Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Modele las estrategias del Protocolo de Contexto en AWS
Amazon Web Services (colaboradores)
Marzo de 2026 (historial del documento)
Esta guía puede ayudarlo a desarrollar e implementar estrategias de Protocolo de Contexto Modelo (MCP) en toda su organización para respaldar su viaje hacia la IA de los agentes. A medida que los agentes y los modelos lingüísticos se vuelven cada vez más fundamentales para las operaciones comerciales, establecer una estrategia de MCP es fundamental para que las soluciones de los agentes tengan éxito.
Esta guía analiza tres pilares fundamentales para desarrollar una estrategia de MCP: el diseño de las herramientas de MCP, el alojamiento de servidores de MCP y la gobernanza de MCP. Al abordar estos componentes interconectados, las organizaciones pueden crear sistemas escalables, seguros y eficaces para gestionar el contexto de los modelos en todas sus implementaciones de IA. Esta guía proporciona información práctica y orientación estratégica para las organizaciones que se encuentran en cualquier etapa de la transición de una organización a la IA, desde la experimentación inicial hasta las implementaciones de producción a gran escala. Esto les ayuda a desarrollar soluciones de MCP personalizadas que se ajusten a sus necesidades y objetivos específicos.
Estas mejores prácticas se derivan de las implementaciones reales de organizaciones que implementan el MCP a escala empresarial, de un análisis de los estándares actuales de especificación del MCP y de las lecciones aprendidas de las aplicaciones personalizadas de modelos de lenguaje de gran tamaño (LLM) en producción.
Los sistemas de IA se utilizan cada vez más sofisticados y robustos LLMs en una amplia variedad de casos de uso. LLMs destacan en la comprensión del lenguaje natural, la generación de respuestas similares a las humanas y el razonamiento sobre información compleja. Sin embargo, para pasar LLMs de ser interfaces conversacionales a sistemas capaces de realizar tareas complejas de forma autónoma, las organizaciones están adoptando arquitecturas de inteligencia artificial basadas en los agentes, sistemas de inteligencia artificial que permiten percibir su entorno, razonar en torno a los objetivos, tomar decisiones autónomas, orquestar múltiples pasos y tomar medidas para alcanzar los objetivos en nombre de los usuarios. Este enfoque agencial ayuda a las organizaciones a crear sistemas de IA que puedan entender la intención del usuario a través del lenguaje natural, coordinar de forma autónoma múltiples fuentes de datos y herramientas y ofrecer experiencias personalizadas a una escala que no era posible con los patrones tradicionales de solicitud-respuesta. Para que estos agentes sean más capaces, las organizaciones deben proporcionar acceso a sus herramientas y datos existentes para enriquecer la comprensión contextual del agente y permitirle actuar en nombre del usuario.
El MCP
Esta guía sintetiza las lecciones aprendidas de las implementaciones de MCP empresariales y proporciona recomendaciones prácticas que se alinean con el marco de Well-Architected.AWS
-
Seguridad: aislamiento de tokens, credenciales restringidas, autorización independiente read/write
-
Excelencia operativa: selección de herramientas, métricas de precisión, conjuntos de datos de referencia para pruebas de regresión
-
Fiabilidad: limitación de velocidad por usuario y herramienta, reducción de carga
-
Eficiencia del rendimiento: herramientas centradas en el flujo de trabajo, filtrado de herramientas y búsqueda semántica para reducir el uso de las ventanas contextuales
-
Optimización de costes: servidores MCP reutilizables en todos los equipos, lo que reduce los costes de los tokens por solicitud mediante el filtrado de herramientas
Destinatarios previstos
Esta guía está dirigida a arquitectos, desarrolladores y líderes tecnológicos que están implementando soluciones de inteligencia artificial automática en sus organizaciones. Para comprender los conceptos de esta guía, debe comprender cómo LLMs funciona y tener conocimientos básicos sobre el MCP, las herramientas y la ingeniería puntual.
Objetivos
Crear sistemas de inteligencia artificial de Agentic que estén listos para la producción significa abordar la gobernanza, la optimización y la seguridad de manera conjunta para respaldar las políticas de su organización. A continuación, se explica cómo esta guía aborda estos objetivos:
-
Gobernanza: sin una gobernanza centralizada, no puede responder a las preguntas de auditoría sobre sus cargas de trabajo de IA, como qué agentes accedieron a qué datos, con qué permisos y cuándo. Tampoco puede imponer el control de versiones. En la sección de estrategia de alojamiento de MCP de esta guía se explica cómo los usuarios podrían utilizar servidores MCP locales anticuados con vulnerabilidades conocidas debido a la falta de controles sistemáticos.
Para las industrias reguladas, la gobernanza es fundamental. Los auditores desean ver la aplicación de las políticas y el seguimiento del uso de las herramientas en todos los agentes desde un único panel. La gobernanza del MCP lo proporciona.
Si sigue las recomendaciones de esta guía, puede mejorar la precisión de las tareas entre un 28 y un 32% según los puntos de referencia revisados por pares. Para obtener más información, consulte MARCO: Multi-Agent Real-Time Chat Orchestration (sitio web de ACL Anthology).
La gobernanza no se basa solo en el cumplimiento, sino que también mejora el rendimiento del sistema de IA de su agencia. -
Optimización: es posible que sus equipos creen las mismas integraciones más de una vez. Por ejemplo, cuando cinco equipos diferentes escriben su propio script de consulta de bases de datos para que su aplicación de IA se comunique con sus bases de datos, se multiplica por cinco el coste de desarrollo y el mantenimiento de cinco conjuntos de listas de errores. MCP te permite crearlo una vez y compartirlo con toda la comunidad de ingenieros. Los ahorros se acumulan a medida que aumenta el número de agentes.
También hay un problema de coste por solicitud que la mayoría de los equipos no notan al principio. Cada definición de herramienta consume símbolos de ventana de contexto. Con 20 herramientas, gastas entre 5.000 y 10.000 fichas por invocación únicamente en descripciones, además de en las consultas de los usuarios. Esto aumenta la latencia y los costes de inferencia de LLM y reduce la precisión, ya que el modelo se esfuerza por elegir la herramienta adecuada de la lista de herramientas disponibles.
Los agentes que utilizan envoltorios de herramientas estructurados son aproximadamente tres veces más precisos en las tareas de la base de datos que los agentes que acceden APIs directamente (para obtener más información, consulte Middleware para LLMs: Las herramientas son fundamentales para los agentes lingüísticos
en entornos complejos). La forma de diseñar y presentar las herramientas para un modelo de IA es importante. Esta guía recomienda dar a las herramientas esquemas claros, ajustarlas a los flujos de trabajo reales en lugar de a puntos finales sin procesar, y limitar la información en la ventana contextual. La sección de estrategia de diseño de herramientas MCP de esta guía profundiza en estos aspectos. -
Seguridad y cumplimiento: imagine un sistema de IA de agencia que imagina una etapa de limpieza e intenta eliminar una base de datos de producción. Si el agente heredó las credenciales de administrador completas del usuario, es posible que la eliminación se lleve a cabo. Con el aislamiento de los tokens y las credenciales restringidas que solo permiten el acceso de lectura y creación, se produce un error seguro.
Los flujos de trabajo regulados agudizan aún más esta situación. La guía proporciona ejemplos (procesos de atención médica que requieren la validación de la HIPAA y la anonimización de la información de identificación personal antes de procesar los datos de los pacientes). Al incorporar esta lógica en las herramientas del MCP, el cumplimiento se produce siempre de forma determinista.
