Durante los primeros años de integración de modelos de lenguaje en flujos de desarrollo, cada compañía tecnológica creaba sus propios conectores y protocolos propietarios ad-hoc: un plugin para ChatGPT requería una sintaxis específica, una extensión para Cursor exigía otro formato, y conectar Claude Desktop con una base de datos PostgreSQL local demandaba escribir scripts intermedios incompatibles entre sí. Esta fragmentación caótica recordaba a los inicios de la informática previa a la invención del estándar USB, donde cada periférico requería un puerto físico y un controlador exclusivo.

Para unificar el ecosistema de una vez por todas, Anthropic presentó el Model Context Protocol (MCP), un estándar universal abierto y libre de licencias concebido como el «puerto USB-C de las aplicaciones de inteligencia artificial». MCP define una arquitectura cliente-servidor rigurosa que permite que cualquier asistente de IA (como Claude Desktop, editores de código como Zed o Cursor, o plataformas corporativas) descubra y consuma de forma dinámica recursos de datos (Resources), plantillas de interacción (Prompts) y herramientas de ejecución (Tools) expuestas por servidores locales o remotos.

De acuerdo con la documentación y especificación técnica de Model Context Protocol Specification y el repositorio de referencia en GitHub de MCP, la adopción de este protocolo abierto ha crecido exponencialmente con la publicación de cientos de servidores oficiales para PostgreSQL, Git, Slack, SQLite, Google Drive y sistemas de archivos locales. Como hemos visto al analizar la API oficial de Claude en Python y los entornos de Claude Projects, construir servidores MCP es la destreza arquitectónica más demandada para desarrolladores de IA en 2026.

1. ¿Qué es el Model Context Protocol? Arquitectura y Visión del Estándar Abierto

La arquitectura del Model Context Protocol (MCP) se fundamenta en un principio de diseño limpio: desacoplar la aplicación cliente que alberga al modelo de lenguaje (como Claude Desktop, Cursor o una interfaz interna) de las fuentes de datos y herramientas con las que debe interactuar.

En el modelo MCP existen tres actores claramente delimitados:

• MCP Host (Anfitrión): El programa donde el usuario mantiene la conversación con el LLM (por ejemplo, la aplicación Claude Desktop).
• MCP Client (Cliente): Un componente interno dentro del anfitrión que establece una conexión biunívoca con cada servidor MCP configurado, negociando capacidades y enviando consultas en formato JSON-RPC 2.0.
• MCP Server (Servidor): Un programa ligero e independiente que expone recursos locales (como leer archivos en el disco duro o consultar una base de datos SQLite) o remotos (como invocar APIs de Stripe o GitHub).

Gracias a esta arquitectura, un desarrollador solo necesita programar su servidor MCP una sola vez: ese mismo servidor funcionará inmediatamente con cualquier aplicación o cliente de IA que implemente el estándar MCP, eliminando el retrabajo de escribir plugins específicos para cada plataforma.

MCP actúa como un estándar universal de conectividad entre asistentes de IA y repositorios de datos locales.

2. Las Tres Primitivas de MCP: Resources, Prompts y Tools Desglosadas

El protocolo MCP organiza las capacidades de un servidor en tres primitivas semánticas:

Resources (Recursos de solo lectura): Son datos pasivos que el cliente puede inspeccionar y anexar como contexto. Se identifican mediante URIs estandarizadas (como file:///proyectos/app.py o postgres://tabla_usuarios). Los recursos permiten que el modelo lea información sin riesgo de mutarla o borrarla.

Prompts (Plantillas parametrizadas): Son flujos de conversación predefinidos expuestos por el servidor. Por ejemplo, un servidor MCP de Git puede ofrecer un prompt denominado revisar_pull_request que automáticamente concatena el diff de la rama actual con una guía de revisión de seguridad corporativa.

Tools (Herramientas ejecutables): Funciones computacionales que el modelo de lenguaje puede decidir invocar autónomamente para realizar acciones activas (crear un ticket en Jira, ejecutar una consulta SQL de escritura, reiniciar un contenedor Docker o consultar una API meteorológica).

3. Capa de Transporte: Cuándo Utilizar Stdio Local y Cuándo Servidores Remotos SSE

MCP contempla dos mecanismos de transporte para el intercambio de mensajes JSON-RPC:

Transporte Stdio (Entrada/Salida Estándar): Diseñado para servidores locales que se ejecutan en la misma máquina física que la aplicación cliente. El anfitrión arranca el servidor MCP como un subproceso hijo (child process) y se comunica con él leyendo y escribiendo directamente en sus canales estándar de stdin y stdout. Ofrece una latencia de microsegundos y la máxima seguridad de aislamiento de procesos.

Transporte SSE (Server-Sent Events con HTTP POST): Diseñado para servidores distribuidos en la red local o en la nube corporativa. El cliente abre una conexión HTTP persistente unidireccional para recibir eventos del servidor mediante SSE y envía las peticiones del cliente mediante peticiones HTTP POST estándar, ideal para compartir bases de datos corporativas entre múltiples empleados.

4. Construcción Paso a Paso de un Servidor MCP en Python con FastMCP

La forma más rápida y elegante de construir un servidor MCP en Python es utilizando la librería oficial de alto nivel FastMCP, que abstrae la serialización del protocolo bajo decoradores limpios:

pip install "mcp[cli]"

Creamos nuestro servidor en un archivo denominado servidor_gestion.py:

from mcp.server.fastmcp import FastMCP
import sqlite3

# 1. Inicializar servidor FastMCP
mcp = FastMCP("Servidor Corporativo Ciberbotia")

# 2. Exponer un Recurso de solo lectura
@mcp.resource("db://esquema")
def obtener_esquema_bd() -> str:
    '''Devuelve la estructura DDL de las tablas corporativas.'''
    return "CREATE TABLE clientes (id INT, nombre TEXT, saldo REAL);"

# 3. Exponer una Herramienta tipada con validación automática
@mcp.tool()
def calcular_balance_cliente(cliente_id: int) -> str:
    '''Calcula el saldo acumulado y límite de crédito de un cliente.'''
    # Lógica de consulta segura a base de datos
    return f"Cliente {cliente_id}: Saldo actual = 14.520 EUR. Límite disponible = 50.000 EUR."

# 4. Exponer una Plantilla de Prompt predefinida
@mcp.prompt()
def auditar_riesgo_cliente(cliente_id: int) -> str:
    '''Genera el prompt para auditar el perfil crediticio.'''
    return f"Analiza exhaustivamente el riesgo de mora para el cliente {cliente_id} considerando su balance actual."

if __name__ == "__main__":
    mcp.run(transport="stdio")

FastMCP inspecciona automáticamente los tipos de Python y las cadenas de documentación para generar los esquemas JSON Schema exigidos por el protocolo sin requerir configuración manual adicional.

FastMCP permite exponer bases de datos y scripts locales como herramientas de IA en pocas líneas de Python.

5. Integración en Claude Desktop: Configuración del Archivo claude_desktop_config.json

Para conectar nuestro servidor recién creado con la aplicación oficial de Claude Desktop en nuestro ordenador, abrimos el archivo de configuración ubicado en:

• Windows: %APPDATA%\Claude\claude_desktop_config.json
• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

Añadimos la definición de nuestro servidor indicando el intérprete de Python y la ruta absoluta del script:

{
  "mcpServers": {
    "ciberbotia-gestion": {
      "command": "python",
      "args": [
        "C:\\Users\\PC\\Documents\\servidor_gestion.py"
      ]
    }
  }
}

Al reiniciar Claude Desktop, aparecerá un nuevo icono de martillo en la esquina inferior derecha de la ventana del chat. Claude reconocerá automáticamente la herramienta calcular_balance_cliente y el recurso db://esquema, pudiendo consultarlos de manera natural cuando el usuario pregunte en el chat por la situación financiera de cualquier cliente.

6. Tabla Comparativa: MCP vs. OpenAI Actions vs. LangChain Tools

Comparamos los tres enfoques de integración de herramientas en la industria actual:

7. Seguridad en MCP: Control de Permisos, Sandbox y Consentimiento de Usuario

Dado que un servidor MCP puede tener acceso directo a los archivos del disco duro local, a credenciales de red o a bases de datos transaccionales de producción, el protocolo implementa estrictas salvaguardas de seguridad por diseño para impedir abusos y accesos no autorizados:

Consentimiento Explícito de Ejecución (Human-in-the-Loop): Antes de que el cliente ejecute cualquier herramienta expuesta por un servidor MCP, la interfaz solicita la autorización manual del usuario mostrando los argumentos exactos calculados por el modelo («Claude desea invocar la herramienta ‘calcular_balance_cliente’ con cliente_id=42. ¿Permitir?»). El usuario puede aprobar la acción una sola vez, rechazarla o autorizar permanentemente el servidor bajo su entera responsabilidad.

La arquitectura de permisos y aislamiento en MCP evita vectores de ejecución arbitraria o fugas de datos confidenciales.

Aislamiento y Mínimo Privilegio: Los servidores MCP deben programarse bajo el principio de mínimo privilegio: si un servidor solo requiere leer el contenido de una carpeta específica de proyectos, el código no debe tener permisos de escritura ni capacidad para navegar por directorios padre del sistema operativo, neutralizando posibles vectores de escape en caso de que el modelo sufra una inyección de prompts indirecta en el flujo conversacional.

Auditoría de Llamadas y Registro Estructurado: Toda invocación de herramientas y lectura de recursos genera trazas estructuradas en formato JSON que pueden remitirse a sistemas SIEM centrales (como Datadog o Splunk), posibilitando auditar qué modelos y qué usuarios accedieron a determinados registros confidenciales en cada sesión interactiva.

8. Preguntas Frecuentes sobre Model Context Protocol y Creación de Servidores