El modelo de tu agente de IA tiene mucha información y puede inferir muy bien, pero hay un tema y es que por defecto solo sabe lo que aprendió durante su entrenamiento, y ese conocimiento tiene una fecha de corte. ¿Qué tal si tu agente pudiera ir a buscar lo que no sabe directamente a la fuente de infromación? Para eso existe MCP.
Hoy te voy a mostrar qué es, qué problema resuelve, y cómo conectar uno a tu agente de una manera muy sencilla.
1. La limitación de tu agente
Empecemos con un ejemplo, yo voy a estar usando Kiro CLI. Y un modelo de hace un tiempo (claude-haiku 4.5) para mostrarte lo que acabo de explicar. Si le pregunto a Kiro algo muy básico sobre AWS, como si fuera alguien que va empezando en la nube: "¿Cómo hago login en AWS CLI?"
Me respondió con algunas opciones, lo malo aquí es que para empezar la opción uno es usando AWS configure, según el modelo es la recomendada y es una herramienta que aunque funciona la verdad es que es un método algo desactualizado y puede generar fricción. La opción dos es usando la configuración manual, editando algunos archivos y escribiendo los keys sin ningún tipo de seguridad. La opción tres son variables de entorno. Cuando estaba empezando en la nube, no sabía los riesgos que era tener una api key escrita tal cual y tampoco que era una variable de entorno, así que estás opciones no son amigables para alguien que va comenzando.
Y no es que el modelo no funcione, simplemente no tiene forma de saber qué cambió después de su entrenamiento. Es como preguntarle a alguien que estuvo desconectado del mundo tecnológico los últimos años.
2. Herramientas externas
Para entender MCP, primero hablemos de herramientas. Un agente es un conjunto de componentes trabajando juntos, entre ellas el modelo y las herramientas y no son más que funciones que le permiten al modelo hacer algo en lugar de solo generar texto. Crear un archivo, correr un comando, etc. Y no solo existen herramientas locales también existen herramientas externas, son la misma idea, pero conectan al agente con servicios que están en internet, fuera de tu ambiente local, por ejemplo: documentación oficial, APIs de terceros o repositorios de GitHub. Con ellas, tu agente deja de estar limitado a lo que sabe y puede ir a buscar o a hacer lo que necesita.
Pero pensemos esto por un momento... ¿Cuántos agentes de IA existen hoy? Kiro, Copilot, Cursor, Claude y sin mencionar los custom que cada quién pueda construir con librerías como Strands Agents. Ahora piensa en cuántas herramientas externas podrías querer conectar: GitHub, Slack, bases de datos, documentación y solo por mencionar algunas. Sin un estándar, cada combinación necesita su propia integración. Imagina que tuvieras cinco agentes y diez herramientas distintas si hicieramos la integración de cada herramienta para cada diferente agente esas serían cincuenta integraciones distintas y cada una con su propia lógica. Y en estos tiempos en que el mundo tecnológico cambia tan rápido, si mañana sale un agente nuevo, tendríamos que escribir una integración para cada herramienta desde cero.
3. ¿Qué es MCP? y ¿Cómo funciona?
Model Context Protocol (MCP) es un protocolo abierto que estandariza cómo los agentes se conectan a herramientas externas, en lugar de que cada agente implemente su propia integración para cada herramienta. Fue creado por Anthropic y la industria lo adoptó muy rápido, puesto que solucionó un problema real, por el que los ingenieros de IA y desarrolladores estaban invirtiendo mucho tiempo.
MCP tiene dos actores principales:
- Cliente MCP. El agente que quiere usar herramientas externas. En nuestro caso, Kiro CLI, pero tu podrías estar usando cualquier otro.
- Servidor MCP. La herramienta externa que expone lo que sabe hacer. En este caso, un servidor que sabe buscar en la documentación de AWS.
Así se ve el flujo completo:
- Conexión El cliente (agente), se conecta al servidor MCP cuando inicia y le pregunta al servidor "¿qué puedes hacer?". 2 Descubrimiento El servidor responde con su lista de capacidades.
- Contexto. Esas capacidades se le pasan al modelo. Ahora el modelo sabe que tiene herramientas disponibles.
- Decisión. Cuando le haces una pregunta, el modelo puede usar alguna de esas herramientas. A veces lo decide solo, y otras veces se lo pides de forma explícita.
- Ejecución. Cuando usa una herramienta, el cliente ejecuta la llamada al servidor y recibe el resultado.
- Respuesta. El resultado vuelve al modelo, que lo usa para construir su respuesta final.
Algo que me gustaría resaltar es que tú no programas cuándo se usa cada herramienta. El modelo tiene las herramientas disponibles y es el modelo el que decide cuando utilizarlas. Esta autonomía va a depender de qué tan capaz sea tu modelo, si estás usando un modelo más pequeño y menos capaz probablemente tenga problemas para hacer esto. Lo bueno es que también puedes guiarlo y pedirle de forma explícita que use alguno. De hecho, ser explícito suele darte resultados más consistentes incluso con modelos más capaces, y eso es justo lo que voy a hacer a countinuación.
4. ¿Qué ofrece un servidor MCP?
Un servidor MCP puede exponer tres tipos de capacidades:
| Tipo | Qué es | Ejemplo |
|---|---|---|
| Tools | Acciones que el agente puede ejecutar | "Buscar en documentación", "Leer una página" |
| Resources | Datos o contexto que el agente puede leer | "Lista de servicios AWS disponibles" |
| Prompts | Templates para tareas comunes | "Template para buscar best practices" |
En la práctica, Tools es lo que más vas a usar. Son las acciones concretas que le dan a tu agente capacidades o si lo quieres ver así super poderes que antes no tenía. Por ejemplo, el AWS Knowledge MCP server expone tools como search_documentation para buscar en toda la documentación de AWS, read_documentation para leer el contenido de una página, y recommend para encontrar páginas relacionadas. Con estas tools, tu agente puede ir a buscar la información actual directamente a los docs en lugar de responder con lo que recuerda de su entrenamiento.
5. Conectando el AWS Knowledge MCP server
Vamos a resolver el problema con el que empezamos. Voy a conectar el AWS Knowledge MCP server a Kiro. Este es un servidor que mantiene AWS y que le da a los agentes de IA acceso a la documentación oficial, después le voy a hacer la misma pregunta de antes, para ver que nos responde.
Configuración
Para conectar un servidor MCP a Kiro CLI, creas un archivo mcp.json y tienes dos opciones según dónde quieras que esté disponible:
-
Global (
~/.kiro/settings/mcp.json): el servidor está disponible en todos tus proyectos -
Workspace (
.kiro/settings/mcp.json): el servidor solo está disponible en ese proyecto
En cualquiera de los dos, el contenido es el mismo, para eso ve a la parte de configuración y copia el json para Kiro CLI. Al momento en que escribo esto el JSON se ve de esta manera.
{
"mcpServers": {
"aws-knowledge-mcp-server": {
"url": "https://knowledge-mcp.global.api.aws",
"type": "http",
"disabled": false
}
}
}
Sin embargo me gustaría aclarar, que la estructura de JSON de configuración puede cambiar a lo largo del tiempo por lo tanto siempre utiliza la documentación oficial y más actualizada al momento de configurar cualquier MCP.
Después de guardar el archivo, reinicia Kiro. Puedes confirmar que el servidor quedó conectado con el comando /mcp, que te muestra la lista de servidores configurados y las tools que expone cada uno.
Vamos a hacer la misma pregunta del inicio "¿Cómo hago login en AWS CLI?" pero, esta vez, le voy a pedir explícitamente que use el servidor de documentación.
Si tu configuras el servidor y haces la misma pregunta, probablemente el agente te pida permiso para usar algunas tools como a mi. En mi caso, buscó en la documentación, leyó las páginas que necesitaba y cuando ya tenía todo me respondió con varias opciones. Entre ellas siguen apareciendo algunas que ya me había dado antes, pero ahora, la opción uno es la más actual y recomendada por AWS, la cuál es usar aws login, esta es una manera mucho más sencilla y segura de usar nuestras credenciales de AWS al momento de usar la terminal. Sin MCP el agente me estaba respondiendo de memoria con un método que aunque funciona, está desactualizado. Con MCP, va directamente a los docs y trae la información actual.
Preguntas frecuentes
¿MCP es solo para herramientas de terminal?
No. MCP funciona con cualquier aplicación que implemente un cliente MCP. Herramientas de terminal como Kiro CLI, IDEs, aplicaciones de escritorio como Claude Desktop, y cualquier agente que soporte el protocolo.
¿Quién creó MCP? y ¿Es open source?
Lo creó Anthropic y sí, es completamente open source. La especificación está disponible públicamente y cualquiera puede implementar clientes o servidores.
¿Es seguro darle acceso a mis herramientas?
Depende del servidor. Cada servidor MCP define qué acciones expone. Un servidor de documentación solo lee páginas públicas, así que no hay mayor riesgo. Un servidor que modifica bases de datos necesita más cuidado. Siempre revisa qué tools expone un servidor antes de conectarlo.
¿Funciona con cualquier modelo de IA?
MCP funciona a nivel del cliente, no del modelo directamente. Si tu agente soporta MCP y el modelo que usa soporta tool use, funciona. La mayoría de modelos modernos como Claude, GPT, Llama y Nova soportan tool use.
¿Necesito saber programar para usar MCP?
Para usar servidores MCP existentes, no. Solo configuras un archivo JSON como el que viste arriba. Para crear tu propio servidor MCP sí necesitas programar, pero hay SDKs en Python, TypeScript y otros lenguajes que simplifican mucho el proceso.
Conclusión
Recapitulemos lo que aprendimos:
- Por defecto, tu agente solo sabe lo que aprendió en su entrenamiento, y eso lo limita
- Las herramientas externas conectan tu agente con servicios de afuera, pero sin un estándar cada integración es distinta
- MCP es un protocolo abierto que estandariza esa conexión
- Tiene dos actores, el cliente y el servidor
- Un servidor expone tools, resources y prompts
La próxima vez que tu agente se quede corto con una respuesta, ya sabes que puedes darle acceso a la fuente correcta. Si te interesa este tipo de contenido y eres más de videos síguenos en nuestro canal de youtube AWS Developers LATAM, te estaremos esperando por allá.
Top comments (0)