapers tradicionais, ele faz scraping semântico: trata conteúdo como Markdown ou JSON e deixa o LLM interpretar o que importa. Para o meu app de finanças quantitativas, o Firecrawl reduziu a fragilidade das capturas — mesmo quando o HTML muda, a busca semântica continua encontrando os números que preciso. O custo não é desprezível, mas para pipelines que demandam qualidade vale como investimento pontual.

O Gemini MCP Tool virou meu companheiro de leitura de código. Em vez de gastar tokens caríssimos pedindo ao modelo pesado para vasculhar repositórios, eu uso Gemini como camada pré-processadora: ele resume onde estão as funções, quais endpoints alimentam uma tela e aponta testes relacionados. Assim, o LLM mais caro só recebe o “filé” do contexto, reduzindo custos e acelerando entregas.

Monitoramento e resposta a erros é outro ponto crítico — e é aí que o Sentry via MCP entra. Ter um endpoint que retorna o issue, stacktrace e metadados direto para o agente transforma um alerta em ação: o modelo sugere a causa provável, busca a doc e propõe um patch inicial. Isso encurta o ciclo entre detecção e correção de bugs em produção.

Por fim, o Context7 funciona como minha fonte viva de documentação. Quando preciso garantir que o modelo use APIs e libs na versão correta, esse MCP fornece docs atualizadas que evitam “alucinações” do LLM. Em conjunto com validação de schemas, ele fecha o circuito de confiabilidade entre geração e execução.

Combinar esses MCPs me permite orquestrar agentes com responsabilidades claras: Playwright atua na UI, Firecrawl alimenta dados, Gemini organiza contexto de código, Sentry traz observabilidade e Context7 garante precisão documental. A consequência prática? Fluxos mais rápidos, menos tentativa-e-erro e modelos que de fato usam ferramentas — não só hallucinam respostas.

Se você está começando, minha sugestão é simples: escolha uma tarefa repetitiva (teste de UI, scraping ou triagem de erros) e implemente um MCP pilot. Meça ganho de tempo, custos e confiabilidade; depois, vá integrando os demais. No próximo guia eu mostro snippets práticos para registrar tools com Zod e como orquestrar permissões num MCP Gateway. Se curtiu, confira os tutoriais do Teck AI e se inscreva para não perder o passo a passo.

— Chip Spark