Ejemplo simple MCP Servidor-Cliente en Python

Python ile basit bir MCP Sunucu Istemci ornegi

El Model Context Protocol MCP es un paso clave para que los LLMs interactuen de forma segura y confiable con herramientas externas. En Python, la libreria FastMCP se ha convertido en la opcion mas extendida para crear servidores y clientes MCP de manera rapida, aun sabiendo que el ecosistema evoluciona con frecuencia. A continuacion veras como montar un servidor y un cliente de prueba, totalmente funcionales, y como integrarlos en un flujo real de trabajo de agentes IA.

Instalacion del servidor MCP

1. Instala la dependencia principal con pip install fastmcp. Con esto podras usar FastMCP en tu entorno Python. 2. Crea un servidor sencillo con FastMCP asignandole un nombre y define herramientas con el decorador mcp.tool. Por ejemplo, una herramienta hello que recibe name y devuelve un saludo, otra exTool1 que recibe user y otra getirHavaDurumu que recibe sehir y consulta la API publica de Open Meteo con requests para devolver datos de clima actual como temperatura y velocidad del viento. 3. Expone el transporte SSE usando SseServerTransport en la ruta /messages y monta una mini aplicacion Starlette con dos endpoints: uno GET en la ruta /sse para la conexion SSE y otro POST en /messages para el intercambio de mensajes. 4. Ejecuta el servidor con mcp.run usando el transporte http. Suele levantarse en http 127.0.0.1:8000. 5. Lanza el proceso con python3 server.py y verifica que el servicio queda a la escucha en el puerto 8000.

Configuracion del cliente MCP

1. Instala el cliente con pip install mcp[cli]. 2. Crea un cliente FastMCP con StreamableHttpTransport apuntando a la URL del servidor, por ejemplo http localhost:8000/mcp. 3. Abre la sesion del cliente y realiza un ping para comprobar conectividad. 4. Descubre las capacidades del servidor con list_tools, list_resources y list_prompts. 5. Invoca una herramienta con call_tool, por ejemplo getirHavaDurumu pasando el parametro sehir con el valor zonguldak, y procesa el resultado para mostrar la temperatura y el viento actuales. 6. Ejecuta la app con python3 client.py.

Buenas practicas y notas utiles

Define siempre esquemas claros de entrada y salida en tus herramientas para que los LLMs puedan autodescubrirlos de forma fiable. Mantener el transporte SSE estable y sin redirecciones innecesarias evita errores de conexion. Considera aspectos de seguridad como validacion de parametros, limites de peticiones y registro de auditoria cuando abras el servidor a internet. Si necesitas desplegar en produccion, puedes empaquetar el servicio en contenedores y ubicarlo detras de un proxy con TLS.

Como puede ayudarte Q2BSTUDIO

En Q2BSTUDIO desarrollamos aplicaciones a medida y software a medida con integraciones de agentes IA y MCP para automatizar procesos, orquestar flujos de datos y conectar LLMs con tus sistemas internos o APIs de terceros. Nuestra experiencia abarca inteligencia artificial, ia para empresas, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y power bi, de extremo a extremo. Si buscas una implementacion robusta de agentes IA con herramientas MCP y pipelines reproducibles, podemos acompanar a tu equipo desde el concepto hasta la puesta en produccion.

Si tu objetivo es lanzar una plataforma escalable de aplicaciones a medida con integracion de IA y despliegues en la nube, descubre nuestro servicio de desarrollo en aplicaciones y software multiplataforma. Y si quieres llevar la inteligencia artificial a tus productos y procesos con casos de uso reales de agentes IA, RAG y automatizacion, conoce nuestro enfoque en inteligencia artificial para empresas.

Resumen del flujo

1. Servidor: instala fastmcp, define herramientas con mcp.tool, expone SSE y ejecuta con transporte http. 2. Cliente: instala mcp[cli], conecta con StreamableHttpTransport, ping, descubre herramientas y ejecuta getirHavaDurumu con un sehir de ejemplo. 3. Escalado: automatiza, securiza y despliega en servicios cloud aws y azure con observabilidad y testing, integrando ciberseguridad y auditoria desde el inicio. 4. Valor de negocio: combina agentes IA con tus datos para crear cuadros de mando y analitica con servicios inteligencia de negocio y power bi.

Cierre

Montar un servidor cliente MCP en Python con FastMCP es una excelente puerta de entrada para dotar a tus agentes IA de capacidades reales sobre herramientas, APIs y datos. Cada nuevo inicio nace del cierre de otra etapa; empieza hoy a conectar tu ecosistema con MCP y conviertelo en una ventaja competitiva.