MCP

Categoría: agentes arquitectura sistemas herramientas

Definición

Estándar abierto (impulsado originalmente por Anthropic y adoptado de forma generalizada en la industria) que define un protocolo unificado basado en JSON-RPC 2.0 para conectar clientes de LLM (IDEs, interfaces locales, agentes autónomos) con fuentes de datos y herramientas externas. Funciona como el “puerto USB-C” de la IA: escribes un servidor MCP una sola vez y cualquier cliente compatible puede usarlo.

Puntos clave

  • Arquitectura en 3 piezas (cómo se comunica en tu máquina):
    • MCP Host: La aplicación principal que interactúa contigo y aloja el modelo (ej. Cline/Roo Code en VS Code, Open WebUI, Claude Desktop o tu propio agente en Python).
    • MCP Client: Componente interno del Host que mantiene una conexión 1:1 con cada servidor MCP y traduce sus capacidades al formato de Tool Calling del modelo.
    • MCP Server: Proceso ligero (escrito en Python, Node.js, Rust o Go) que expone acceso controlado a un recurso específico (sistema de archivos de Linux, Git local, SQLite/PostgreSQL, navegador, terminal).
  • Capas de transporte (100% local sin red):
    • stdio (Standard Input/Output): Estándar para herramientas locales en Linux. El Host lanza el servidor MCP como un subproceso hijo y se comunican enviando mensajes JSON-RPC por tuberías estándar (stdin/stdout), con latencia casi nula y cero puertos abiertos en la red.
    • Streamable HTTP / SSE: Usado cuando el servidor MCP corre como un demonio independiente en otra máquina de tu red local o dentro de un contenedor.
  • Las 3 primitivas que expone un servidor MCP:
    • Tools (Herramientas): Funciones ejecutables que el modelo invoca activamente mediante Tool Calling (ej. ejecutar_sql, buscar_en_codigo, escribir_archivo).
    • Resources (Recursos): Datos pasivos de solo lectura (archivos, logs del sistema, esquemas de tablas) que el cliente puede adjuntar directamente al contexto como si fuera un RAG ligero.
    • Prompts (Plantillas): Flujos de trabajo o instrucciones predefinidas por el servidor para tareas repetitivas.
  • Consideraciones críticas de ingeniería y seguridad en IA local:
    • Consumo de ventana de contexto: Cada herramienta expuesta por un servidor MCP inyecta su descripción y JSON Schema en el prompt del sistema. Conectar 10 servidores con 100 herramientas puede consumir 10,000+ tokens antes siquiera de hacer tu primera pregunta, saturando el KV Cache y degradando la atención de modelos pequeños (7B–14B).
    • Superficie de ataque (Prompt Injection): Un servidor MCP con permisos de escritura en /home o ejecución en bash puede ser manipulado si el LLM lee un documento externo con instrucciones maliciosas ocultas; en local conviene restringir las rutas permitidas y exigir aprobación humana para acciones destructivas.