MCP (Model Context Protocol) y Markdown

Qué es Model Context Protocol, cómo conecta los chatbots de IA con herramientas externas y por qué Markdown es el formato natural para definir prompts, recursos y documentación de servidores MCP.

Publicado el 7 de mayo de 2026

Model Context Protocol (MCP) es un protocolo abierto presentado por Anthropic a finales de 2024 que se ha consolidado durante 2025 y 2026 como la forma estándar de conectar modelos de lenguaje con herramientas externas, bases de datos, APIs y sistemas de archivos. Si los agentes de IA son cada vez más capaces es, en gran parte, gracias a MCP.

Aunque MCP es un protocolo técnico que viaja por JSON-RPC, todo el material que rodea a un servidor MCP, desde los prompts hasta la documentación de las herramientas, se escribe en Markdown. Veamos por qué y cómo aprovecharlo.

Qué problema resuelve MCP

Antes de MCP, conectar un chatbot con herramientas externas exigía implementar a mano la integración para cada combinación modelo-herramienta. Si querías que Claude leyera tu base de datos, escribías un wrapper específico. Si querías que ChatGPT escribiera en tu CRM, otro wrapper distinto. Y si cambiabas de modelo, vuelta a empezar.

MCP propone una arquitectura cliente-servidor estándar:

  • Servidores MCP: pequeños procesos que exponen recursos (archivos, datos), herramientas (funciones que el modelo puede invocar) y prompts (plantillas reutilizables).
  • Clientes MCP: aplicaciones que hablan con los modelos (Claude Desktop, Cursor, Cline, etc.) y delegan en los servidores MCP cuando el modelo necesita algo del exterior.
  • Protocolo común: cualquier cliente puede consumir cualquier servidor, y cualquier servidor puede usarse desde cualquier cliente compatible.

El resultado es que basta con escribir un servidor MCP una vez para que esa funcionalidad esté disponible en todas las aplicaciones que hablen el protocolo. Es la pieza que faltaba para que los agentes de IA dejen de ser silos cerrados.

Cómo encaja Markdown en MCP

Aunque MCP es un protocolo técnico, Markdown aparece en tres puntos clave del flujo:

  1. Prompts predefinidos: cada servidor MCP puede exponer plantillas de prompt que el cliente reutiliza. Esas plantillas se escriben en Markdown porque los modelos las consumen como cualquier otro mensaje estructurado.
  2. Descripción de herramientas: la documentación de cada herramienta (qué hace, qué parámetros acepta, cuándo conviene usarla) viaja al modelo como texto. Cuanto más limpia y estructurada esté esa descripción, mejor decidirá el modelo cuándo invocarla.
  3. Documentación del servidor: el README.md del repositorio del servidor MCP es lo primero que ve un desarrollador. Tener una buena documentación en Markdown facilita su adopción.

Ejemplo de prompt MCP en Markdown

Imagina un servidor MCP que conecta el modelo a una base de datos PostgreSQL. Uno de los prompts predefinidos que expondría podría ser este:

# Análisis de tabla

Genera un informe estadístico de la tabla {{tabla}} de la base
de datos, siguiendo este formato:

## Volumetría
- Número total de registros
- Tamaño en disco
- Tasa de crecimiento del último mes

## Distribución de columnas clave
- Para columnas numéricas: media, mediana, mínimo, máximo
- Para columnas categóricas: top 5 valores y porcentaje

## Detección de anomalías
- Valores nulos por columna
- Duplicados detectados
- Outliers según IQR

Cuando termines, sugiere 3 índices que podrían mejorar el
rendimiento de las consultas habituales sobre esta tabla.

El cliente MCP recoge esta plantilla, sustituye {{tabla}} por el valor que pasa el usuario y se la envía al modelo. La estructura Markdown hace que el modelo entienda exactamente qué secciones debe producir, sin tener que inventar el formato.

Descripción de herramientas en Markdown

Cuando un servidor MCP expone una herramienta (por ejemplo, "ejecutar una consulta SQL"), debe describirla para que el modelo decida cuándo invocarla. La descripción es lo más importante: un texto vago hace que el modelo no use la herramienta o la use mal.

Una buena descripción en Markdown se parece a esto:

**Nombre**: ejecutar_sql

**Descripción**: Ejecuta una consulta SQL de solo lectura sobre
la base de datos del proyecto. Devuelve los resultados como una
tabla en formato JSON.

**Cuándo usar**:
- Para responder preguntas sobre datos que requieran consultas
  agregadas (totales, medias, distribuciones).
- Para verificar la existencia o el estado de un registro concreto.

**Cuándo NO usar**:
- Para escribir, modificar o borrar datos (esta herramienta es
  solo lectura).
- Para consultas que requieran joins de más de 5 tablas: usa la
  herramienta `informe_complejo` en su lugar.

**Parámetros**:
- `query` (string, obligatorio): consulta SQL. Solo SELECT.
- `limite` (number, opcional, por defecto 100): número máximo
  de filas a devolver.

Una descripción así reduce drásticamente las invocaciones erróneas. El modelo sabe cuándo conviene la herramienta, cuándo evitarla y qué le tiene que pasar.

Servidores MCP populares

Durante 2025 y 2026 ha crecido un catálogo abierto de servidores MCP que cubren los casos de uso más habituales:

  • Sistemas de archivos: leer y escribir en directorios concretos del disco.
  • Bases de datos: PostgreSQL, MySQL, SQLite, MongoDB.
  • APIs públicas: GitHub, Slack, Notion, Linear, Figma, Sentry.
  • Búsqueda web: motores de búsqueda y crawlers.
  • Memoria persistente: bases de conocimiento que el agente mantiene entre sesiones.

La mayoría son de código abierto y se pueden instalar con un par de comandos. La lista crece cada semana en repositorios como modelcontextprotocol/servers.

Cómo configurar un servidor MCP

La configuración típica en un cliente MCP se escribe en JSON, pero los prompts y la documentación asociada se mantienen en archivos Markdown del repositorio. Un flujo de adopción habitual es:

  1. Identificas un servidor MCP que cubre lo que necesitas.
  2. Lo añades al archivo de configuración del cliente.
  3. Reinicias el cliente.
  4. El agente ya tiene acceso a las herramientas que expone ese servidor.

Cuando combinas varios servidores MCP, el modelo de turno orquesta entre ellos según la tarea. Por ejemplo, puede consultar una base de datos, generar un resumen y publicarlo en Notion sin que tú escribas pegamento entre los tres servicios.

MCP y agentes con AGENTS.md

MCP encaja muy bien con la convención de AGENTS.md que se ha popularizado en paralelo. La división de responsabilidades es clara:

  • AGENTS.md define el comportamiento del agente: reglas, estilo, restricciones.
  • MCP define las capacidades disponibles: qué puede consultar, ejecutar o modificar.

El primero le dice al agente cómo trabajar, el segundo le da con qué trabajar. Juntos forman la base de un agente realmente productivo en tu proyecto.

Para terminar

MCP no resuelve por sí solo el problema de hacer agentes de IA fiables, pero sí elimina una de las fricciones más grandes que arrastrábamos: la necesidad de integrar a mano cada modelo con cada herramienta. Si trabajas con agentes en 2026, conocer MCP y saber escribir buenas descripciones en Markdown para sus herramientas es una de las habilidades con mayor retorno.

Recursos relacionados

Esto ha sido todo.

👋 Hola! Soy Edu, me encanta crear cosas y he redactado este tutorial. Si te ha resultado útil, el mayor favor que me podrías hacer es el de compatirlo en Twitter.

para estar al día con mi contenido. 😊