Protocolos y Herramientas

Protocolos de Comunicación

MCP — Model Context Protocol

Qué es: Protocolo abierto de Anthropic (noviembre 2024) que estandariza cómo los agentes se conectan a herramientas, datos y sistemas externos. Es la capa vertical: conecta al agente con su entorno.

Analogía: MCP es como USB para agentes — un estándar universal para “enchufar” herramientas a cualquier agente.

Arquitectura:

MCP Host (tu aplicación)
  └── MCP Client (integrado en el agente)
        └── MCP Server 1 (GitHub)
        └── MCP Server 2 (Slack)
        └── MCP Server 3 (Base de datos)

Conceptos clave:

• MCP Host: La aplicación que aloja al agente (Claude Desktop, IDE, CLI)
• MCP Client: Componente dentro del host que gestiona la comunicación con servers
• MCP Server: Servicio que expone herramientas, recursos, y prompts. Puede ser local (proceso) o remoto (HTTP)
• Tools: Funciones que el agente puede llamar (read_file, search, create_issue)
• Resources: Datos que el server expone para que el agente lea (archivos, configuraciones)
• Prompts: Templates de prompts que el server sugiere al agente

Transporte:

• stdio: Comunicación por stdin/stdout (para servers locales como procesos hijo)
• HTTP + SSE: Para servers remotos (Server-Sent Events para streaming)

Estado actual (2026): Adopción masiva. Miles de MCP servers disponibles. Soportado por Claude, Cursor, VS Code (Copilot), y la mayoría de frameworks. La simplicidad fue clave para su adopción — pero funcionalidades avanzadas como auth, memory cross-server, y discovery dinámico aún están en desarrollo.

Riesgo conocido: Primer MCP server malicioso descubierto in the wild en septiembre 2025. Supply chain security es un problema activo.

A2A — Agent-to-Agent Protocol

Qué es: Protocolo abierto de Google (abril 2025), ahora bajo Linux Foundation. Estandariza cómo los agentes se comunican entre sí. Es la capa horizontal: conecta agentes con otros agentes.

Analogía: Si MCP es USB (agente ↔ herramientas), A2A es HTTP (agente ↔ agente). Un lenguaje común para que agentes de diferentes proveedores colaboren.

Conceptos clave:

• Agent Card: JSON que describe las capacidades del agente (nombre, descripción, skills, endpoints, autenticación). Es el “curriculum” que otros agentes leen para decidir si este agente les puede ayudar
• Client Agent: El agente que inicia la comunicación y envía tareas
• Remote Agent / Service Agent: El agente que recibe tareas y las ejecuta
• Task: Unidad de trabajo con lifecycle definido (submitted → working → input-required → completed → failed → canceled)
• Messages: Comunicación entre agentes con “parts” tipadas (texto, archivos, datos)
• Artifacts: Resultados persistentes de una tarea (archivos generados, datos procesados)

Principios de diseño:

1. Embrace agentic capabilities (comunicación no estructurada, negociación)
2. Built on existing standards (HTTP, SSE, JSON-RPC)
3. Secure by default (auth schemes compatibles con OpenAPI)
4. Support long-running tasks (horas o días, con feedback en tiempo real)
5. Modality agnostic (texto, audio, video)

Partners: 50+ incluyendo Atlassian, Salesforce, SAP, LangChain, MongoDB, PayPal.

ACP — Agent Communication Protocol

Qué es: Protocolo de IBM/BeeAI (marzo 2025), bajo Linux Foundation. Similar a A2A pero optimizado para entornos locales y controlados.

Diferencias con A2A:

• Memory nativa: Los agentes pueden compartir memoria entre sí (A2A no)
• Pausa/reanudación: Soporte nativo para long-running tasks con Human-in-the-Loop
• Agent discovery offline: Los agentes se describen en build time, no requieren discovery dinámico
• REST-based: Comunicación más ligera que A2A
• Open governance: Linux Foundation desde el inicio

Cuándo usar ACP vs A2A:

• A2A: Cuando necesitas interoperabilidad cross-platform entre agentes de diferentes proveedores en la nube
• ACP: Cuando necesitas comunicación local de baja latencia en entornos controlados (edge, manufacturing)

Relación entre protocolos

MCP:  Agent ←→ Tools/Data     (vertical, un agente con su entorno)
A2A:  Agent ←→ Agent           (horizontal, cross-platform, cloud)
ACP:  Agent ←→ Agent           (horizontal, local, low-latency)

Los tres son complementarios:

• Un agente usa MCP para conectarse a sus herramientas
• Usa A2A para colaborar con agentes externos de otros proveedores
• Usa ACP para coordinarse con agentes locales del mismo sistema

Frameworks de Agentes

LangChain / LangGraph

LangChain es el framework más popular para construir aplicaciones con LLMs. Proporciona abstracciones para chains, prompts, tools, memory, y retrieval.

LangGraph (1.0 en octubre 2025) es la evolución para agentes complejos. Modelo de ejecución basado en grafos dirigidos con soporte para ciclos, condicionales, y ejecución paralela. ~400 empresas en producción, ~90M downloads mensuales.

Cuándo usar: Cuando necesitas un framework completo con ecosistema rico. Curva de aprendizaje significativa. Puede ser over-engineering para tareas simples.

CrewAI

Framework para orquestación multi-agente basada en roles. Defines “crews” de agentes con roles (researcher, writer, coder), cada uno con sus herramientas y objetivos.

Cuándo usar: Multi-agente con roles claros. Más simple que LangGraph para el caso de uso que resuelve. Limitaciones de escala reportadas después de 6-12 meses en producción.

AutoGen (Microsoft)

Framework para sistemas multi-agente conversacionales. Popularizó el patrón de “group chat” entre agentes. Recientemente fusionado con Semantic Kernel.

Cuándo usar: Sistemas multi-agente con interacciones tipo chat. Bueno para prototipado rápido.

OpenAI Agents SDK

SDK oficial de OpenAI para construir agentes. Introduce el handoff pattern (traspaso entre agentes) como primitivo de primera clase.

Google ADK (Agent Development Kit)

Framework de Google para construir agentes con soporte nativo de A2A, MCP, y Vertex AI Agent Engine como runtime managed.

Amazon Bedrock AgentCore

Plataforma managed framework-agnostic (octubre 2025). Puede ejecutar LangGraph, CrewAI, Google ADK, u OpenAI Agents SDK sobre infraestructura enterprise con policy enforcement determinista.

LlamaIndex

Framework especializado en RAG y data-aware agents. Más enfocado que LangChain en el aspecto de retrieval y conectores de datos.

Anthropic: Building Blocks

Anthropic recomienda no usar frameworks complejos y en su lugar construir con LLM APIs directamente. Su guía “Building Effective Agents” propone workflows compositivos simples (prompt chaining, routing, parallelization) antes de saltar a agentes autónomos.

Herramientas de Agentic Coding

Diferencia clave:

• IDE agents (Cursor, Copilot): Tú estás delante, el agente te asiste
• Terminal agents (Claude Code, Aider): Tú supervisas, el agente ejecuta
• Headless agents (Architect): El agente ejecuta solo, tú revisas el resultado

Herramientas de Guardrails

Tipos de guardrails por momento:

INPUT → [Input Guardrails] → LLM → [Output Guardrails] → User
                              │
                     [Execution Guardrails]
                              │
                        Tool Calls

1. Pre-execution: Evalúan el plan del agente antes de actuar (Safiron)
2. In-execution: Limitan acciones durante ejecución (protected files, blocked commands)
3. Post-execution: Validan el resultado (quality gates, LLM-as-Judge)

Herramientas de Evaluación

Eval Frameworks

• Braintrust: Plataforma de evaluación y logging
• Ragas: Evaluación de RAG (faithfulness, relevance, etc.)
• DeepEval: Open source, 14+ métricas para LLM evaluation
• Promptfoo: CLI para evaluar prompts con test suites

Amazon 2026 Evaluation Framework

Framework de 3 capas publicado por Amazon:

1. Response Quality: Correctness, faithfulness, helpfulness
2. Task Completion: Goal success, accuracy
3. Tool Use: Selection accuracy, parameter accuracy, error rates

20+ métricas específicas. Estándar emergente de referencia para evaluación de agentes.

Vector Stores (Bases de Datos Vectoriales)

Para almacenar y buscar embeddings en sistemas RAG.

Plataformas de Deployment

Vertex AI Agent Engine (Google)

Runtime managed para agentes. Gestiona lifecycle, orquesta tools, y proporciona razonamiento. Soporte nativo de A2A y MCP.

Amazon Bedrock AgentCore

Plataforma managed framework-agnostic. Ejecuta agentes de cualquier framework con infraestructura enterprise, policy enforcement, y guardrails.

Azure AI Agent Service

Servicio managed de Microsoft para agentes. Integración profunda con Azure OpenAI y Semantic Kernel.

Estándares Relevantes

Glosario Rápido A-Z