MCP Server Tutorial: Cómo Conectar tu IA a Datos Reales (y No Morir en el Intent
MCP Server Tutorial: Cómo Conectar tu IA a Datos Reales (y No Morir en el Intento)
Mira, colega, llevamos meses hablando de que los modelos de IA son potentes pero están limitados a su conocimiento de entrenamiento. Hasta que llegó el Model Context Protocol (MCP) de Anthropic. Esto no es un plugin más, tío. Es la pieza que faltaba para que tu ChatGPT, Claude o cualquier asistente pueda tocar bases de datos, APIs y archivos como si fueran suyos.
Aquí no hay teoría ni milongas. Te voy a contar cómo montar tu primer MCP server en 5 minutos, con prompts que funcionan de verdad.
¿Qué coño es MCP y por qué debería importarte?
Piénsalo así: hasta ahora, cuando le pedías a una IA que analizara un archivo de Excel, solo podía imaginar lo que había dentro. Con MCP, le das acceso directo a ese archivo, a tu base de datos SQL, o a una API de terceros. Es como si la IA se pusiera gafas de realidad aumentada para ver tu entorno real.
Y no, no necesitas ser ingeniero de software. Si sabes copiar y pegar comandos, estás dentro.
Paso 1: Monta tu servidor MCP local (sin dolor)
Te voy a dar el prompt exacto para que tu asistente te genere la configuración básica:
PROMPT: Quiero montar un servidor MCP en mi máquina local con Python. Dame el código mínimo para un servidor que exponga dos herramientas: una que lea archivos de texto y otra que consulte el clima. Usa la librería oficial mcp de Anthropic. Explícame cada línea.
Esto te generará algo como esto (copia y pega en tu terminal):
server_mcp_basico.py
from mcp import Server, Tool, types
server = Server("mi_primer_mcp")
@server.tool("leer_archivo")
async def leer_archivo(ruta: str) -> str:
with open(ruta, 'r', encoding='utf-8') as f:
return f.read()
@server.tool("clima_actual")
async def clima_actual(ciudad: str) -> str:
# Aquí conectarías con una API real
return f"El clima en {ciudad} es soleado, 22°C"
server.run()
Ejecútalo con python server_mcp_basico.py y ya tienes tu primer MCP server vivo.
Paso 2: Conecta ChatGPT a tu servidor
Aquí viene lo bueno. Una vez tu servidor está corriendo, necesitas un cliente que hable con él. Usa este prompt para configurar la conexión:
PROMPT: Dame el código para un cliente MCP en Python que se conecte a mi servidor local (localhost:8000). Quiero que llame a la herramienta "leer_archivo" con la ruta "datos.txt" y luego muestre el resultado. Usa la librería mcp-client.
cliente_mcp.py
from mcp import Client
async def main():
async with Client("http://localhost:8000") as client:
resultado = await client.call_tool("leer_archivo", {"ruta": "datos.txt"})
print("Contenido del archivo:", resultado)
if __name__ == "__main__":
import asyncio
asyncio.run(main())
Paso 3: El truco del almendruco (multitool)
Si quieres que tu IA pueda usar varias herramientas a la vez, necesitas un servidor que las agrupe. Aquí el prompt mágico:
PROMPT: Crea un servidor MCP que exponga tres herramientas: buscar en Google, extraer texto de PDF, y generar gráficos con matplotlib. Cada herramienta debe tener su propia función asíncrona. Quiero que el servidor escuche en el puerto 8080.
Paso 4: Debugging rápido (porque siempre falla algo)
Cuando tu servidor no responda (y pasará), usa esto:
PROMPT: Mi servidor MCP no responde. Dame un script de diagnóstico que verifique: 1) que el puerto está abierto, 2) que el servidor está corriendo, 3) que puede ejecutar una herramienta de prueba. Usa requests y asyncio.
El secreto que nadie te cuenta
Los MCP servers no son magia negra. Son APIs con esteroides. La clave está en que el modelo de IA entiende el contexto de las herramientas que le ofreces. Si tu servidor devuelve datos estructurados (JSON, tablas), el asistente los procesará mejor. Si devuelves texto plano, también funciona, pero pierdes precisión.
Mi recomendación: empieza con herramientas simples (leer archivos, consultar APIs) y luego escala a bases de datos. No intentes hacer un servidor que haga café y te lea la mente el primer día.
