Que son as ferramentas MCP e como as usan os modelos de IA?

As ferramentas MCP son funcións que un modelo de IA pode chamar para realizar unha tarefa fóra da conversa. Por exemplo, buscar nas túas notas ou consultar unha base de datos. Cada ferramenta está nun servidor MCP (Model Context Protocol) e ten un nome e unha descrición breve que axudan o modelo a decidir cando usala.

O termo “ferramenta MCP” tamén se usa doutras maneiras. No uso cotián, a xente di “ferramentas MCP” cando se refire aos servidores MCP (as aplicacións que ofrecen ferramentas) ou aos directorios que listan eses servidores. MCP Tools tamén é o nome dun programa de liña de comandos para listar e chamar as ferramentas dun servidor MCP.

Esta guía trata sobre as funcións do protocolo, non sobre servidores, directorios nin liñas de comandos. Explica en que consiste unha ferramenta, que tipos de ferramentas ofrecen os servidores e en que se diferencian as ferramentas dos recursos, os prompts e a chamada a funcións. Despois percorre os pasos que segue un modelo para usar unha ferramenta e remata cos problemas máis habituais relacionados co seu uso.

Que son as ferramentas MCP?

Unha ferramenta MCP é unha función que permite aos modelos de IA completar tarefas con outras aplicacións de software. Por exemplo, os meus axentes e fluxos de traballo de IA usan ferramentas MCP para redactar correos en Gmail (create_draft), crear tarxetas en Trello (trelloWriteCard) e obter resultados de busca en directo de DataForSEO (serp_organic_live_advanced), por citar só algúns.

As aplicacións de software adoitan ofrecer varias ferramentas MCP nos seus servidores MCP. Por exemplo, o servidor MCP de Trello ten actualmente 14 ferramentas MCP que permiten aos modelos de IA ler e actualizar taboleiros, listas, listas de verificación, tarxetas e moito máis.

E como MCP estandariza a forma de describir e ofrecer as ferramentas, calquera aplicación de IA compatible co protocolo pode usar a mesma ferramenta MCP.

Que inclúe unha ferramenta MCP

Toda ferramenta MCP inclúe tres elementos:

• Nome: Un identificador curto que o modelo usa cando chama a ferramenta (p. ex., get_event en Google Calendar).
• Descrición: Unha explicación en linguaxe sinxela do que fai a ferramenta e de cando é útil. O modelo de linguaxe de gran tamaño (LLM) le esta descrición para decidir se a ferramenta encaixa coa túa solicitude (p. ex., “Devolve un único evento do calendario indicado.”).
• Entradas: A información que a ferramenta necesita para executarse, como o nome dun cliente e unha data para unha busca en notas. Escríbese en JSON, e os desenvolvedores chámanlle esquema de entrada porque establece o formato de cada entrada (texto, número ou lista).

Ampliar

Algunhas ferramentas engaden metadatos adicionais: un nome visible, unha descrición dos resultados que devolven (un esquema de saída) e anotacións sobre como se comporta a ferramenta.

O modelo de IA nunca ve o código que hai detrás dunha ferramenta. Traballa a partir do que a ferramenta di de si mesma, polo que un nome ou unha descrición imprecisos levan o modelo a escoller a ferramenta equivocada.

Que tipos de ferramentas MCP existen

As ferramentas MCP divídense en catro grupos segundo o que fan:

• Ferramentas de busca e consulta: Atopan ou recuperan información (p. ex., buscar nas notas, ler un ficheiro ou consultar unha base de datos).
• Ferramentas de acción: Crean ou modifican algo noutra aplicación (p. ex., engadir unha tarefa, crear un evento no calendario, abrir unha incidencia de soporte ou enviar un correo electrónico).
• Ferramentas de procesamento de datos: Transforman ou analizan datos (p. ex., analizar unha folla de cálculo ou realizar un cálculo).
• Ferramentas do sistema: Interactúan co sistema local (p. ex., executar un comando nun terminal).

Ferramentas MCP fronte a recursos & prompts

Ademais das ferramentas MCP, un servidor MCP pode ofrecer outros dous tipos de bloques de construción, que o protocolo denomina primitivas: recursos e prompts.

Ampliar

Por exemplo, o servidor MCP oficial de GitHub ofrece:

• Unha ferramenta chamada issue_write que crea ou actualiza incidencias,
• Un recurso chamado repository_content que dá acceso aos ficheiros dun repositorio,
• Un prompt chamado issue_to_fix_workflow que prepara os pasos para informar dun problema como incidencia e facer que o axente de programación Copilot de GitHub xere unha pull request para corrixilo.

A diferenza está no que fai cada un e en quen decide cando usalo: ti, a aplicación de IA na que estás a traballar (p. ex., Perplexity) ou o modelo de IA que se executa dentro desa aplicación.

• Unha ferramenta MCP realiza accións ou consulta información. O modelo de IA decide de forma autónoma cando chamar unha ferramenta, e a túa aplicación de IA transmite a chamada ao servidor. O teu modelo de IA escolle as ferramentas; a túa aplicación de IA debería mostrarche cada chamada e permitirche rexeitala.
• Un recurso é contido dispoñible no servidor MCP, como un ficheiro ou un conxunto de rexistros, cada un co seu propio enderezo (un URI). A túa aplicación de IA pregúntalle ao servidor que recursos ten, le o que necesita a través do seu enderezo e engade o contido á conversa como contexto.
• Un prompt é un modelo de mensaxe listo para usar que proporciona o servidor, ás veces con ocos que ti completas. A túa aplicación de IA móstrache os prompts dispoñibles e ti escolles un, a miúdo como comando de barra.

Como usan os modelos de IA as ferramentas MCP

Un modelo de IA usa unha ferramenta MCP en cinco pasos: descubrimento, selección da ferramenta, invocación, resultados e xestión de erros. A túa aplicación de IA transmite todo o que pasa entre o modelo e o servidor.

Ampliar

Supón que lle pides á túa aplicación de IA que revise a túa lista “Esta semana” de Trello e que redacte un correo electrónico para o teu editor cunha actualización. Isto é o que pasa de principio a fin:

1. Descubrimento: Cando a túa aplicación de IA se conecta a un servidor MCP a través de clientes MCP, pídelle ao servidor a lista de ferramentas dispoñibles (unha solicitude chamada tools/list). O LLM só ve o que lle transmite a aplicación: o nome, a descrición e as entradas de cada ferramenta.
2. Selección da ferramenta: O modelo de IA compara a túa solicitude con esas descricións e escolle as ferramentas axeitadas. Neste caso, son trelloReadList de Trello para ler a lista e create_draft de Gmail para escribir o correo. Tamén completa as entradas, como que lista debe ler.
3. Invocación: O modelo responde cunha solicitude estruturada para executar a ferramenta (un paso chamado “chamada a funcións”). A túa aplicación de IA envía esa solicitude ao servidor correcto (unha solicitude tools/call). Tamén debería mostrarche a chamada e permitirche rexeitala.
4. Resultados: O servidor executa a función e devolve o result, neste caso as tarxetas da túa lista. A túa aplicación de IA engade o resultado á conversa, e o modelo decide o seguinte paso: responderche ou chamar outra ferramenta, como create_draft cun correo baseado nesas tarxetas.
5. Xestión de erros: Se a ferramenta se executa pero falla, por exemplo, porque a lista non existe, o erro devólvese como parte do resultado. O modelo pode lelo e tentalo de novo con entradas diferentes. Se a propia solicitude é incorrecta, por exemplo, porque chama unha ferramenta que o servidor non ten, a aplicación recibe no seu lugar un erro de protocolo. Nese caso, é menos probable que o modelo se recupere.

O fundamental é que o modelo escolle as ferramentas só a partir das súas descricións, e a túa aplicación de IA encárgase de toda a comunicación cos servidores.

Problemas habituais coas ferramentas MCP e como evitalos

Os problemas coas ferramentas MCP redúcense a catro aspectos: cantas ferramentas están conectadas, como se denominan e describen, cantos datos devolven e de que servidores proceden.

Velaquí como se manifesta cada problema e que axuda a evitalo:

Por que necesitan a túa aprobación as ferramentas MCP?

As ferramentas MCP necesitan a túa aprobación porque, sen ela, o modelo de IA podería facer cambios que non pretendías ou compartir datos confidenciais cun servidor que non controlas.

Unha solicitude mal interpretada ou unha ferramenta descrita de forma imprecisa pode desencadear a acción equivocada. Ademais, cada chamada envía parte da túa información a un servidor.

Por iso o protocolo espera que as aplicacións de IA manteñan unha persoa no proceso, coa posibilidade de rexeitar calquera chamada a ferramentas.

Esta é unha forma práctica de clasificar as ferramentas segundo o nivel de revisión que necesitan:

• Accións que só len: Consultar algo, como ler unha lista coa ferramenta trelloReadList de Trello, non cambia nada. Estas chamadas poden executarse sen preguntar antes, sempre que a túa aplicación de IA mostre que ferramenta se executou e que consultou.
• Accións que podes desfacer: Crear un borrador de correo coa ferramenta create_draft de Gmail ou engadir unha tarxeta de Trello cambia algo que podes reverter. Revisa as entradas antes de que se execute a chamada.
• Accións que non podes desfacer: Enviar un correo coa ferramenta send_message de Gmail, eliminar rexistros ou calquera cousa que implique pagamentos ou datos confidenciais non se pode reverter. Dá permiso explícito para estas accións cada vez.

Usar ferramentas MCP en Perplexity

Perplexity funciona coas ferramentas MCP en ambas as direccións: pode usar ferramentas dos servidores MCP que conectes e ofrece as súas propias ferramentas a outras aplicacións de IA.

• Conecta servidores MCP a Perplexity: Nos plans Pro, Max e Enterprise, podes conectar Perplexity a calquera ferramenta externa ou fonte de datos que teña un servidor MCP e usala nas respostas e nos fluxos de traballo axénticos de Perplexity Computer. Na aplicación para Mac, tamén podes conectar servidores MCP que se executan no teu ordenador
• Usa as ferramentas de Perplexity noutras aplicacións de IA: O servidor MCP de Perplexity ofrece catro ferramentas (perplexity_search, perplexity_ask, perplexity_research e perplexity_reason) a calquera aplicación de IA compatible con servidores MCP remotos, como Claude Code. Un servidor independente permite que outras aplicacións de IA lle deleguen tarefas de varios pasos a Perplexity Computer.

Preguntas frecuentes sobre as ferramentas MCP

MCP é só chamada a ferramentas?

Non, MCP non é só chamada a ferramentas. A chamada a ferramentas é a forma en que o modelo solicita unha ferramenta, e MCP é a forma en que a aplicación de IA atopa ferramentas e dirixe cada chamada ao servidor que a executa.

A chamada a ferramentas (tamén coñecida como chamada a funcións) é a parte do traballo que corresponde ao modelo de IA: o modelo ve unha lista de ferramentas e responde cunha solicitude para executar unha. Só coa chamada a ferramentas, cada aplicación de IA ten que definir e executar ela mesma cada ferramenta.

MCP permite que as ferramentas estean en servidores, de modo que calquera aplicación de IA compatible con MCP pode ofrecelas ao seu modelo e enviar as solicitudes do modelo ao servidor correcto.

MCP substituirá as API?

Non, MCP non substituirá as API, porque MCP e as API funcionan xuntas. As ferramentas MCP adoitan construírse sobre API existentes e, cando o modelo chama unha ferramenta, o servidor MCP normalmente fai unha solicitude á API.

Que aplicacións de IA son compatibles coas ferramentas MCP?

As ferramentas MCP funcionan en asistentes de IA como Claude, ChatGPT e Perplexity, e en ferramentas de desenvolvemento como Visual Studio Code e Cursor. A documentación de MCP menciona estas aplicacións e indica que moitas outras tamén son compatibles.

O propio modelo de IA ten que ser compatible con MCP?

Non. O modelo de IA non ten que ser compatible con MCP porque é a túa aplicación de IA a que xestiona o protocolo. Conéctase aos servidores, pásalle as súas ferramentas ao modelo e envía as solicitudes de ferramentas do modelo de volta ao servidor correcto. O modelo só ten que ser compatible coa chamada a funcións.

MCP está a quedar obsoleto?

Non, MCP segue en desenvolvemento activo. Os seus mantedores publicaron unha nova versión da especificación de MCP en xullo de 2026 e unha folla de ruta actualizada en agosto de 2026, que inclúe traballo para que os servidores poidan revelar as súas ferramentas de forma gradual a medida que unha conversa se concreta.