Cómo crear un servidor MCP paso a paso y sin perderte en el intento

La inteligencia artificial no deja de evolucionar, y con ella nuevas formas de aprovechar sus posibilidades de integración en entornos reales. Uno de los avances más recientes y prometedores en este campo es el Model Context Protocol (MCP), un estándar desarrollado para permitir a los modelos de lenguaje (LLMs) interactuar con herramientas externas, sistemas de archivos, bases de datos o incluso APIs en tiempo real.

En este artículo te explicamos en profundidad cómo puedes crear tu propio servidor MCP paso a paso, cubriendo diferentes lenguajes de programación como Python, C#, JavaScript y TypeScript. También te mostraremos cómo integrarlo en clientes como GitHub Copilot o Cursor IDE, y qué beneficios tiene adaptar este protocolo a flujos de trabajo asistidos por IA.

¿Qué es un servidor MCP y por qué deberías construir uno?

Un servidor MCP es un componente clave dentro del protocolo MCP, encargado de ofrecer información y ejecutar acciones solicitadas por un modelo de lenguaje. Funciona como un intermediario entre el LLM (a través de un cliente MCP como Claude, Cursor o Copilot) y el entorno externo donde residen los datos y herramientas que deseamos exponer.

Este protocolo, promovido por Anthropic, está diseñado para estandarizar la comunicación entre modelos y sistemas, permitiendo definir de manera clara herramientas (tools), recursos (resources) y prompts reutilizables (templates de entrada para el modelo). Todo esto con una interfaz y estructura común que facilita su integración.

¿Qué puedes hacer con un MCP server?

Las posibilidades que abre un servidor MCP son inmensas. Entre sus funcionalidades más destacadas están:

• Consultar documentos internos y devolver información precisa al modelo
• Interactuar con APIs externas como Google, Twitter, GitHub, etc.
• Ejecutar código personalizado para tareas específicas
• Acceder a bases de datos y realizar consultas o inserciones
• Leer y analizar archivos locales de manera automatizada

Esto transforma al servidor en una extensión potente del LLM, dotándolo de la capacidad de actuar sobre el entorno real y adaptarse a necesidades concretas.

Estructura de un servidor MCP: recursos, herramientas y prompts

Un servidor MCP organiza su funcionalidad en tres conceptos clave:

• Resources: datos que el LLM puede leer como contexto. Pueden ser archivos, resultados de consultas, logs o respuestas de otras APIs.
• Tools: funciones ejecutables por el modelo que permiten realizar una acción, desde consultar el clima hasta modificar una base de datos.
• Prompts: plantillas predefinidas que ayudan a comunicar instrucciones coherentes al modelo.

Estas estructuras se exponen a cualquier cliente compatible y son interpretadas por el LLM como parte de su contexto de trabajo.

Cómo construir un servidor MCP en Python paso a paso

Python es, sin duda, uno de los lenguajes más populares para trabajar con IA, y también cuenta con soporte oficial para crear servidores MCP. A continuación te mostramos cómo levantar uno desde cero.

1. Instalación del SDK

Primero, necesitas instalar la librería:

pip install "mcp"

2. Definir el servidor

Importa y crea una instancia de FastMCP:

from mcp.server.fastmcp import FastMCP
mcp = FastMCP("nombre-del-servidor")

3. Crear una herramienta (Tool)

Las herramientas se definen como funciones convencionales con un decorador especial. Por ejemplo, una herramienta para buscar documentación:

@mcp.tool()
def search_docs(query: str, library: str) -> str:
    """Busca documentación sobre una consulta en una librería especificada"""
    # lógica para consultar resultados y devolver respuesta
    return respuesta

Es fundamental escribir un docstring detallado ya que el LLM lo usará para saber cuándo debe ejecutar esta tool.

4. Recursos (Resources)

También puedes definir recursos estáticos o dinámicos que sirven como entrada de contexto. Por ejemplo:

from mcp.server.resource import MCPResource

resource = MCPResource(
  name="user_manual",
  content="...contenido del manual..."
)
mcp.add_resource(resource)

5. Transporte y ejecución

Existen dos formas principales de transporte:

• stdio: ideal para entornos CLI
• SSE: para interacción vía POST entre cliente y servidor

Para arrancar el servidor:

mcp.run(transport="stdio")

Conexión con GitHub Copilot o Claude

Una de las ventajas más interesantes de MCP es su integración con herramientas como GitHub Copilot o Claude Desktop. Esto permite que el modelo use directamente nuestro servidor como base de conocimiento y ejecución.

Por ejemplo, en VSCode, puedes registrar tu servidor añadiendo la siguiente configuración en el archivo settings.json:

{
  "mcp": {
    "servers": 
      }
    ]
  }
}

Creación de un servidor MCP en C# (.NET)

Si trabajas en entornos Microsoft o quieres publicar en NuGet, puedes usar el SDK oficial de .NET para MCP.

Pasos resumidos:

1. Instala la plantilla: dotnet new install Microsoft.Extensions.AI.Templates
2. Crea proyecto: dotnet new mcpserver -n MiServidor
3. Añade herramientas como GetRandomNumber o GetCityWeather
4. Conecta desde VS Code con archivo .vscode/mcp.json

Servidores MCP personalizados para Cursor IDE

Cursor también es compatible con MCP y tiene una interfaz interesante para probar herramientas. Puedes seguir estos pasos:

• Clonar plantilla oficial de ejemplo
• Añadir herramientas como búsqueda web o RAG (análisis de documentos)
• Ejecutar el servidor desde el IDE con UV

Cursor permite que las herramientas MCP analicen documentos locales, lanzen queries, o consulten APIs sin salir del entorno.

Ejemplo práctico: contar letras “r” en una palabra

En un ejemplo ilustrativo construido en JavaScript, se define una herramienta que cuenta cuántas veces aparece la letra “r” en una palabra (como distintas variantes erróneas de *strawberry*). Este tipo de acción no puede realizar bien un modelo de lenguaje, por su división en tokens, pero con una tool personalizada se soluciona fácilmente.

Este ejemplo demuestra el potencial real del protocolo MCP: reforzar las debilidades naturales de los LLMs con lógica personalizada a medida.

Pruebas, depuración y validación

Los servidores MCP pueden ser probados mediante interfaces como el Inspector de Claude, que permite listar las herramientas disponibles, pasarles parámetros y simular cómo las vería un LLM.

Además, es recomendable escribir tests automáticos. Por ejemplo, en Python puedes usar pytest para validar que un recurso o función devuelva lo esperado.

Buenas prácticas en servidores MCP

• Incluye validaciones Pydantic para evitar datos corruptos
• Utiliza caché y async para mejorar el rendimiento
• Integra autenticación con claves API para controlar el acceso
• Define herramientas con descripciones claras y detalladas
• Utiliza transporte SSE solo cuando sea necesario

Despliegue y publicación

Puedes ejecutar tu servidor MCP directamente en tu máquina para pruebas locales o desplegarlo en un entorno de producción en la nube. Algunas opciones:

• Docker: ideal para contenerización
• AWS App Runner o EC2: para disponibilidad remota
• Publicación en para distribución en .NET

Crear un servidor MCP se ha vuelto una de las formas más efectivas de conectar una IA generativa con el mundo real. Este protocolo estandariza y simplifica la tarea de integrar modelos con herramientas externas, permitiendo crear flujos de trabajo inteligentes y personalizados. La facilidad de aprendizaje, además, favorece su adopción en diversos ecosistemas y lenguajes de programación, facilitando la creación de soluciones potentes y adaptadas a necesidades específicas.

Qué es un servidor MCP y cómo está revolucionando la integración de IA y datos