MCP (Model Context Protocol): El estándar abierto para agentes IA colaborativos

📌 ¿Qué es MCP?

MCP (Model Context Protocol) es un protocolo abierto basado en JSON que define cómo representar el contexto que se intercambia entre agentes de IA o con un modelo de lenguaje (LLM). Permite encapsular:

• El rol del agente
• El objetivo general de la tarea
• Los datos de entrada
• El historial relevante de interacción
• Las instrucciones precisas para el agente

A diferencia de los prompts planos, MCP ofrece estructura, trazabilidad y flexibilidad para orquestar flujos IA complejos.

---

🏗️ Origen de MCP: ¿Quién lo creó y por qué?

MCP fue propuesto por Lamini AI como parte de su trabajo en modelos empresariales y sistemas multiagente. Su intención fue resolver problemas comunes en flujos IA:

• Pérdida de contexto entre pasos
• Incompatibilidad entre agentes
• Dificultad para auditar decisiones tomadas por IA
• Dificultad para componer tareas complejas

🧑‍🔬 ¿Quién lo usa?

• Lamini AI: creador y usuario principal
• CrewAI: framework para agentes colaborativos en Python (usa MCP como formato de paso entre agentes)
• Proyectos personalizados: cualquier arquitectura modular con LLMs se beneficia de MCP (por ejemplo LangGraph, Semantic Kernel…)

📚 Especificación

Toda la especificación es pública y está disponible en GitHub:

👉 https://github.com/modelcontextprotocol

---

🧩 Estructura de un mensaje MCP

{
  "context": {
    "role": "Analista de datos",
    "objective": "Detectar anomalías en el informe mensual de ventas.",
    "input": {
      "data": "ventas_marzo.csv",
      "summary": "Informe mensual con KPIs de marzo."
    },
    "history": [
      {
        "sender": "User",
        "message": "¿Puedes revisar si hubo caídas significativas?"
      },
      {
        "sender": "Model",
        "message": "Se observó una caída del 18% en ventas del producto B."
      }
    ]
  },
  "instructions": "Resume los hallazgos clave y recomienda acciones."
}

---

🚀 Casos de uso reales

• Flujos multiagente IA: Redactor → Editor → Revisor → Publicador
• Pipelines IA complejos: extracción → análisis → visualización → resumen
• Chatbots empresariales: donde cada turno del agente está ligado a contexto estructurado
• Orquestación IA modular con CrewAI, LangGraph

---

🛠️ ¿Cómo implementar MCP en un backend Spring Boot?

Gracias a que MCP es simplemente JSON estructurado, puedes usarlo como un DTO estándar en tu backend Java.

---

✅ 1. Definir las clases MCP en Java

public class MCPMessage {
    private MCPContext context;
    private String instructions;
}

public class MCPContext {
    private String role;
    private String objective;
    private Map<String, Object> input;
    private List<MCPHistory> history;
}

public class MCPHistory {
    private String sender;
    private String message;
}

---

✅ 2. Crear un endpoint REST para recibir MCP

@RestController
@RequestMapping("/api/mcp")
public class MCPController {

    @PostMapping("/process")
    public ResponseEntity<String> processMCP(@RequestBody MCPMessage message) {
        String rol = message.getContext().getRole();
        String objetivo = message.getContext().getObjective();
        String instrucciones = message.getInstructions();

        // Aquí podrías procesar o delegar la tarea a un modelo
        return ResponseEntity.ok("Procesado: " + rol + " | " + objetivo + " | " + instrucciones);
    }
}

---

✅ 3. Convertir MCP a prompt para un modelo LLM

public String construirPrompt(MCPMessage mcp) {
    StringBuilder prompt = new StringBuilder();
    prompt.append("Rol: ").append(mcp.getContext().getRole()).append("\n");
    prompt.append("Objetivo: ").append(mcp.getContext().getObjective()).append("\n");
    prompt.append("Instrucciones: ").append(mcp.getInstructions()).append("\n\n");

    if (mcp.getContext().getHistory() != null) {
        for (MCPHistory h : mcp.getContext().getHistory()) {
            prompt.append(h.getSender()).append(": ").append(h.getMessage()).append("\n");
        }
    }

    return prompt.toString();
}

---

✅ 4. Llamar a un modelo Ollama o OpenAI desde Spring

public String enviarAPromptLLM(String prompt) {
    WebClient client = WebClient.create("http://localhost:11434"); // Ollama
    String response = client.post()
        .uri("/api/generate")
        .contentType(MediaType.APPLICATION_JSON)
        .bodyValue(Map.of("model", "llama3", "prompt", prompt))
        .retrieve()
        .bodyToMono(String.class)
        .block();

    return response;
}

---

🔐 Buenas prácticas al usar MCP

• Validar entrada: asegúrate de que el JSON cumple con la estructura esperada.
• Limitar el historial: para evitar inputs demasiado largos o costosos.
• Persistir MCPs: para trazabilidad, debugging o auditoría.
• Sanitizar el input si va a modelos sensibles (evitar inyecciones o exploits de prompt).

---

✅ Ventajas de MCP

Característica	Beneficio
Estructurado	Fácil de validar y auditar
Reutilizable	Permite compartir tareas entre agentes
Escalable	Ideal para arquitecturas complejas
Agnóstico al modelo	Funciona con cualquier LLM
Trazable	Perfecto para sistemas empresariales o regulados

---

📚 Recursos adicionales

• Repositorio oficial:
  🔗 https://github.com/lamini-ai/mcp

• Frameworks relacionados:
  🔧 https://docs.crewai.com (CrewAI)

---

🧠 Conclusión

MCP (Model Context Protocol) representa un paso adelante en cómo estructuramos la comunicación con agentes de IA. Si estás construyendo un sistema con múltiples modelos o pasos secuenciales (pipeline), MCP te permitirá orquestar, auditar y escalar tu solución de forma limpia y coherente.

Además, su integración en Spring Boot es directa y flexible, lo que lo convierte en una opción excelente para entornos empresariales robustos.

---