Uso de herramientas y MCP: cómo los agentes tocan el mundo
Las herramientas son la forma en que un agente hace las cosas. Una herramienta es una pequeña función que el modelo puede llamar —para buscar, ejecutar código o hablar con otro software— y el resultado vuelve para que el modelo lo lea. El Model Context Protocol (MCP) es un estándar abierto compartido que permite a cualquier agente conectarse a cualquier servidor de herramientas. Piensa en él como un puerto USB-C para aplicaciones de IA.
Un agente sin herramientas es solo un chatbot. Todo lo que hace un agente —leer archivos, usar otro software, ejecutar código— pasa por herramientas. Eso convierte el diseño de herramientas en la parte menos glamurosa pero más importante de la construcción.
Así funciona el uso de herramientas. A menudo se le llama llamada a funciones (function calling): el modelo pide que se ejecute una función. El desarrollador lista las funciones que el modelo puede usar. El modelo escribe una petición para llamar a una de ellas, con los detalles rellenados. El software que rodea al modelo la ejecuta y devuelve el resultado. El modelo lee ese resultado y elige su siguiente paso. Este ciclo de llamar y comprobar es el bucle de la guía 01: las herramientas son sus manos.
La parte que más importa es la redacción. Una descripción de herramienta funciona como una instrucción para el modelo. El modelo elige y usa las herramientas basándose solo en sus nombres, sus descripciones y las notas sobre sus parámetros. Así que mejorar esa redacción es una de las mayores ganancias que puedes conseguir [1]. Anthropic llama a esto la interfaz agente-computadora. Su consejo: unas pocas herramientas bien explicadas ganan a muchas herramientas vagas. Y los mensajes de error deberían decirle al modelo qué probar a continuación, no solo que algo falló [2].
El modelo solo sabe lo que tus palabras le dicen: escríbelas con cuidado.
MCP: un solo enchufe en lugar de muchas conexiones a medida
Antes de 2025, cada agente necesitaba su propia conexión a medida con cada sistema. El Model Context Protocol (MCP) —un conjunto abierto y compartido de reglas para conectar aplicaciones de IA con sistemas externos— acabó con eso. Un servidor comparte sus datos, herramientas y prompts una sola vez, en un solo formato. Después, cualquier aplicación que hable MCP —Claude, ChatGPT, VS Code, Cursor— puede conectarse. La analogía del propio proyecto: un puerto USB-C para aplicaciones de IA. Construye un servidor una vez, y todos los agentes pueden usarlo [3].
Algunos consejos prácticos. Dale al agente las menos herramientas que la tarea necesite. Nombra las herramientas con cosas que el usuario reconocería. Explica cada parámetro como si escribieras para un colega inteligente que no sabe nada de tu sistema. Y prueba tu redacción igual que pruebas todo lo demás: ejecuta tus comprobaciones antes y después de cada cambio.
Fuentes
- Anthropic — Writing effective tools for agents, 11 de septiembre de 2025
- Anthropic — Building effective agents, 19 de diciembre de 2024 (la interfaz agente-computadora)
- modelcontextprotocol.io — documentación oficial del Model Context Protocol
Preguntas frecuentes
¿Qué es el uso de herramientas (llamada a funciones) en los agentes de IA?
Es la forma en que un modelo actúa. El desarrollador lista las funciones que el modelo puede usar. El modelo escribe una petición para llamar a una de ellas. El software que rodea al modelo ejecuta la llamada y devuelve el resultado. El modelo lee el resultado y decide su siguiente paso.
¿Qué es MCP (Model Context Protocol)?
Un estándar abierto —un conjunto compartido de reglas— para conectar aplicaciones de IA con sistemas externos como fuentes de datos, herramientas y flujos de trabajo. Un servidor se configura una vez, y cualquier aplicación con MCP (Claude, ChatGPT, VS Code, Cursor) puede conectarse a él. El proyecto lo llama un puerto USB-C para aplicaciones de IA.
¿Cuántas herramientas debería tener un agente de IA?
Las menos que la tarea necesite. Un modelo solo puede prestar atención a una cantidad limitada de cosas. Un puñado de herramientas bien descritas gana a un montón de herramientas vagas. Cada herramienta extra añade más texto que el modelo debe leer y una oportunidad más de elegir mal. Las descripciones claras importan más que el número de herramientas.