Explicación de los servidores MCP: herramientas, recursos, comandos y cuándo añadir una pasarela.
Una explicación en lenguaje sencillo sobre los servidores MCP: cómo se conectan el host, el cliente y el servidor, en qué se diferencia MCP de una API, qué se puede hacer con él y cuándo resulta útil utilizar una pasarela.
Un servidor MCP es un programa compacto que permite a un modelo de IA acceder a herramientas y datos a los que no podría llegar por sí mismo. Imagínese un puente: mediante el Protocolo de Contexto de Modelo, un estándar compartido, un modelo puede leer archivos, consultar una base de datos o llamar a una API sin que nadie tenga que crear código adicional para cada combinación. El servidor puede ser un script en una computadora portátil o un servicio en la nube.
La abreviatura suena más intimidante que la idea en sí. Sin embargo, merece una comprensión clara, ya que MCP se está convirtiendo rápidamente en la vía predeterminada mediante la cual los agentes de IA interactúan con el mundo exterior.
Qué es realmente el servidor
Un servidor ofrece tres tipos de capacidades: acciones que el modelo puede ejecutar, información que puede leer y plantillas que puede reutilizar. Después de conectarse, el modelo pregunta qué está disponible y trabaja con la respuesta. En resumen, el servidor es un adaptador estándar que conecta a un modelo de IA con un sistema externo.
La palabra “servidor” engaña a la gente. No requiere hardware dedicado en un centro de datos; un servidor para el sistema de archivos local puede ser un script breve en una máquina personal. El nombre proviene del hecho de que responde a las solicitudes, al igual que el servidor de desarrollo que se inicia con npm run dev. Es un programa pequeño que responde a las preguntas.
Dicho de otra manera, el servidor es cualquier elemento que se encuentra al otro extremo de la conexión, capaz de realizar tareas reales como leer un archivo o consultar una base de datos, y capaz de describir esas tareas de manera que un modelo pueda analizarlas.
Origen de MCP
El Model Context Protocol es un estándar abierto para vincular modelos de IA con herramientas y datos externos. Anthropic lo publicó en noviembre de 2024, y en menos de un año pasó de ser una idea de nicho a algo que Claude, ChatGPT, Cursor y VS Code todos soportan.
Resolvió un problema sencillo pero molesto. Antes de MCP, para darle a una IA una herramienta era necesario escribir la integración a mano cada vez. Un chatbot de recuperación de documentos de una empresa, con embeddings y mecanismos de recuperación conectados manualmente, representa una sola fuente de datos y una integración completamente personalizada. Repetir este proceso para GitHub, luego para Slack, luego para una base de datos, y finalmente para otro modelo que requiere una estructura de datos diferente, impide que la solución escale. Todos tenían que volver a crear los mismos conectores.
La documentación oficial compara a MCP con un puerto USB-C para la IA: un único formato de conector que permite que cualquier dispositivo se conecte a cualquier otro. Un servidor creado una sola vez funciona con todos los clientes que utilizan el protocolo. Eso explica la rapidez con la que se adoptó, ya que un montón de integraciones puntuales se convirtieron en un único estándar compartido.
Cómo encajan las piezas
Participan tres roles: anfitrión, cliente y servidor.
- El host es la aplicación que una persona utiliza realmente, como por ejemplo Claude Desktop o Cursor.
- Para cada servidor al que desea acceder, el host crea un cliente, el cual mantiene una conexión dedicada a ese servidor en particular.
- Los mensajes se transmiten en formato JSON-RPC 2.0, un formato sencillo y bien comprendido, lo cual representa una ventaja en este caso.
Un servidor puede ofrecer tres tipos de capacidades, y vale la pena conocer sus nombres:
- Herramientas: operaciones que el modelo puede ejecutar, como abrir un archivo, realizar una consulta o enviar un problema a GitHub.
- Recursos: material que el modelo lee para obtener contexto, como el texto de un documento o un esquema de base de datos. La lectura no tiene efectos secundarios.
- Indicaciones: plantillas reutilizables para tareas frecuentes, lo que evita que el modelo tenga que iniciarse desde cero.
El flujo es breve. El cliente se conecta, solicita al servidor que enumere sus recursos mediante una llamada a tools/list y luego ejecuta uno de los elementos con una llamada a tools/call. En JSON, la solicitud de descubrimiento se ve así:
// "What can you do?"
{ "jsonrpc": "2.0", "id": 1, "method": "tools/list" }
Y el seguimiento que invoca una herramienta se ve así:
// "Okay, do this one."
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/call",
"params": {
"name": "get_weather",
"arguments": { "city": "Kolkata" }
}
}
Otro punto importante desde el principio: los servidores operan en uno de dos lugares. Un servidor local se comunica a través de stdio, es decir, de entrada y salida estándar, por lo que dos programas en la misma máquina intercambian texto sin necesidad de red. Un servidor remoto se comunica mediante HTTP, por lo que puede estar en cualquier lugar y servir a muchos clientes al mismo tiempo. El protocolo es el mismo en ambos casos, y esa es la idea principal.
MCP frente a una API simple
La gente pregunta esto constantemente, así que la respuesta directa es que un servidor MCP normalmente se encuentra sobre una API ordinaria. No reemplaza a esta última. Lo que difiere es el consumidor al que está dirigido.
Una API convencional está dirigida a un desarrollador que ya ha leído la documentación y ha definido de antemano las llamadas exactas. Presupone que los puntos de extremo se conocen con anticipación. Un servidor MCP, en cambio, está dirigido a un modelo que llega sin saber nada, pregunta qué existe y decide por sí mismo qué herramienta utilizar. El truco radica en la detección en tiempo de ejecución, algo que una API simple no proporciona.
En la práctica, la mayoría de los servidores MCP son envoltorios simples sobre una API a la que un desarrollador podría haber hecho llamadas directamente. MCP ofrece una forma uniforme de describir las herramientas, de modo que cualquier modelo puede descubrirlas y utilizarlas sin que un humano conecte cada llamada manualmente. La API realiza la tarea, y el servidor la hace comprensible para una IA.
Qué se puede hacer con uno
Más de lo que la mayoría de las personas esperan, y es probable que las materias primas ya estén disponibles. Ejemplos típicos: un servidor permite que un modelo trabaje con archivos locales, otro se encarga de los problemas y solicitudes de pull en GitHub, un tercero consulta Postgres, y un cuarto lee y publica mensajes en Slack. Anthropic alberga una colección de implementaciones de referencia en GitHub, y los proveedores publican cada vez más un servidor oficial para su propio producto.
La mayoría de las personas acceden a su primer servidor a través de un agente de programación como Claude Code. Al asociar un servidor con un agente de programación o una aplicación de chat de escritorio, este puede acceder a archivos, buscar en la web o abrir solicitudes de pull sin necesidad de copiar y pegar. Las herramientas simplemente aparecen como nuevas capacidades que el modelo puede utilizar.
El patrón nunca cambia: encontrar un servidor para el sistema relevante, dirigir al cliente hacia él, y el modelo adquiere una habilidad. Configurar un único servidor lleva cinco minutos, y ver a un agente editar por primera vez un archivo real en el disco resulta algo mágico.
Cuándo vale la pena usar una pasarela
Comencemos con la parte honesta. Con uno o dos servidores MCP, una pasarela es innecesaria, ya que resuelve un problema que aún no ha surgido. Pase directamente a experimentar.
Una vez que la cantidad aumenta, digamos a diez servidores conectados a varios agentes, surgen rápidamente tres problemas.
- Acumulación de contexto: cada solicitud envía toda la lista de herramientas de cada servidor a la ventana del modelo. Con 150 o más herramientas, la mayor parte del tiempo se destina a leer el menú.
- Credenciales dispersas. Cada servidor tiene sus propias claves y métodos de autenticación, distribuidas en archivos de configuración sin un lugar único para actualizarlas.
Eso es la proliferación de herramientas, y convierte una configuración ordenada en una carga. Una pasarela lo soluciona al situarse en el medio, al igual que un strip de alimentación: en lugar de diez cables en diez tomas, el agente se conecta una sola vez, y la pasarela se encarga del resto.
Bifrost, una pasarela de IA de código abierto de Maxim AI, es uno de los productos que pueden desempeñar este papel, al agrupar todos los servidores detrás de un único punto de acceso. Su solución al problema de los tokens es una función llamada Modo Código. Normalmente, el modelo debe volver a leer cada descripción de herramienta con cada solicitud solo para conocer el menú. En Modo Código, la solicitud incluye cuatro herramientas genéricas y el modelo escribe código para localizar y ejecutar lo que necesita según sea necesario. Los propios benchmarks del proveedor indican reducciones en los tokens de entrada de hasta el 92,8%, lo suficiente como para disminuir significativamente la factura. La reducción de costos en la pasarela sigue la misma lógica que el caché semántico.
Una pasarela también centraliza la seguridad. Las claves API se encuentran juntas en lugar de estar dispersas en archivos de configuración. El filtrado de herramientas por clave y los presupuestos permiten al administrador elegir qué agente recibe qué herramientas y establecer límites de gasto. Las herramientas no se ejecutan automáticamente a menos que se active explícitamente, lo cual es importante porque el uso silencioso e no aprobado de herramientas por parte de un agente es un problema que está a punto de ocurrir.
Por dónde empezar
No se requieren especificaciones complejas ni código complicado. Una vez que el acrónimo deja de parecer intimidante, la idea es sencilla: un conector estándar que permite a la IA acceder a herramientas externas.
Para probarlo hoy, elija una aplicación que ya esté en uso, como Claude Desktop, Cursor o Claude Code. Luego tome un servidor preconstruido, por ejemplo el basado en filesystem o GitHub, y ádíguelo al archivo de configuración, lo cual lleva unos cinco minutos. Una vez que esté en funcionamiento, proporcione al modelo una instrucción real, como inspeccionar una carpeta local o verificar un repositorio. En el momento en que el agente salga de su cuadro de chat y toque un archivo real, el protocolo se activará.
Mantenga el primer intento sencillo. Un gateway y una redirección sofisticada son excesivos para uno o dos servidores. Pruebe con uno, vea cómo funciona y añada un gateway solo cuando tenga una docena de servidores en uso y la factura por tokens comience a aumentar.
Respuestas rápidas
¿Qué es un servidor MCP, brevemente? Es un programa pequeño que ofrece herramientas y datos a un modelo de IA a través de un estándar común, de modo que el modelo pueda leer archivos, ejecutar consultas a bases de datos o llamar a APIs sin necesidad de soluciones personalizadas.
¿En qué difieren el cliente y el servidor? Son los dos extremos de la misma conexión. Los servidores proporcionan las capacidades; un cliente, generado por una aplicación como Claude Desktop, se conecta a un servidor y las utiliza. Una aplicación puede ejecutar varios clientes, uno para cada servidor.
¿Son seguros los servidores? Eso depende de cómo se ejecuten. Un servidor local de confianza representa poco riesgo. Los problemas surgen cuando hay muchos servidores sin verificar que almacenan sus propias credenciales mientras los agentes ejecutan herramientas sin supervisión; por eso, desactivar la ejecución automática y utilizar una pasarela de filtrado resulta beneficioso a gran escala.
¿Cómo se construye uno? Elija un SDK oficial, defina un par de herramientas junto con sus entradas, y sígalas a través de stdio o HTTP. Comience con una o dos herramientas que funcionen con un cliente ya en uso y luego amplíe la implementación, en lugar de intentar abarcar toda una API de una sola vez.
Leer más
- Notas prácticas: Protocolo de Contexto de Modelo (MCP) explicado: Guía para principiantes — Guía detallada de las Notas prácticas: Protocolo de Contexto de Modelo (MCP) explicado: Guía para principiantes: contratos, verificaciones y espacios para código reutilizable para equipos que implementan este patrón.
- Construyendo tu primer agente LangChain con LangGraph en 2026 — Crea un agente LangChain paso a paso con LangGraph, herramientas, memoria y seguimiento de operaciones, evita cuatro errores comunes y observa cómo un servicio de soporte de un bootcamp lo utilizó.