Ir al contenido principal
Español— Elegir un idioma
Menú

Crea y despliega tu propio servidor MCP

Lección 13 de 14 Actualizado el 2 de noviembre de 2026 Intermedio
En esta página
  1. De la idea al servidor en producción
  2. Creación de un servidor MCP en local
  3. Pruebas en local
  4. Opciones de despliegue
  5. Servidores de herramienta única frente a multi-herramienta
  6. Gestión de variables de entorno
  7. Puntos clave

Actualización 2 de noviembre de 2026 — Le Chat es ahora Vibe. Desde el 28 de mayo de 2026, Le Chat ha cambiado de marca para convertirse en Vibe (todavía en chat.mistral.ai): un único agente para el trabajo y el código que mantiene tus conversaciones, configuraciones y suscripciones. La experiencia heredada de Le Chat sigue accesible en el modo Chat; en el modo Work, los agentes se han convertido en habilidades (que se invocan con @), las memorias funcionan como base de conocimientos y la búsqueda profunda es ahora la habilidad Deep Research. Los planes se llaman ahora Mistral Free, Pro, Team y Enterprise. Esta lección utiliza el nombre Vibe; ten en cuenta que algunos menús descritos aquí pueden haber cambiado de nombre o de ubicación.

De la idea al servidor en producción

Ya sabes cómo utilizar conectores existentes y añadir otros personalizados. Ha llegado el momento de dar el paso definitivo: escribir tu propio servidor MCP y desplegarlo para usarlo en Vibe. Aquí recorreremos todo el camino, desde el primer archivo Python en tu máquina hasta el alojamiento en producción, cubriendo las decisiones de diseño que separan un servidor utilizable de uno que el modelo nunca llama correctamente.

Creación de un servidor MCP en local

La biblioteca FastMCP (pip install fastmcp, versión 4 a fecha de noviembre de 2026), un marco de trabajo independiente del SDK oficial mcp, reduce la creación de servidores a unos pocos decoradores:

from fastmcp import FastMCP

mcp = FastMCP("My Server")

@mcp.tool()
def greet(name: str) -> str:
    """Saluda a una persona por su nombre.

    Args:
        name: El nombre de pila de la persona a saludar.

    Returns:
        Un mensaje de saludo personalizado.
    """
    return f"Hello {name}! Welcome to our platform."

Todo depende de estas pocas líneas. El decorador @mcp.tool() registra la función como una herramienta MCP. La cadena de documentación (docstring) se convierte en la descripción que ve el modelo al decidir si debe llamar a la herramienta; por tanto, no es un comentario para tus compañeros, sino un elemento funcional. La tipificación de los parámetros (name: str) y del valor de retorno (-> str) informa al modelo sobre los tipos esperados, y el nombre de la función debe ser claro y descriptivo. La alternativa oficial es el SDK MCP de Anthropic, disponible en Python y TypeScript: ofrece más control a cambio de una configuración ligeramente más pesada.

Dado que el modelo solo ve la descripción textual de tu herramienta, escríbela como un manual de usuario completo:

@mcp.tool()
def search_products(
    query: str,
    category: str = "all",
    max_results: int = 10
) -> str:
    """Busca en el catálogo de productos.

    Utiliza esta herramienta cuando el usuario busque un producto
    por nombre, SKU o categoría.

    Args:
        query: Términos de búsqueda (nombre del producto, SKU, palabras clave).
        category: Categoría de filtro. Valores posibles: 'all',
                  'electronics', 'clothing', 'food'. Predeterminado: 'all'.
        max_results: Número máximo de resultados a devolver (1-50).

    Returns:
        Lista de productos con nombre, precio, disponibilidad y SKU.
    """

Observa lo que añade esta docstring que faltaba en la anterior: la condición de uso, los valores posibles para category y los límites para max_results. Dos reglas más completan el ejercicio. Los nombres deben ser explícitos: prefiere search_products a search, create_invoice a create, get_user_orders a get_data. Y los retornos deben ser legibles: devuelve texto comprensible en lugar de IDs crudos, o el modelo no podrá utilizarlos para formular una respuesta natural.

Pruebas en local

En primer lugar, inicia el servidor, que se ejecuta en un puerto local, por defecto localhost:8000:

python server.py

A continuación, expón el servidor para que Vibe pueda alcanzarlo:

ngrok http 8000

ngrok proporciona una URL pública, por ejemplo https://abc123.ngrok.io, que utilizarás como URL del conector en Vibe; recuerda añadir /mcp al final para obtener el endpoint completo. Antes de pasar a Vibe, valida el servidor con el MCP Inspector:

npx @modelcontextprotocol/inspector

Conéctate a tu servidor local, enumera las herramientas, pruébalas individualmente y comprueba los retornos. Esto te indicará si los problemas provienen de tu código o de cómo el modelo interpreta tus descripciones.

Opciones de despliegue

Una vez que tu servidor esté listo, el alojamiento depende principalmente de tus restricciones. Hugging Face Spaces es la opción gratuita recomendada por el equipo de Mistral AI: son máquinas virtuales que alojan aplicaciones web, completamente gratuitas mientras no necesites una GPU. Puedes configurar tu servidor MCP allí con FastAPI y desplegar varios servidores en el mismo Space, cada uno con su propio endpoint (/api1/mcp, /api2/mcp), que Vibe añadirá como conectores separados. Una ventaja añadida: nada te impide añadir un frontend al Space para visualizar la actividad de tu servidor.

Prefect Horizon (anteriormente FastMCP Cloud), la plataforma del equipo de FastMCP, importa directamente un repositorio de GitHub que contiene un servidor FastMCP: seleccionas el repositorio en horizon.prefect.io, la plataforma lo construye y publica una URL autenticada; existe un nivel gratuito para proyectos personales. Para servidores ligeros sin dependencias pesadas, Cloudflare Workers ofrece un despliegue en el borde rápido y de bajo coste. Por último, los proveedores tradicionales siguen siendo perfectamente viables para equipos ya equipados: AWS (Lambda, ECS), Google Cloud (Cloud Run, Cloud Functions) o Azure (Functions, Container Apps).

Servidores de herramienta única frente a multi-herramienta

Un reflejo común es dividir las herramientas de forma muy fina. La experiencia apunta en la dirección contraria: un hackathon de MCP organizado por Mistral demostró que los equipos con mejor rendimiento diseñaron herramientas de alto nivel correspondientes a flujos de trabajo completos. Expusieron book_restaurant en lugar de list_restaurants + check_availability + make_reservation, o deploy_application en lugar de build + test + push + deploy. El modelo tiene menos posibilidades de equivocarse en la secuencia y la latencia acumulada disminuye en consecuencia.

La granularidad sigue teniendo sentido en tres situaciones: cuando creas un servidor MCP genérico utilizado por diferentes equipos, cuando los pasos del flujo de trabajo pueden servir de forma independiente entre sí y cuando necesitas flexibilidad en el orden de las operaciones.

Gestión de variables de entorno

Tus servidores a menudo necesitarán claves de API, credenciales de bases de datos u otros secretos. Guárdalos sistemáticamente en variables de entorno, nunca en el código. Ten muy presente que un servidor MCP público sin autenticación permite que cualquiera consuma tus claves de API: protégelo con un token o OAuth tan pronto como llame a un servicio de pago. En Hugging Face Spaces, los Secrets del Space están diseñados exactamente para esto.

Puntos clave

  • FastMCP es la forma más sencilla de crear un servidor MCP en Python
  • Pule las descripciones, los nombres y la tipificación de sus herramientas
  • Pruebe primero en local con ngrok y el MCP Inspector antes de desplegar
  • Hugging Face Spaces ofrece un alojamiento gratuito ideal para servidores MCP
  • Prefiera herramientas de tipo flujo de trabajo a otras excesivamente granulares
  • Proteja sus secretos y considere la autenticación para sus servidores