Model Context Protocol (MCP)

El Model Context Protocol (MCP) es un estándar abierto, presentado por Anthropic en noviembre de 2024, que define cómo una aplicación de IA se comunica con capacidades externas. Un servidor MCP expone herramientas (acciones que el modelo puede invocar), recursos (datos que puede leer) y prompts (plantillas reutilizables). Un cliente MCP, dentro de un host como el asistente de un IDE o una app de chat, descubre esas capacidades y permite que el modelo las use. Los mensajes usan JSON-RPC 2.0, sobre entrada/salida estándar para servidores locales o HTTP para los remotos. Un servidor escrito una sola vez funciona con cualquier cliente que soporte el protocolo.

Ejemplo: automatización del navegador para un asistente

El servidor MCP de Playwright permite a un asistente abrir páginas, leer el árbol de accesibilidad, hacer clic y escribir. Una configuración típica del cliente:

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"]
    }
  }
}

Con eso configurado, puedes pedirle al asistente que “abra la página de login de staging, inicie sesión con el usuario de prueba e informe de cualquier error de consola”, y el asistente llamará a las herramientas del navegador paso a paso. Otros servidores exponen cosas como las incidencias de un host de Git, una base de datos o una API interna, de modo que el mismo asistente puede leer un ticket de bug, reproducirlo en el navegador y redactar un test.

Consolidado y emergente

Consolidado: el protocolo en sí y su amplio soporte en asistentes, IDEs y proveedores de herramientas. Envolver una herramienta interna como servidor MCP es un trabajo de ingeniería razonable y bien documentado.

Emergente: usar agentes impulsados por MCP como parte de un proceso de pruebas. Las sesiones exploratorias, la reproducción de bugs y la redacción de código de test ya resultan útiles hoy, siempre que una persona revise el resultado. Tratar la ejecución de un agente como una comprobación de regresión fiable no lo es, porque sus pasos no son deterministas y puede declarar éxito sin verificar lo correcto. Los tests generados deben confirmarse en el repositorio como código normal y revisarse como cualquier otro.

Riesgos a tener en cuenta

• Prompt injection a través de herramientas. El contenido de las páginas, los tickets y la salida de las herramientas son texto no confiable que puede dirigir al modelo.
• Permisos demasiado amplios. Un servidor con acceso de escritura a datos de producción o con credenciales en su entorno convierte un error del modelo en un incidente. Da a los servidores el alcance mínimo posible y apúntalos a entornos de prueba.
• Servidores no confiables. Un servidor MCP de terceros ejecuta código en tu máquina y describe sus propias herramientas al modelo; revísalo como cualquier otra dependencia.