Explicación de la especificación del Protocolo de Contexto de Modelo (MCP)

El mundo de la IA está en rápido crecimiento, pero la integración de grandes modelos de lenguaje (LLM) con sistemas del mundo real siempre ha sido complicada. Diferentes API, diferentes formatos, diferentes supuestos. Si has trabajado en el desarrollo de herramientas basadas en LLM, probablemente te hayas topado con el mismo obstáculo una y otra vez: ¿cómo conectar de forma fiable un modelo a datos, aplicaciones o acciones en tiempo real sin tener que reinventar la rueda cada vez?

El Protocolo de Contexto de Modelo (MCP) se creó para responder a esta pregunta. Presentado originalmente por Anthropic a finales de 2024, MCP es ahora uno de los estándares abiertos más prometedores para conectar modelos de IA con herramientas y fuentes de datos externas. En este artículo, explicaremos qué es MCP, por qué es importante, cómo funciona y cómo los desarrolladores pueden empezar a usarlo ahora mismo.

 

Por qué existe esto: el problema que resuelve MCP

Empecemos con el tema clave. Si tienes M LLM diferentes (como Claude, GPT-4, Gemini) y N herramientas (como una base de datos, un calendario, un sistema de archivos o un CRM), crear M × N integraciones simplemente no es realista.

Cada combinación necesita su propio código personalizado. Ajustas una herramienta y, de repente, todo falla. Los modelos no saben cómo llamar a tu herramienta a menos que les enseñes desde cero. Y todo esto se hace sin un protocolo compartido.

Este es el problema de la integración de MxN, que afecta gravemente a la productividad. MCP ofrece una solución sencilla al actuar como un conector universal entre los modelos de IA y las herramientas. En lugar de crear diez integraciones diferentes, se crea un servidor compatible para la herramienta, que ahora puede comunicarse con cualquier modelo de IA compatible.

Cómo funciona MCP: conceptos básicos

MCP sigue un modelo cliente-servidor y todo se ejecuta mediante JSON-RPC 2.0. Está diseñado para ser modular, seguro y fácil de integrar en la mayoría de los entornos.

Así es como está estructurado el ecosistema:

Tres roles fundamentales

• Host: Esta es la aplicación LLM en sí (por ejemplo, Claude Desktop, un IDE con un asistente de IA)
• Cliente: un conector dentro del host que se comunica con los servidores
• Servidor: un servicio liviano que expone herramientas, datos o indicaciones

El host ejecuta el cliente, que se conecta a uno o más servidores. Estos servidores ofrecen capacidades como la obtención de datos, la ejecución de funciones o el suministro de plantillas de solicitud estructuradas. El cliente y el servidor primero negocian las capacidades mediante un protocolo de enlace y luego pueden empezar a enviar y recibir solicitudes.

Lo que los servidores MCP pueden ofrecer

Los servidores en MCP se comunican en lenguaje primitivo. Estos son los componentes básicos que los LLM pueden comprender y utilizar.

1. Herramientas

Estas son funciones ejecutables. Considérelas como puntos finales de API a los que el LLM puede llamar.

Ejemplos:

• create_event(título, hora)
• obtener_precio_de_acciones(ticker)
• traducir_texto(texto, idioma_objetivo)

Cada herramienta debe incluir un nombre claro, parámetros tipificados y una cadena de documentación descriptiva. Esto ayuda al modelo a comprender cuándo y cómo usarla.

2. Recursos

Los recursos son datos estructurados a los que se puede hacer referencia en un mensaje o que el modelo puede utilizar durante la generación.

Ejemplos:

• Artículos de la base de conocimientos
• Registros de CRM
• Archivos de una unidad local

Esto permite que el modelo base sus respuestas en un contexto real y actualizado.

3. Indicaciones

Los primitivos de solicitud definen plantillas o flujos de trabajo reutilizables.

Piense en listas de verificación de incorporación, opciones de indicaciones para el usuario o acciones guiadas. Estas ayudan a mantener la coherencia en la interacción del modelo con los usuarios.

 

Qué pueden hacer los clientes de MCP

Los clientes MCP no son solo receptores pasivos. También ofrecen dos funciones clave a los servidores: raíces y muestreo.

Raíces

Las raíces permiten que un servidor acceda a una carpeta específica o a una ruta del sistema de archivos del cliente, pero solo con el permiso del usuario. Esto es útil cuando una herramienta necesita leer un archivo, escanear una carpeta o procesar algo almacenado localmente. Por ejemplo, un servidor podría solicitar acceso a /Documentos/Informes/ para resumir archivos PDF o extraer datos. El acceso siempre se limita a la ruta exacta aprobada por el usuario, por lo que es seguro y controlado.

Muestreo

El muestreo permite que el servidor solicite al LLM del cliente que genere algo, como completar una solicitud o generar un borrador de respuesta. Esto permite flujos de trabajo más dinámicos. Por ejemplo, una herramienta podría preguntar: "¿Puede su modelo resumir este texto?" o "Generar un correo electrónico de seguimiento". Es una forma de que las herramientas obtengan contenido generado por el modelo sin integrar la generación en el servidor.

Ambas características ofrecen a los servidores mayor flexibilidad, pero siempre con consentimiento y límites claros. Esto es lo que hace que MCP se sienta seguro, pero a la vez potente.

 

Construir con MCP: cómo lo abordamos en Mobian

En Mobian, Trabajamos con equipos que buscan ir más allá de los prototipos y construir sistemas de IA reales y listos para producción. El Protocolo de Contexto de Modelo se adapta perfectamente a ese objetivo. Nos ofrece una forma clara y estandarizada de conectar grandes modelos de lenguaje con las herramientas y los datos que necesitan, sin depender de integraciones personalizadas que fallan cada vez que algo cambia. Para nosotros, no se trata solo de implementar una especificación del Protocolo de Contexto de Modelo, sino de crear productos digitales flexibles, seguros y listos para escalar.

Al diseñar plataformas basadas en IA o software empresarial, MCP nos permite crear sistemas que crecen de forma natural a medida que se incorporan nuevas herramientas. En lugar de rediseñar todo el conjunto, podemos integrar nuevas capacidades en los flujos de trabajo existentes, ya sea acceso a datos, automatización de procesos o interacciones de IA con el usuario. Esto se alinea perfectamente con nuestra forma de construir en Mobian: escalable, modular y basado en las necesidades reales del negocio.

Principios de diseño clave que hacen que MCP se destaque

El Protocolo de Contexto de Modelo no es solo una solución técnica alternativa ni un parche para los problemas de integración. Está diseñado en torno a unos principios fundamentales que lo hacen práctico, seguro, flexible y escalable. Esto es lo que le da a MCP una verdadera durabilidad.

Confianza y consentimiento

En la base de MCP se encuentra un énfasis estricto en el control del usuario. Nada ocurre sin una aprobación clara. Ya sea al ejecutar una herramienta, acceder a los datos del usuario o activar una respuesta del modelo, los usuarios tienen la última palabra. Nunca se confía ciegamente en las herramientas. A menos que se verifiquen o preaproben explícitamente, se tratan con precaución por defecto. Este enfoque ayuda a prevenir comportamientos inesperados y mantiene la transparencia. El protocolo también restringe lo que el modelo puede hacer a menos que el usuario haya dado permiso, para que el sistema no se convierta en un espacio protegido para las acciones de la IA.

Modularidad

Una de las decisiones de diseño más inteligentes de MCP es su modularidad. Cada servidor se ejecuta de forma independiente. Por lo tanto, si una herramienta falla o presenta un mal funcionamiento, no afecta al resto de la configuración. No es necesario reconstruir la aplicación solo para cambiar una integración. Esto facilita el mantenimiento a largo plazo, la experimentación con nuevas herramientas o la creación de stacks personalizados sin afectar el resto.

Componibilidad

MCP también admite la componibilidad, lo que significa que se pueden combinar herramientas para crear flujos de trabajo más avanzados. Un modelo puede usar varios servidores MCP de forma coordinada, lo que le permite recopilar datos, invocar funciones y generar respuestas en todos los sistemas. Estas cadenas pueden ser simples o complejas, según lo que se esté construyendo, pero el protocolo permite pasar de un paso al siguiente de forma clara y fiable.

 

Implementación: Cómo empezar con MCP

Puedes acceder a MCP desde cualquier lado: cliente o servidor.

Si está construyendo un servidor (proveedor de herramientas)

Esta es la ruta más común. Suele funcionar así:

1. Elija un idioma (Python y TypeScript son los más compatibles)
2. Utilice el SDK oficial para crear un servidor básico
3. Define tus herramientas, recursos o indicaciones
4. Agregue tipos de parámetros claros y cadenas de documentación descriptivas
5. Elija un método de transporte (stdio para local, HTTP o WebSocket para remoto)
6. Registre su servidor en la configuración MCP de su aplicación host

Una buena documentación es fundamental. Si el LLM no comprende la herramienta, no la usará correctamente.

Si está integrando un cliente MCP

Esto significa que estás trabajando en el lado LLM (como construir tu propia aplicación similar a Claude).

Necesitarás:

• Manejar el descubrimiento del servidor y la negociación de capacidades
• Configurar componentes de IU para aprobaciones de herramientas y controles de muestreo
• Gestionar la inyección rápida y mostrar los resultados de forma clara
• Respetar los flujos de seguridad y el consentimiento del usuario

 

Novedades del estándar MCP 2025

Desde su lanzamiento, el Protocolo de Contexto Modelo ha evolucionado rápidamente y la especificación 2025 trae algunas actualizaciones significativas que reflejan el uso en el mundo real y la adopción empresarial.

Una de las áreas de mejora más notables es la seguridad. La nueva especificación introduce controles de acceso precisos, lo que permite a los desarrolladores definir con precisión qué puede o no hacer una herramienta. El registro de auditoría también forma parte del estándar, lo que permite rastrear cómo se utilizan las herramientas y qué avisos se envían o generan. Además, se ha definido una línea más clara entre lo que ven los usuarios y lo que el sistema hace en segundo plano, lo que añade un nivel adicional de transparencia y control.

Otra actualización importante se centra en el encadenamiento de herramientas. MCP ahora gestiona la transferencia de contexto entre herramientas de forma más eficaz, lo que permite mantener el estado entre llamadas. Esto es especialmente útil para flujos de trabajo que abarcan varios pasos, donde el modelo necesita recordar lo que hizo anteriormente en la sesión. Los desarrolladores ahora pueden crear flujos más complejos utilizando herramientas de diferentes servidores sin sufrir pérdidas de estado ni reinicios complicados.

Finalmente, la capa de transporte ha experimentado mejoras significativas. El protocolo ahora admite transportes adicionales como gRPC y colas de mensajes, lo que ofrece a los equipos mayor flexibilidad según su infraestructura. También se ha perfeccionado la gestión de tiempos de espera, reintentos y cancelaciones, lo que hace que las implementaciones sean más resilientes y fáciles de gestionar a escala.

Estas actualizaciones hacen que MCP se adapte mejor a los entornos de producción y sea más capaz de soportar sistemas de agentes avanzados sin introducir riesgos ni complejidad innecesarios.

¿Por qué el MCP está ganando terreno rápidamente?

Este no es un formato pasajero. MCP resuelve un problema real y complejo en el ecosistema de desarrollo de IA. Está respaldado por casos de uso reales, soportado por SDK y ya adoptado por empresas como Anthropic y OpenAI.

Y lo que es más importante, devuelve el control a los desarrolladores. Puedes crear una herramienta una vez y que funcione en todos los modelos y hosts. Esto es fundamental para el mantenimiento a largo plazo.

 

Reflexiones finales

El Protocolo de Contexto de Modelo no es una simple especificación para revisar y archivar. Resuelve silenciosamente uno de los problemas más complejos de la IA actual: cómo lograr que los LLM funcionen con las herramientas, archivos y sistemas de los que ya dependemos. En lugar de escribir código de adherencia frágil y personalizado cada vez que se necesita que un modelo interactúe con datos reales, MCP ofrece una base común sobre la que construir. Una base que respeta el control del usuario, admite flujos de trabajo complejos y mantiene las integraciones modulares y fáciles de mantener.

Si ya trabajas con LLM o planeas desarrollar algo más parecido a un agente, este es un protocolo que vale la pena considerar. No porque esté de moda, sino porque resuelve un problema real y recurrente, haciendo que tu stack sea más sostenible. En Mobian, lo consideramos una parte natural de la infraestructura de IA moderna, algo que nos ayuda a ofrecer sistemas más inteligentes y adaptables sin generar deuda tecnológica desde el primer día.