MCP y Python: Cómo conectar tus plugins de IA como un jefe

Mira, colega, si estás leyendo esto es porque ya sabes que los MCP (Model Context Protocol) están cambiando el juego. Pero vamos al lío: ¿cómo coño se conectan con Python sin volverte loco? Aquí te traigo la guía práctica, sin teoría de manual, para que tus plugins de IA funcionen como un tiro.

¿Qué necesitas para empezar?

Primero, olvídate de instalaciones imposibles. Con Python 3.8+ y pip install mcp tienes el 80% del trabajo hecho. El resto es saber qué prompts meterle a ChatGPT para que genere el código que realmente necesitas.

3 prompts que te ahorrarán horas

1. El prompt del esqueleto MCP

Actúa como un desarrollador senior de Python especializado en MCP. Genera un plugin MCP completo que:

• Use FastAPI como servidor
• Tenga un endpoint /analyze que reciba texto y devuelva análisis de sentimiento
• Incluya logging básico
• Use variables de entorno para configuración
• Sea compatible con ChatGPT Plugins

Devuélveme el código completo con comentarios en español.

2. El prompt del conector real

Genera un script Python que implemente el Model Context Protocol para conectar una API de clima con ChatGPT. Debe:

• Usar la biblioteca mcp-client
• Tener autenticación por API key
• Parsear respuestas JSON y devolverlas formateadas
• Incluir manejo de errores con try/except
• Ser un solo archivo ejecutable

Incluye un ejemplo de uso con datos reales de OpenWeatherMap.

3. El prompt del plugin con memoria

Crea un plugin MCP en Python que implemente memoria contextual. Debe:

• Almacenar conversaciones en SQLite
• Tener funciones: guardar_contexto, recuperar_contexto, limpiar_memoria
• Exponer un endpoint /contexto/{session_id}
• Usar asyncio para operaciones concurrentes
• Incluir tests unitarios básicos

El código debe ser modular, con separación clara entre lógica de negocio y persistencia.

Cómo usar estos prompts como un pro

Tío, no seas de los que copian y pegan sin más. Cada prompt está diseñado para que puedas iterar:

• Pégalo en ChatGPT o Claude

• Pide modificaciones específicas: "cambia SQLite por PostgreSQL", "añade rate limiting"

• Pide que te explique líneas concretas: "¿por qué usas async def aquí?"

• Solicita ejemplos de test: "genera un test con pytest para el endpoint /analyze"

El truco que nadie te cuenta

La mayoría se queda en el prompt básico. El truco está en encadenar prompts. Primero pide el esqueleto, luego pide mejoras, luego pide debugging. Así:

• Prompt 1: "Genera estructura base MCP en Python"

• Prompt 2: "Añade autenticación JWT al código anterior"

• Prompt 3: "Optimiza el código para 1000 peticiones/minuto"

Errores comunes que te ahorrarán dolores de cabeza

• No usar asyncio: MCP es asíncrono por naturaleza, no lo fuerces con código síncrono

• Olvidar el .env: Las claves API nunca van en el código, usa python-dotenv

• No versionar: Cada plugin MCP necesita su propio requirements.txt o pyproject.toml

Y recuerda: un buen prompt no es el que genera código, es el que te hace entender cómo funciona. Porque cuando algo falla a las 3 de la mañana, no vas a tener a ChatGPT para arreglarlo.

Y tú, ¿qué prompt usas para conectar tus plugins MCP con Python?