Licencia YOLO
Volver al glosario de Ultralytics

Model Context Protocol (MCP)

El protocolo de contexto de modelos (MCP) es un estándar abierto que conecta aplicaciones de IA con herramientas y datos a través de una única interfaz. Descubre su arquitectura, usos y código.

El Protocolo de contexto de modelo (MCP) es un estándar abierto para conectar aplicaciones de IA con herramientas, fuentes de datos y flujos de trabajo externos. Antes de MCP, cada aplicación de IA necesitaba su propia integración personalizada para cada servicio que utilizaba, así que diez asistentes y diez servicios podían requerir hasta cien conectores distintos. Con MCP, un servicio se envuelve una sola vez como servidor MCP y cualquier aplicación compatible con MCP puede utilizarlo. Anthropic presentó el protocolo en noviembre de 2024 y, en diciembre de 2025, lo donó a Agentic AI Foundation, un fondo de Linux Foundation que Anthropic cofundó con Block y OpenAI. Plataformas anfitrionas como Claude, ChatGPT, VS Code, Cursor y Gemini CLI lo admiten, y se ha convertido en la forma estándar de que los agentes de IA y los modelos de lenguaje grandes (LLMs) accedan al mundo exterior.

Cómo funciona MCP#

La especificación de MCP define tres roles que intercambian mensajes JSON-RPC 2.0. El anfitrión es la aplicación de IA con la que trabaja el usuario, como un chatbot, un IDE o un agente. Dentro del anfitrión, un cliente gestiona la conexión con cada servidor, y cada servidor expone un conjunto de capacidades. Los servidores locales se ejecutan como subprocesos y se comunican mediante la entrada y salida estándar (stdio), mientras que los servidores remotos utilizan HTTP transmitible. Desde la revisión del 28-07-2026, el protocolo principal no tiene estado: cada solicitud incluye su propia versión del protocolo y las capacidades del cliente, han desaparecido el antiguo enlace initialize y los identificadores de sesión, y cualquier instancia del servidor detrás de un equilibrador de carga puede responder a cualquier solicitud.

Los servidores ofrecen tres tipos de capacidades:

  • Herramientas: Funciones que el modelo puede invocar, cada una descrita mediante un nombre, una descripción y un esquema JSON para sus argumentos, como create_issue o run_query. Las herramientas pueden devolver texto, imágenes o datos estructurados.
  • Recursos: Contexto de solo lectura identificado mediante URI, como archivos, esquemas de bases de datos o fragmentos de registros, que la aplicación puede incorporar al contexto del modelo.
  • Instrucciones: Plantillas de mensajes reutilizables que los usuarios seleccionan explícitamente y que suelen aparecer como comandos de barra inclinada.

Los servidores también pueden pedir al usuario la información que falta en mitad de una tarea mediante la elicitación. Las extensiones opcionales añaden otras funciones: Tasks gestiona operaciones de larga duración cuyos resultados consulta un cliente, y MCP Apps permite que una herramienta devuelva una interfaz interactiva, el enfoque de interfaz de usuario generativa que muestra gráficos y formularios dentro de la conversación.

Crear un servidor MCP#

El SDK oficial de MCP para Python convierte una función de Python tipada en una herramienta y genera su esquema JSON a partir de las anotaciones de tipo. Si envuelves así la predicción de Ultralytics YOLO26, cualquier anfitrión MCP obtiene detección de objetos: la herramienta devuelve Results.summary(), una lista con el nombre de clase, la confianza y las coordenadas de la caja de cada objeto, que el modelo puede utilizar para razonar. Aquí, un cliente en el mismo proceso descubre e invoca la herramienta del mismo modo que lo haría un anfitrión:

import asyncio

from mcp import Client
from mcp.server.mcpserver import MCPServer
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
server = MCPServer("vision")


@server.tool()
def detect(image_url: str) -> list[dict]:
    """Detect objects in an image and return each object's class, confidence, and box."""
    results = model(image_url)
    return results[0].summary()


async def main():
    """Discover the server's tools and call one, as an MCP host does."""
    async with Client(server) as client:
        tools = await client.list_tools()
        print(tools.tools[0].name, tools.tools[0].input_schema)
        result = await client.call_tool("detect", {"image_url": "https://ultralytics.com/images/bus.jpg"})
        print(result.structured_content)


asyncio.run(main())

El primer print muestra el nombre de la herramienta y el esquema de entrada que ve el modelo del anfitrión, que requiere un argumento de tipo cadena, image_url; el segundo muestra la lista de detecciones devuelta como contenido estructurado.

  • Invocación de funciones: Capacidad del modelo para emitir una solicitud estructurada a una herramienta. MCP estandariza la forma de descubrir, describir y ejecutar herramientas en distintas aplicaciones, y el anfitrión convierte las definiciones de herramientas de MCP al formato nativo de invocación de funciones del modelo.
  • API: Una API REST o GraphQL presta servicio a los clientes de un servicio. Un servidor MCP suele envolver una API de este tipo y añade los nombres, las descripciones y los esquemas que necesita un modelo para utilizarla sin código personalizado.
  • Generación aumentada por recuperación (RAG): Técnica que fundamenta las respuestas en documentos recuperados. MCP es una forma de ofrecer esa recuperación, mediante una herramienta de búsqueda o recursos adjuntos.
  • Protocolo Agent2Agent (A2A): Conecta agentes entre sí para que puedan delegarse tareas completas. MCP conecta un agente con las herramientas y los datos que utiliza directamente.
  • Habilidades de agentes: Carpetas de instrucciones y scripts que un agente carga en su contexto cuando una tarea los requiere. Las habilidades enseñan al agente a realizar una tarea, y los servidores MCP le dan acceso directo a los sistemas implicados, así que los agentes suelen utilizar ambos.

Aplicaciones en el mundo real#

  • Programación agéntica: Los agentes de programación se conectan a GitHub, sistemas de seguimiento de incidencias, bases de datos y navegadores mediante servidores MCP. Así, si preguntas por qué falla un inicio de sesión, el agente puede obtener registros de errores, leer el código de autenticación y consultar incidencias abiertas en una sola sesión.
  • Asistentes empresariales: Los conectores a repositorios de documentos, sistemas de chat, de gestión de tickets y de CRM permiten que un asistente responda preguntas con datos de la empresa y presente actualizaciones en nombre del usuario.
  • Inspección visual: Un agente ejecuta una herramienta de detección en una imagen de cámara, consulta un servidor de inventario para encontrar piezas de repuesto cuando detecta un componente dañado y redacta una solicitud de mantenimiento, convirtiendo una sola predicción en un flujo de trabajo de automatización completo.
  • Análisis de datos: Los servidores de bases de datos exponen herramientas de consulta de solo lectura, de modo que los analistas pueden hacer preguntas en lenguaje natural y obtener respuestas calculadas a partir de tablas actualizadas.

Consideraciones de seguridad#

Una herramienta MCP puede ejecutar código arbitrario con las credenciales del usuario, así que cada conexión amplía lo que puede hacer el modelo y aquello a lo que puede acceder un atacante. Los resultados de las herramientas y los recursos pueden contener inyecciones de instrucciones, es decir, texto que intenta hacer que el modelo invoque otras herramientas o filtre datos; además, un servidor malicioso puede ocultar instrucciones en las descripciones de sus propias herramientas, en un ataque conocido como envenenamiento de herramientas. Los servidores remotos autentican a los usuarios con autorización basada en OAuth, y los anfitriones prudentes limitan cada servidor a los permisos que necesita, ejecutan los servidores locales en entornos aislados y añaden protecciones, como solicitudes de aprobación antes de acciones sensibles. La especificación exige que los anfitriones obtengan el consentimiento explícito del usuario antes de invocar cualquier herramienta y que traten las descripciones de las herramientas como no fiables, salvo que procedan de un servidor de confianza.

Explora las soluciones

Visión artificial en el deporte

Visión artificial en el deporte

Descubre cómo Ultralytics YOLO impulsa la visión artificial en el deporte con el seguimiento de jugadores y balones, analíticas de rendimiento, información útil para entrenadores y rehabilitación de deportistas.
Más información
Visión artificial para imágenes aéreas

Visión artificial para imágenes aéreas

Convierte imágenes aéreas y de drones en información útil en tiempo real para la agricultura, la acuicultura, la conservación y el análisis geoespacial con Ultralytics YOLO.
Más información
Visión artificial en el sector aeroespacial

Visión artificial en el sector aeroespacial

Aplica la visión artificial en el sector aeroespacial con Ultralytics YOLO para inspeccionar aeronaves, detectar objetos extraños en pistas, gestionar operaciones en tierra y detectar defectos en materiales compuestos.
Más información
Visión artificial en seguridad

Visión artificial en seguridad

Protege todas tus instalaciones con los modelos Ultralytics YOLO. La IA visual permite supervisar perímetros, detectar amenazas, reconocer matrículas y mejorar la seguridad laboral.
Más información
Visión artificial en robótica

Visión artificial en robótica

Potencia máquinas más inteligentes con los modelos Ultralytics YOLO. La IA visual en robótica impulsa la navegación autónoma, la percepción, el seguimiento de objetos y el control en tiempo real.
Más información
Visión artificial en logística

Visión artificial en logística

Agiliza la logística con modelos Ultralytics YOLO. La IA visual permite inspeccionar paquetes, clasificarlos, realizar el seguimiento de vehículos y supervisar la seguridad del almacén en tiempo real.
Más información
Visión artificial en el comercio minorista

Visión artificial en el comercio minorista

Reinventa el comercio minorista con modelos Ultralytics YOLO. La IA visual permite realizar el seguimiento del inventario, supervisar estanterías, gestionar colas y obtener información más útil sobre los clientes.
Más información
Visión artificial en el sector sanitario

Visión artificial en el sector sanitario

Desarrolla soluciones sanitarias con modelos Ultralytics YOLO. La IA visual en el sector sanitario permite acelerar el diagnóstico por imagen, mejorar los diagnósticos y supervisar a los pacientes.
Más información
Visión artificial en la fabricación

Visión artificial en la fabricación

Optimiza la fabricación con modelos Ultralytics YOLO. La IA visual mejora el control de calidad, la detección de defectos, el cumplimiento de las normas de uso de EPI y la automatización de las líneas de montaje.
Más información
Visión artificial en la automoción

Visión artificial en la automoción

Aplica la visión artificial al sector de la automoción con modelos Ultralytics YOLO. La IA visual mejora la seguridad vial, la asistencia al conductor y la automatización de vehículos para lograr carreteras más inteligentes.
Más información
Visión artificial en la agricultura

Visión artificial en la agricultura

Incorpora la IA de visión a la agricultura inteligente con modelos Ultralytics YOLO. Impulsa la monitorización de cultivos, el seguimiento del ganado y la agricultura de precisión para obtener cosechas más abundantes e inteligentes.
Más información

¡Construyamos juntos el futuro de la IA!

Inicia tu recorrido hacia el futuro del aprendizaje automático