Apariencia
Qué es un Servidor MCP: Guía en Lenguaje Normal para Desarrolladores
Si llevas un tiempo siguiendo el espacio del desarrollo con AI, seguramente has visto "MCP" mencionado en el contexto de Claude, Cursor y otras herramientas. El término se usa mucho, pero las explicaciones claras escasean. Este artículo es una guía directa: qué es MCP, cómo funciona por dentro y por qué importa para los desarrolladores.
El Problema que MCP Resuelve
Los modelos de lenguaje de AI son muy buenos generando texto, razonando sobre problemas y escribiendo código. Pero por defecto están aislados. No tienen acceso a tu sistema de archivos, tus APIs, tus bases de datos ni tus herramientas, a menos que alguien construya esa conexión explícitamente.
Antes del Model Context Protocol, añadir acceso a herramientas en un agente AI requería integraciones personalizadas — a menudo específicas para un proveedor de AI, a menudo frágiles, siempre con mantenimiento necesario cuando la API de la AI cambiaba.
MCP es un protocolo estandarizado para conectar agentes AI con herramientas externas y fuentes de datos. En lugar de que cada integración sea a medida, MCP define una interfaz común que cualquier cliente AI puede hablar y cualquier proveedor de herramientas puede implementar.
Cómo Funciona MCP
La arquitectura es sencilla. Hay tres piezas:
MCP Host — la aplicación AI con la que interactúa el usuario (Claude Desktop, Cursor, Windsurf, una app personalizada)
MCP Client — integrado en el host, gestiona la comunicación con los servidores
MCP Server — un programa que expone herramientas, recursos y prompts a la AI
El servidor se ejecuta localmente (o en remoto) y se comunica con el cliente AI a través de un protocolo estándar. La AI descubre qué herramientas están disponibles, sus descripciones y sus esquemas de entrada. Cuando el usuario (o la propia AI) decide usar una herramienta, la AI envía una llamada estructurada al servidor MCP, que ejecuta la operación y devuelve el resultado.
Desde la perspectiva de la AI, un servidor MCP parece un conjunto de capacidades que puede invocar. Desde la perspectiva del desarrollador, un servidor MCP es un programa que recibe peticiones estructuradas y hace algo útil con ellas.
Qué Pueden Exponer los Servidores MCP
El protocolo define tres tipos de capacidades:
Tools — funciones que la AI puede llamar para realizar acciones. Una tool puede leer un archivo, consultar una base de datos, llamar a una API externa, ejecutar un script o crear un documento. Las tools pueden tener efectos secundarios.
Resources — fuentes de datos de solo lectura a las que la AI puede acceder. Un resource puede ser un archivo, un registro de base de datos, una URL o cualquier dato estructurado. Los resources están pensados para que la AI lea contexto, no para desencadenar acciones.
Prompts — plantillas de prompt reutilizables que la AI puede usar. Menos comunes en la práctica, pero útiles para estandarizar cómo la AI aborda tareas específicas.
Ejemplos de Servidores MCP
El ecosistema ha crecido rápido. Algunas categorías:
Herramientas de filesystem — permiten a la AI leer y escribir archivos en tu máquina local con permisos explícitos. Anthropic distribuye el paquete oficial @modelcontextprotocol/server-filesystem.
Herramientas de base de datos — conectan la AI con PostgreSQL, SQLite u otras bases de datos. La AI puede consultar, inspeccionar esquemas y ejecutar migraciones mediante llamadas estructuradas a tools.
Automatización de navegador — permiten a la AI controlar un navegador headless, tomar capturas de pantalla, rellenar formularios y hacer scraping.
Integración con GitHub — permiten a la AI crear issues, abrir pull requests, leer contenidos de repositorios y gestionar ramas.
Herramientas de flujo dev — herramientas para ejecutar tests, verificar tipos, pasar linters y otras operaciones de desarrollo.
Planu — un servidor MCP específicamente para flujos de trabajo de Spec Driven Development. Da a los agentes AI las herramientas para crear y gestionar especificaciones de software, rastrear el progreso de implementación, analizar codebases y validar que las implementaciones coinciden con las specs.
Por Qué los Desarrolladores Construyen Servidores MCP
Lo atractivo de MCP es que no es difícil construir un servidor, y la superficie de lo que es útil es enorme.
Si hay una herramienta o fuente de datos con la que interactúas regularmente, y quieres que tu agente AI también pueda interactuar con ella, un servidor MCP es la abstracción correcta. La AI no necesita un prompt especial ni una solución ingeniosa — simplemente tiene una tool que puede llamar.
Razones prácticas por las que los desarrolladores construyen servidores MCP:
- Automatizar tareas repetitivas — en lugar de copiar y pegar output entre tu terminal y tu AI, la AI puede ejecutar los comandos directamente
- Dar acceso a la AI a datos propietarios — APIs internas, bases de datos o documentación a las que la AI no tiene acceso por defecto
- Aplicar flujos de trabajo — un servidor MCP puede codificar un proceso (como el flujo de trabajo SDD de Planu) y hacer que la AI lo siga de forma consistente
- Crear herramientas de equipo — comparte un servidor MCP con tu equipo para que el agente AI de todos tenga las mismas capacidades y restricciones
Cómo Usar un Servidor MCP Existente
Si quieres añadir un servidor MCP a Claude Desktop u otro host compatible, la configuración normalmente es un cambio de configuración. Para servidores publicados en npm, se ve así:
json
{
"mcpServers": {
"planu": {
"command": "npx",
"args": ["--prefer-online", "-y", "@planu/cli@latest"]
}
}
}Esto va en el archivo de configuración de tu cliente AI. El cliente inicia el proceso del servidor al arrancar, y la AI inmediatamente tiene acceso a las herramientas del servidor.
La mayoría de servidores MCP son:
- Paquetes npm (Node.js, ejecutar con
npx) - Paquetes pip (Python, ejecutar con
uvxopython -m) - Scripts locales (cualquier lenguaje, apuntando con una ruta)
El protocolo es agnóstico al lenguaje — el servidor solo necesita hablar MCP sobre stdio o HTTP.
El Ecosistema Más Amplio
Anthropic introdujo el Model Context Protocol a finales de 2024 y publicó la especificación como open source. Desde entonces, lo han adoptado:
- Clientes AI: Claude Desktop, Cursor, Windsurf, Zed, VS Code (vía extensiones) y otros
- Proveedores de herramientas: decenas de servidores mantenidos por la comunidad para bases de datos, proveedores cloud, herramientas de desarrollo y más
- Frameworks AI: LangChain, LlamaIndex y otros han añadido soporte para MCP
El protocolo tiene suficiente tracción como para convertirse en la forma predeterminada de extender agentes AI con capacidades externas, similar a cómo REST se convirtió en la forma predeterminada de exponer APIs web.
Primeros Pasos con Planu
Planu es un servidor MCP que trae Spec Driven Development a tu flujo de trabajo con AI. Una vez instalado, tu agente AI puede crear y gestionar specs de software, rastrear el progreso de implementación, auditar tu codebase y verificar que las implementaciones coinciden con su diseño original.
Instalación
Planu funciona con Claude Desktop, Cursor, Windsurf, Gemini CLI y cualquier host compatible con MCP.
Lee la guía de primeros pasos para añadir Planu a tu setup en cinco minutos.
MCP es la fontanería. Lo que construyes con él depende de ti.