MCP, CLI y habilidades juntas: una pila de conectividad para agentes de producción.

Demos definió el año 2024, coding agents definió 2025, y 2026 será el año en que los agentes de conocimiento general y de trabajo lleguen a la producción. Se informa que el Model Context Protocol ha alcanzado alrededor de 110 millones de descargas mensuales, un hito que logró más rápido que React. Sin embargo, a medida que los agentes asumen flujos de trabajo empresariales que abarcan múltiples aplicaciones SaaS y unidades de almacenamiento compartidas, surge un punto constante: la conectividad no es algo único. Quien afirme que existe una única solución, ya sea el uso de computadoras, MCP o la línea de comandos, está exagerando. Los agentes potentes no eligen uno solo; utilizan toda la capa de conectividad al mismo tiempo.

Tres capas

Habilidades, CLI y MCP resuelven un problema diferente cada uno, y cada uno está diseñado de forma distinta.

• Las habilidades incorporan conocimiento específico del dominio. Son instrucciones procedimentales reutilizables, generalmente archivos en formato Markdown, que enseñan a un modelo cómo utilizar herramientas. Se transfieren entre clientes y proporcionan el contexto necesario para tareas complejas. Las escriben los humanos o las generan agentes, y se cargan desde directorios locales como .claude/skills/ o desde repositorios remotos.
• CLI, o uso de la computadora, corresponde a la ejecución local al estilo Unix. Se integra bien, consume pocos tokens (alrededor de 200 por respuesta) y se beneficia del entrenamiento previo del modelo en herramientas como git, gh y curl. Se obtienen herramientas CLI instalando binarios comunes a través de un gestor de paquetes.

MCP es el tejido conectivo. Ofrece una semántica rica, independencia de la plataforma y características empresariales como OAuth, políticas de gobernanza y registros de auditoría. Un servidor se define en código, por ejemplo server.py o server.ts, junto con herramientas, recursos y comandos, y comunica mediante JSON-RPC 2.0 a través de HTTP o SSE.

Cuándo MCP es la opción adecuada

Recurre a MCP cuando necesitas semántica avanzada, autorización y independencia de la plataforma. Adopta un enfoque determinista basado en esquemas para la selección de herramientas, con mecanismos de gobernanza y registros de auditoría integrados. El costo radica en el contexto: una configuración ingenua que carga todos los esquemas de herramientas de antemano puede consumir entre 44,000 y 55,000 tokens, y cada respuesta es un objeto JSON tipado completo, útil para el análisis programático pero que consume muchos tokens.

Para quienes desarrollan servidores, el consejo es utilizar nombres descriptivos para las funciones y parámetros, y anotar cada parámetro con una descripción. Los modelos funcionan mejor y más rápido cuando saben exactamente qué se espera de ellos.

# Annotated Tool Definitions
from typing import Annotated
from datetime import date
from enum import Enum

class Category(str, Enum):
    TRAVEL = "travel"
    MEALS = "meals"
    OFFICE = "office"

def submit_expense(
    amount: Annotated[float, "The expense amount in USD"],
    date: Annotated[date, "Date of the expense in YYYY-MM-DD format"],
    category: Annotated[Category, "The expense category"]
) -> str:
    """Submits a new expense report for approval."""
    pass

Cuándo usar la CLI

Si la herramienta ya está presente en los datos de preentrenamiento del modelo, como ocurre con Git o la CLI de GitHub, la ejecución desde la línea de comandos es muy eficaz. El modelo puede concatenar comandos mediante tuberías y redirecciones, e iterar sobre errores de forma económica. En lugar de recibir un enorme paquete JSON, puede filtrar con jq y obtener solo lo que necesita, una respuesta compacta de aproximadamente 200 tokens.

Descubrimiento progresivo

La mayor mejora en la mayoría de los sistemas de agentes es el descubrimiento progresivo. En lugar de incluir todas las herramientas en la ventana de contexto, se pospone su carga hasta que el modelo realmente las necesite. Proporciónale la capacidad tool_search para que pueda buscar herramientas de forma dinámica, lo que permite reducir el uso de contexto en aproximadamente cinco veces.

Llamadas programáticas a herramientas

Cuando un modelo debe orquestar varios herramientas, no haga que las llame una tras otra, ya que cada paso incrementa la latencia de inferencia. Utilice la llamada programática a herramientas, también conocida como Modo de Código. Proporcione un REPL como un entorno aislado de V8 o un entorno de pruebas de Python y permita que el modelo escriba un script que combine las herramientas. El script se escribe una sola vez y ejecuta toda la secuencia, lo que reduce significativamente la latencia.

// Programmatic Tool Calling (Code Mode)
// Instead of multiple sequential LLM turns, the model writes this script once:
const issue = await mcp.call_tool("linear_get_issue", { id: "ENG-5121" });
const prs = await mcp.call_tool("github_list_prs", { repo: "frontend" });

// Use structured output to enforce types
const expectedType = z.object({ title: z.string(), status: z.string() }).passthrough();
const typedIssue = await extract("claude-haiku-4-5", expectedType, issue);py

Desarrollo para agentes

Los creadores de servidores deben dejar de mapear las API REST de forma uno a uno a los servidores MCP y diseñar desde el principio para agentes. Tres hábitos ayudan: desarrollar herramientas con una intención clara, como se haría con una interfaz para una persona; exponer entornos de ejecución, como lo hace Cloudflare MCP, para que un modelo pueda orquestar flujos de trabajo complejos en código; y publicar una aplicación MCP: utilizar la semántica de MCP para entregar recursos de interfaz, es decir, HTML, JavaScript y CSS, a través de la red, de modo que el servidor pueda renderizar su propia interfaz dentro del cliente.

Qué viene para MCP

El ecosistema avanza rápidamente para satisfacer las necesidades empresariales y escalar, y la hoja de ruta para 2026 cuenta con tres líneas de desarrollo.

• Un núcleo mejorado: un nuevo transporte sin estado, propuesto por Google, debería facilitar el despliegue de servidores MCP en Kubernetes y Cloud Run, y se esperan versiones 2.0 de las SDKs de TypeScript y Python.
• Integración en todas partes: el acceso entre aplicaciones permitiría el inicio de sesión único en los servidores MCP a través del proveedor de identidades de la empresa, y los servidores podrían encontrarse automáticamente desde un archivo en .well-known/mcp-server-card/server.json.
• Más allá del edge actual: Skills sobre MCP permitiría a los servidores distribuir conocimiento específico del dominio junto con sus herramientas a través de los puntos de extremo skills/list y skills/get.

Elegir entre ellos

La decisión depende del contexto y los requisitos: MCP cuando se necesita gobernanza y semántica avanzada, CLI cuando el modelo ya conoce la herramienta y los tokens son importantes, y Skills para proporcionar el conocimiento procedural que los conecta.

Conclusiones

Ninguna herramienta es la mejor, y presentarla como una alternativa a la CLI ignora el verdadero propósito. Los agentes de producción necesitan múltiples capas de funcionalidad. Las críticas a MCP, como la carga adicional de tokens, las deficiencias en la autenticación y la calidad desigual de los servidores, señalan problemas reales, pero se trata de problemas técnicos con soluciones, y el ecosistema ya se está adaptando. El descubrimiento progresivo y el Modo Código reducen la sobrecarga de tokens y la latencia, por lo que es posible ajustar el estándar en lugar de abandonarlo. Abandonar MCP en una empresa conlleva problemas aún peores: autenticación fragmentada, falta de registro de auditoría y dependencia excesiva del proveedor. Cabe esperar que los agentes más potentes combinen Skills para el acceso a conocimientos, MCP para conexiones reguladas y la CLI para ejecuciones locales económicas.

Leer más

• Hyperbrowser MCP en producción: escaleras de escalado, transportes y medidas de seguridad — Qué ofrece Hyperbrowser MCP a los agentes de navegador, dónde fallan sus valores predeterminados de HTTP y SSE, y el gateway de políticas, las aprobaciones y los controles de perfil que aún se necesitan.
• Notas prácticas: Construir un agente financiero con IA utilizando el servidor MCP de EODHD — Guía paso a paso de las Notas prácticas: Construir un agente financiero con IA utilizando el servidor MCP de EODHD: contratos, verificaciones y espacios para código listo para usar para equipos que despliegan sistemas MCP sin él.