Inicio / Artículos

MCP desde la perspectiva del desarrollador: anfitriones, clientes, servidores y llamadas a herramientas

Por qué los LLM necesitan un protocolo para las herramientas, cómo el anfitrión, el cliente y el servidor de MCP dividen el trabajo, y cómo una sola solicitud viaja desde el usuario hasta una herramienta y de vuelta.

Editor: REACTAPP.TOP8 min de lectura1849 palabras

Fuentes: What and Why MCP?

La IA se ha convertido en una parte habitual del trabajo con software. Los asistentes generan código, localizan errores, analizan datos y automatizan tareas, y han transformado la forma en que los desarrolladores crean aplicaciones. Sin embargo, queda una pregunta fundamental: ¿cómo puede un modelo interactuar de manera segura y eficiente con las herramientas, los datos y los sistemas en los que dependen los desarrolladores a diario? El Protocolo de Contexto de Modelos, o MCP, es una de las respuestas.

A continuación, se analiza el MCP desde la perspectiva de un desarrollador: qué es un servidor MCP y por qué existe, cómo se integran sus componentes, cómo un modelo accede a herramientas externas a través del protocolo, y qué aporta en términos de escalabilidad, mantenibilidad y productividad.

Por qué existe el MCP

Comience con la situación actual. Puede acceder a potentes modelos de lenguaje grande de OpenAI, Llama de Meta, DeepSeek, Gemini de Google y Claude de Anthropic a través de un navegador o una aplicación. Ellos responden preguntas, escriben texto y código, resumen documentos e incluso crean imágenes.

Enfóquese en una habilidad básica: generar una respuesta de texto. Supongamos que le pregunta a un modelo de lenguaje grande cuáles son los mejores hoteles de Colombo. Puede dar una respuesta útil basada en los conocimientos que posee, pero rápidamente surgen dos limitaciones.

Limitación uno: conocimientos obsoletos

Los conocimientos de un modelo reflejan sus datos de entrenamiento, además de cualquier información adicional o herramientas con las que haya sido equipado. Sin conexiones a fuentes externas en tiempo real, es posible que no conozca los precios actuales de los hoteles, la disponibilidad de habitaciones, los horarios de vuelos o los lugares que abrieron recientemente.

Limitación dos: incapacidad para actuar

Este caso es más profundo. Un modelo puede redactar una respuesta, pero no puede actuar automáticamente en el mundo real. Si se le pide que envíe un correo electrónico a su supervisor, escribirá el mensaje, pero no podrá enviarlo a menos que esté conectado a un servicio de correo con las permisos adecuados. Si se le pide que cree un ticket en Jira para reportar un error, podrá redactar el título y la descripción, pero para crear el ticket se necesita acceso a Jira. Lo mismo ocurre al reservar un hotel, consultar una base de datos, interactuar con los sistemas de la empresa o llamar a una API.

Entonces, ¿cómo se cierra esa brecha?

Los agentes de IA como primer paso

La respuesta habitual es el agente: un LLM conectado a herramientas externas y con la capacidad de elegir qué herramienta usar en cada paso y cuándo llamarla. Piense en un asistente de viajes. Un usuario le pide que planifique un viaje a París para el próximo mes: elegir un buen hotel, reservarlo y sugerir lugares interesantes en las cercanías.

Esa oración oculta un conjunto de tareas. El agente podría necesitar:

  1. buscar hoteles disponibles
  2. revisar detalles, precios y disponibilidad
  3. completar una reserva
  4. encontrar atracciones cerca del hotel
  5. obtener datos de ubicación y mapa
  6. enviar un correo de confirmación

Para hacerlo se requieren recursos externos. El LLM aporta comprensión y razonamiento, mientras que las herramientas brindan las capacidades necesarias para llevarlo a cabo.

La explosión de integraciones

Ahora imagine que el agente debe trabajar con 20, 50 o cientos de herramientas y servicios. Cada una podría tener su propia API, método de autenticación, formatos de solicitud y respuesta, además de código de integración. Si cada aplicación de IA escribe un conector personalizado para cada herramienta, la arquitectura se vuelve rápidamente complicada.

Ese es el vacío que MCP llena. Proporciona a las aplicaciones de IA una forma estándar de comunicarse con herramientas externas, fuentes de datos y servicios. En lugar de una integración diferente para cada aplicación y cada herramienta, existe un protocolo compartido que conecta los modelos con capacidades externas.

Los tres tipos de capacidades del servidor

Un servidor puede ofrecer tres cosas diferentes, y distinguirlas aclara gran parte del vocabulario:

  • Herramientas son acciones que el modelo puede solicitar, como buscar hoteles o crear un boleto. Pueden modificar algo en el mundo exterior.
  • Recursos son fragmentos de datos que la aplicación puede leer para obtener contexto, como un archivo, un registro de base de datos o un documento.
  • Indicaciones son plantillas reutilizables que ayudan a estructurar la interacción con el modelo.

La mayoría de los ejemplos introductorios se centran en las herramientas porque abordan directamente el problema de “no poder actuar”, pero los recursos y los comandos son importantes cuando una aplicación necesita contexto en lugar de órdenes.

Cómo funciona MCP

Con esta motivación clara, echemos un vistazo a una aplicación basada en MCP. Hay tres componentes clave, y aunque sus nombres suenan similares, cada uno tiene su propia función.

  • El anfitrión MCP es la aplicación de IA con la que interactúa el usuario, como por ejemplo un IDE con IA integrada, una aplicación de escritorio o un chatbot desarrollado con un LLM. Él gestiona toda la interacción con la IA, incluida la conversación con el usuario y las conexiones con los servidores MCP.
  • El cliente MCP se encuentra dentro del anfitrión y se encarga de la comunicación con los servidores MCP. El anfitrión es lo que ve el usuario, mientras que el cliente es la parte interna que utiliza el protocolo MCP.
  • El servidor MCP se encuentra del otro lado y expone las capacidades que la aplicación de IA puede utilizar: herramientas que realizan acciones, recursos que proporcionan datos contextuales y prompts que ayudan a estructurar las interacciones.
  • Qué ocurre al iniciar

    Cuando la aplicación se conecta a un servidor, el cliente abre una conexión e inicia la comunicación. Ambos lados intercambian información sobre la versión del protocolo y las capacidades soportadas. Los servidores locales pueden comunicarse mediante stdio, mientras que los servidores remotos pueden utilizar Streamable HTTP.

    Una vez que la conexión está lista, el cliente descubre qué ofrece el servidor. Un servidor de hoteles podría exponer herramientas llamadas search_hotels, check_availability y make_booking, cada una con una descripción y detalles sobre los datos de entrada que espera. La aplicación de IA luego transmite esas definiciones al LLM.

    Una solicitud, rastreada

    Supongamos que el usuario escribe: “Encuéntrame un hotel en Colombo este fin de semana”. El LLM recibe ese mensaje junto con las descripciones de las herramientas disponibles. A partir de la solicitud y esas descripciones, concluye que search_hotels es la opción adecuada y genera los parámetros necesarios, como la ubicación y las fechas.

    El modelo no ejecuta la herramienta por sí mismo. El host transmite la solicitud de la herramienta al cliente MCP, el cual la envía al servidor correspondiente mediante el protocolo. El servidor ejecuta la herramienta real, la cual podría llamar a una API de hoteles, consultar una base de datos o conectarse a otro sistema externo. Todos esos detalles permanecen ocultos detrás del servidor.

    Cuando la herramienta finaliza, el resultado vuelve a través del servidor y el cliente hasta la aplicación de IA, y el LLM lo convierte en la respuesta final. Si la solicitud tiene varios pasos, el modelo continúa, decidiendo si se necesita otra herramienta.

    Una solicitud como “Encontrar un hotel, reservarlo y enviarme un correo de confirmación” puede requerir varias llamadas en secuencia: una búsqueda de hoteles, una verificación de disponibilidad, la reserva y, finalmente, una herramienta de correo electrónico. La salida de cada paso puede servir como entrada para el siguiente.

    La idea en una línea

    El LLM decide qué se debe hacer, el cliente MCP se comunica con el servidor MCP, y el servidor utiliza las herramientas adecuadas para realizar el trabajo. Todo el proceso se desarrolla de la siguiente manera:

    Usuario, luego anfitrión MCP, luego LLM, luego cliente MCP, luego servidor MCP, luego herramienta, y de vuelta a través del servidor, el cliente y el LLM hasta el usuario.

    Esa división del trabajo es de donde proviene el valor de MCP. El modelo se concentra en la comprensión y el razonamiento, y MCP proporciona a la aplicación una forma estándar para descubrir y utilizar capacidades externas.

    Mensajes y permisos

    Debajo de esto, el cliente y el servidor intercambian mensajes estructurados, y MCP se basa en JSON-RPC 2.0 para ello. Una solicitud indica un método, como listar herramientas o llamar a una de ellas, y la respuesta contiene ya sea un resultado o un error. Dado que el host se encuentra entre el modelo y cada servidor, también es el lugar natural para aplicar permisos. Un host bien diseñado puede pedir al usuario que apruebe una reserva o un correo electrónico antes de enviar la solicitud, y puede limitar qué servidores pueden participar en una conversación determinada. El protocolo estandariza los mecanismos de comunicación, pero las decisiones de confianza siguen correspondiendo a la aplicación y a su usuario; por lo tanto, los servidores deben tratarse como cualquier otro fragmento de código que pueda actuar en su nombre.

    Por qué a los desarrolladores debería importarles

    Un protocolo compartido cambia la forma en que se construyen los sistemas impulsados por IA:

    • Una herramienta expuesta una vez a través de un servidor MCP puede ser utilizada por cualquier aplicación compatible con MCP en lugar de tener que integrarse nuevamente cada vez.
    • Mejor mantenibilidad. Los detalles de la herramienta, como la autenticación y los formatos de solicitud, permanecen en el servidor, por lo que las aplicaciones no necesitan modificarse cuando esos detalles cambian.
    • Escalabilidad más sencilla. Agregar una herramienta implica añadir un servidor y permitir que los clientes lo descubran, en lugar de reescribir la aplicación.
    • Separación más clara. El modelo se encarga de los cálculos, el cliente se encarga de la comunicación y el servidor realiza las acciones, y cada parte puede ser probada y reemplazada por separado.

    Adónde va a parar esta historia

    Los LLM pueden pensar y generar, pero no pueden acceder solos a todos los sistemas externos. Los agentes les proporcionan herramientas, y MCP ofrece una forma estándar de conectar esas herramientas con las aplicaciones de IA. El modelo razona, el cliente se comunica, el servidor expone capacidades y las herramientas realizan el trabajo real.

    Queda una pregunta sin responder: ¿qué pasa exactamente entre el cliente y el servidor? Responderla implica analizar el protocolo en sí, cómo se intercambian los mensajes, cómo se descubren las herramientas y cuál es el papel de JSON-RPC. En resumen: un modelo puede pensar, una herramienta puede actuar, y MCP les ayuda a comunicarse.

    Leer más

  • Notas prácticas: MCP Framework Benchmark 2026: El mismo servidor en todas partes — Guía paso a paso de las Notas prácticas: MCP Framework Benchmark 2026: El mismo servidor en todas partes: contratos, verificaciones y espacios para código listo para usar para los equipos que implementan este patrón.
  • Explicación de MCP: Por qué exponer capacidades es mejor que usar puntos finales fijos para los agentes — Qué es el Protocolo de Contexto de Modelo, cómo los clientes y servidores dividen el trabajo, por qué difiere de una API tradicional, y qué muestran Figma y Render al respecto.
  • Explicación de MCP con diagramas: un servidor para ChatGPT, Claude y Cursor — Una visión basada en diagramas del Protocolo de Contexto de Modelo: servidores, herramientas, recursos y comandos, su relación con REST y la llamada a funciones, así como las responsabilidades de seguridad que añade.
  • Notas prácticas: el costo oculto de ‘solo añade un .mcp.json’ — Una guía paso a paso de las Notas prácticas: el costo oculto de ‘solo añade un .mcp.json’: contratos, verificaciones y espacios de código listos para usar para los equipos que implementan este patrón.
  • Notas prácticas: MCP ya no se usa en sistemas de producción — Guía paso a paso de las Notas prácticas: MCP ya no se usa en sistemas de producción: contratos, verificaciones y espacios para código reutilizable para los equipos que implementan este patrón.
  • MCP es un conector, no un cerebro: dónde termina el protocolo y comienza el bucle del agente — Llamadas a herramientas, el problema de conexión que resuelve MCP, sus roles y transportes, cómo difiere de la orquestación, un servidor FastMCP mínimo y cuándo omitirlo.
  • Darle a Claude mayor alcance: tres servidores MCP personalizados para aplicaciones, documentos y conocimiento — Tres conexiones MCP que permiten a Claude acceder a aplicaciones empresariales, leer documentos complejos sin tener que adivinar números, y buscar en una base de conocimiento dividida en 41,256 fragmentos bajo seguridad garantizada por el servidor.