MCP es más útil como distribución de contexto que como RPC

La mayoría de la gente habla del Model Context Protocol (MCP) para la llamada a herramientas (tool calling).

Lo ven como una forma de que la IA llame a herramientas externas. Una IA lee un issue de GitHub o recupera un archivo. Esto hace que el MCP parezca una capa de RPC para agentes.

Esto es útil, pero no es el caso de uso más importante.

El verdadero poder del MCP reside en la distribución de contexto. Puede distribuir reglas, habilidades y contratos a los clientes de IA.

RAG ayuda a responder una pregunta: ¿Qué información es relevante? RAG encuentra documentos y se los entrega al modelo.

Pero los equipos necesitan algo más que solo información. Los equipos necesitan reglas.

Un equipo necesita saber:

  • ¿Cuál es la fuente autorizada?
  • ¿Cuándo debe detenerse la IA?
  • ¿Cuándo se requiere confirmación humana?
  • ¿Qué flujo de trabajo se aplica a esta tarea?
  • ¿Qué evidencia debe registrarse?

RAG recupera documentos que describen estas reglas, pero un documento es solo contexto. Muchos equipos intentan resolver esto con prompts. Escriben instrucciones como "sigue nuestras reglas de codificación".

Esto no escala. Cada desarrollador tiene un prompt local diferente. La calidad del trabajo depende de la persona que utiliza la IA. Esto no es un sistema de equipo.

El MCP cambia esto. En lugar de simplemente llamar a herramientas durante el trabajo, la IA puede recibir las reglas de trabajo antes de comenzar.

Al inicio de una sesión, el cliente de IA llama a una función de inicio (startup function). Esa función devuelve:

  • Políticas de acceso
  • Fuentes de contexto autorizadas
  • Habilidades disponibles
  • Catálogos de flujos de trabajo
  • Reglas para el manejo de incógnitas

El modelo no solo tiene acceso a herramientas. Tiene las reglas del trabajo.

Esto crea una diferencia clara:

  • MCP estilo RPC: El modelo llama a herramientas mientras trabaja.
  • MCP de distribución de contexto: El modelo recibe las reglas antes de comenzar.

Este enfoque hace que el conocimiento del dominio sea portable. En lugar de que cada usuario lea documentos largos o actualice prompts locales, un ingeniero senior define una habilidad una vez en un servidor MCP.

La persona que define la habilidad y la persona que la utiliza ahora están separadas.

Esto también resuelve el problema de la información desactualizada. Los usuarios no necesitan llevar un repositorio completo de reglas localmente. Solo necesitan una conexión MCP. Las definiciones autorizadas permanecen en el servidor.

RAG responde: ¿Qué información podría ser relevante? La distribución de contexto de MCP responde: ¿Qué reglas deben regir este trabajo?

RAG trata de recuperar conocimiento. La distribución de contexto de MCP trata de definir cómo se realiza el trabajo.

Deja de preguntar qué herramientas puede llamar la IA. Empieza a preguntar qué contexto debe cargar la IA antes de comenzar.

Fuente: https://dev.to/synthaicode_commander/mcp-is-more-useful-as-context-distribution-than-as-rpc-ai4

Comunidad de aprendizaje opcional: https://t.me/GyaanSetuAi