En el último año hemos visto una evolución acelerada en la manera en que construimos aplicaciones con modelos de lenguaje (LLMs) y agentes de IA. Cada salto de abstracción ha traído nuevos retos. Para entender la importancia del Model Context Protocol (MCP), exploremos rápidamente este camino.

Los inicios: LLMs sin acciones

Todo comenzó con los LLMs. Estos modelos reciben un input (prompt) del usuario y generan una respuesta. Son muy buenos para producir contenido en base a la data con la que fueron entrenados: escribir un ensayo, resumir un documento, traducir un texto.

Pronto nos encontramos con un límite evidente: los LLMs solo generan texto, sin capacidad de ejecutar acciones en el mundo real.

Segunda etapa: agentes con herramientas (tools)

La siguiente evolución fueron los agentes. Aprovechan la capacidad de los LLMs para razonar y generar instrucciones, pero ahora con acceso a tools (herramientas externas).

Con esto, los agentes pueden:

  • Consultar una API (por ejemplo, tipo de cambio de la SUNAT).
  • Buscar en la web (como hace Perplexity o ChatGPT).
  • Crear archivos o conectarse a sistemas de terceros.

El LLM no ejecuta la acción directamente, pero decide cuándo invocar un tool y construye la respuesta final con base en el resultado.

El problema: acoplamiento de tools y agentes

Esto fue un gran avance, pero trajo un reto: los agentes eran responsables de definir, mantener e integrar todos sus tools.

Cada agente terminaba acoplado a su propio set de herramientas, lo que dificultaba la reutilización, mantenimiento y estandarización entre proyectos y equipos.

El salto: llega MCP

Para resolverlo, Anthropic introdujo el Model Context Protocol (MCP).

MCP define un protocolo estándar que permite exponer herramientas (capabilities) a los agentes de forma desacoplada:

  • Se construye un MCP Server que implementa las acciones (por ejemplo, crear un repo en GitHub o consultar documentación de AWS).
  • Los agentes actúan como MCP Clients, conectándose a los servidores mediante: stdio (flujo estándar) o shttp (streaming HTTP).

Los servidores MCP no solo exponen herramientas, también publican información contextual como prompts disponibles o descripciones de capabilities. De esta manera, un agente puede decidir dinámicamente qué usar para responder a la petición del usuario.

Adopción en el ecosistema

En poco tiempo, MCP ha sido ampliamente adoptado. Algunos ejemplos:

Para empresas, MCP significa modularidad:

  • Los equipos exponen capacidades una vez y las consumen desde múltiples agentes.
  • Pueden construir MCP Servers reutilizables y usarlos en múltiples proyectos, simplificando mantenimiento y despliegue.

MCP en acción: Amazon Q CLI + GitHub

Veamos un ejemplo práctico: configurar el GitHub MCP Server dentro de Amazon Q CLI.

Requisitos previos

Configuración del archivo mcp.json

Dependiendo del alcance que necesites:

  • Global (todos los proyectos): ~/.aws/amazonq/mcp.json
  • Solo en un workspace: .amazonq/mcp.json

Crea el archivo con este contenido (reemplaza el GitHub Personal Access Token):

{
  "mcpServers": {
    "github": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-e",
        "GITHUB_PERSONAL_ACCESS_TOKEN",
        "ghcr.io/github/github-mcp-server"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "<tu-access-token>"
      }
    }
  }
}

Uso

Ejecuta:

q chat

Dentro de Amazon Q vas a ver los tools configurados, incluyendo el de GitHub. Ahora puedes, por ejemplo, crear un repositorio directamente desde tu consola sin salir del agente.

Conclusiones

El Model Context Protocol (MCP) representa un cambio de paradigma:

  • Desacopla agentes y herramientas.
  • Establece un lenguaje común entre LLMs, agentes y sistemas externos.
  • Permite crear ecosistemas de herramientas reutilizables y seguros.

En otras palabras, MCP nos lleva de agentes con herramientas aisladas a un ecosistema interoperable de capacidades, mucho más preparado para escalar en entornos reales y empresariales.

Cómo lo aplicamos en Caleidos

En proyectos reales con clientes, los MCP Servers se vuelven la columna vertebral de plataformas GenAI corporativas: una capa común de capacidades reutilizables que distintos agentes de negocio (atención al cliente, ventas, operaciones) pueden consumir sin duplicar lógica.

Caleidos diseña e implementa estos ecosistemas como parte de nuestro servicio Agentic AI con AWS, incluyendo arquitectura de MCP Servers, integración con Bedrock y agentes en producción operados 24×7 por Caleidos Lens©.

¿Quieres conversar sobre tu caso de uso? Hablemos →