Cómo conectar una IA con tus datos usando MCP y Python

¿Una inteligencia artificial puede consultar tu inventario en lugar de inventar una respuesta?

Para explorar esta pregunta construí StockBridge, un servidor MCP en Python que permite a un asistente consultar productos, precios y existencias desde un archivo JSON.

¿Qué es MCP?

Model Context Protocol (MCP) es un protocolo que permite conectar aplicaciones de inteligencia artificial con herramientas y fuentes de información externas.

En nuestro ejemplo, el funcionamiento es:

Usuario → Asistente de IA → Servidor MCP → Inventario JSON

El asistente solicita una consulta, el servidor ejecuta una función Python y devuelve los resultados.

Construyendo StockBridge

El proyecto utiliza Python, el SDK mcp==2.3.0 y un inventario ficticio de cinco productos.

Implementé dos herramientas:

• buscar_producto(nombre): encuentra productos por nombre.
• productos_por_agotarse(limite=5): identifica productos cuyas existencias están por debajo de un límite.

Esta es la segunda herramienta:

@mcp.tool()
def productos_por_agotarse(limite: int = 5) -> BajoStock:
    if type(limite) is not int or limite < 0:
        raise ToolError("Límite inválido")

    encontrados = sorted(
        (p for p in INVENTARIO if p["stock"] < limite),
        key=lambda p: (p["stock"], p["id"])
    )

    return {
        "productos": encontrados,
        "total": len(encontrados),
        "limite": limite
    }

Este fragmento forma parte del servidor completo, donde se definen mcp, BajoStock, ToolError e INVENTARIO.

El decorador @mcp.tool() permite registrar la función como una herramienta que un cliente MCP puede descubrir y ejecutar.

Resultados de la consulta

Al ejecutar la herramienta con limite=5, obtuvimos:

Producto	Existencias	Precio
Miel 250 g	0	$18.000 COP
Café en grano 500 g	2	$28.000 COP
Café molido 500 g	3	$24.000 COP

Los productos y precios son ficticios, pero la consulta se realiza sobre el archivo JSON.

¿Cómo sabemos que realmente funciona?

No quería limitarme a mostrar una respuesta aparentemente correcta.

Por eso desarrollé 11 pruebas automatizadas: diez verificaciones funcionales y una prueba de integración que inicia el servidor y se comunica mediante MCP sobre stdio.

También conecté StockBridge con GitHub Copilot en Visual Studio Code.

Durante la demostración, Copilot ejecutó la herramienta productos_por_agotarse y utilizó sus resultados.

Esto demuestra una diferencia importante:

No es lo mismo que una IA genere una respuesta a que consulte datos mediante una herramienta verificable.

Tutorial completo

Documenté el proyecto paso a paso en TuCodigoCotidiano.

El tutorial explica cómo crear el inventario JSON, construir el servidor Python, validar datos, ejecutar pruebas, utilizar MCP Inspector y conectar las herramientas con GitHub Copilot.

Incluye el código necesario para reproducir el laboratorio.

Leer el tutorial completo: MCP con Python, permite que una IA consulte tu inventario

Conclusión

MCP permite construir asistentes que pueden utilizar herramientas para acceder a información específica.

Pero también necesitamos verificar las llamadas, validar los datos y controlar los permisos.

Una cosa es que una IA responda. Otra muy distinta es demostrar que consultó los datos.

¿Qué herramienta conectarías primero a un asistente mediante MCP?