Mi POC con MCP: Conectando Claude con una API de Prueba
POC con MCP: Conectando Claude con una API de Prueba
Como empezó todo
Eran las 4 AM y por alguna razón no podía dormir. Estaba scrolleando cuando vi un video sobre MCP (Model Context Protocol) y se me prendió el foco.
En el video mostraban cómo Claude Desktop puede conectarse directamente con APIs externas. Se me ocurrieron varias ideas y dije “voy a crear un POC sobre esto a ver qué onda”.
Por qué me llamó la atención
Me parece que MCP es realmente útil y puede ser una revolución en la forma en que los LLMs trabajan con backends. Básicamente ofrece un lenguaje de consulta natural sin ser técnico.
Esta herramienta puede ayudar a los clientes de un servicio a:
- Explotar su data de forma natural
- Generar resúmenes automáticos
- Encontrar fallos en sus sistemas
- Mapear información compleja
- Exportar datos específicos
También me parece que puede servir excelentemente como un backoffice super potente para facilitar la operación de cualquier empresa, además de ofrecer resultados rápidos y mejorar el soporte a los usuarios.
El POC que armé
Para probar el concepto, creé una API de prueba básica que maneja charges (como un sistema de pagos). Nada complejo, solo endpoints para crear, listar y actualizar charges.
La idea era ver si realmente podía decirle a Claude “crea un charge de $100 para juan@email.com” y que se ejecute automáticamente contra mi API de prueba.
Mi setup
El flujo que armé fue simple:
- Yo le digo algo a Claude
- Claude identifica qué herramienta usar
- Un script (MCP Server) traduce el comando a HTTP requests
- Mi API de prueba procesa la petición
Necesité tres componentes:
- La API de prueba (FastAPI básica)
- Un MCP Server que traduce comandos de Claude a HTTP
- Configurar Claude Desktop para reconocer mi servidor
Los tropiezos del proceso
Primer problema: Configuré python pero en Mac necesitas python3 o mejor un script bash.
Segundo problema: Usé rutas relativas y Claude no las reconoce. Necesitas rutas absolutas.
Tercer problema: Instalé dependencias global pero Claude usaba otro Python. Terminé con virtual environment.
Cuarto problema: Mi API esperaba query parameters pero enviaba JSON body. Típico error de documentación.
Cómo funciona en la práctica
Una vez funcionando, el flujo es bastante natural:
- “Crea un charge de $150 para maria@empresa.com”
- “Muéstrame todos los charges pendientes”
- “Actualiza el charge de María a completado”
Claude mantiene contexto, así que entiende referencias como “el charge de María”.
Lo que me emocionó del experimento
Para clientes finales: Imagínate darle a tus usuarios la capacidad de consultar su data con lenguaje natural. “Muéstrame mis ventas de octubre” o “Exporta todos mis clientes activos”.
Para backoffice: En lugar de navegar interfaces complejas, el equipo puede decir “Cancela todas las suscripciones vencidas de la región norte” y que se ejecute automáticamente.
Para soporte: Los agentes pueden resolver casos complejos conversando con el sistema en lugar de buscar en múltiples pantallas.
Las limitaciones que encontré
Solo para operaciones simples: Para workflows complejos sigue siendo mejor una UI dedicada.
Sin confirmación visual: Claude ejecuta inmediatamente las acciones.
Setup técnico: Requiere conocimiento técnico para implementar.
Dependiente de Claude Desktop: Solo funciona ahí, no en web.
Mi conclusión del POC
Creo que esto es una revolución en cuanto a lo que conocemos hoy en día. La posibilidad de democratizar el acceso a sistemas complejos a través de conversación natural cambia completamente la experiencia de usuario.
Pero no es todo color de rosa. Hay un asunto muy importante que validar: la seguridad de los datos y qué tan vulnerable puede llegar a ser este tipo de integración.
Eso lo voy a explorar en la parte 2 de este tema.
El código completo del POC está mcp-poc si quieres replicar el experimento.
Comments