El equipo de LangChain en MCP: ¿una nueva dirección para la extensión de la herramienta AI Agent?

Recientemente, el Protocolo de Contexto Modelo (MCP) ha suscitado mucho interés en el ámbito de la IA. Esta tecnología pretende resolver un problema central:¿Cómo se permite a los usuarios ampliar las capacidades de las herramientas para el Agente subyacente sin controlarlo? En torno a la utilidad práctica de MCP, Harrison Chase, Consejero Delegado de LangChain, habló con LangGraph Nuno Campos, responsable de la organización, profundiza en el tema.

El valor central de MCP: ampliar las herramientas para agentes incontrolables

Harrison Chase ve el valor de MCP en su capacidad para ofrecer a los usuarios una forma de añadir herramientas a los Agentes sobre los que no tienen control directo. Cita Claude Escritorio, Cursor y Windsurf Como ejemplo, se señaló que cuando se utilizan estos productos, los usuarios no pueden modificar directamente la lógica del Agente subyacente, y las herramientas disponibles para el Agente se limitan a unas pocas incorporadas.

Sin embargo, es posible que los usuarios deseen añadir herramientas adicionales a estos Agentes para satisfacer necesidades más personalizadas. Por ejemplo, pueden querer añadir herramientas adicionales al editor de código Cursor Integrar una herramienta específica de análisis de código o añadir una herramienta personalizada de acceso a la base de conocimientos a Claude Desktop. Para lograr este objetivo, se necesita un protocolo común que permita al Agente reconocer e invocar estas herramientas externas, y el MCP está diseñado para resolver este problema.

Harrison señaló además que el MCP también es importante para los no desarrolladores que crean agentes. A medida que se populariza la creación de agentes, cada vez son más los expertos que desean participar en el proceso. Es posible que estos expertos no tengan conocimientos profundos de programación, pero sí amplios conocimientos del dominio y necesidades específicas de herramientas, y MCP reduce las barreras a la construcción de Agentes al permitirles configurar las herramientas que necesitan sin tener que modificar la lógica central del Agente.

Harrison reconoció el valor potencial del MCP para llenar un vacío importante en el ecosistema existente de herramientas para agentes. En el mundo de la tecnología de agentes, en rápida evolución, existe una demanda creciente de funciones de agente personalizadas. Si el MCP puede reducir eficazmente la complejidad de la integración de herramientas, sin duda acelerará la popularidad de la tecnología de Agentes y dará lugar a escenarios de aplicación más innovadores. Especialmente para los no desarrolladores, una forma más sencilla de ampliar las herramientas liberará en gran medida su creatividad y promoverá la democratización de las aplicaciones de IA.

Retos pragmáticos: personalización de agentes e integración de herramientas

Nuno Campos cuestionó la utilidad de MCP. Sostiene que el diseño de un agente debe estar estrechamente integrado con las herramientas utilizadas. Añadir simplemente herramientas a un agente sin ajustar las pistas del sistema o incluso la arquitectura del agente no suele bastar para lograr los resultados deseados.

Nuno admite que MCP podría funcionar si los usuarios simplemente quisieran sustituir las herramientas de búsqueda web integradas en aplicaciones como Windsurf. Pero ése no es el caso de uso más valioso para MCP, argumenta. El caso de uso realmente convincente sería que los usuarios inyectaran una "herramienta mágica" que diera a los desarrolladores de aplicaciones como Cursor nuevas capacidades que ni siquiera habían imaginado. En la práctica, sin embargo, es muy poco probable que esto ocurra.

Nuno hizo hincapié en que en la mayoría de los entornos de producción, para garantizar que un Agente sea capaz de hacer un uso eficaz de las herramientas, es necesario ajustar los mensajes del sistema del Agente, e incluso la arquitectura general, para que coincida con el conjunto de herramientas disponibles.

La opinión de Nuno es más pragmática desde el punto de vista técnico. Señala que la integración de herramientas no es simplemente "plug and play", y que el rendimiento de un agente depende en gran medida de lo bien que funcione con la herramienta. Esto, de hecho, apunta a un reto común en el desarrollo de la actual tecnología de agentes de IA: cómo encontrar un equilibrio entre una gran flexibilidad en el escalado de herramientas y la optimización del rendimiento de los agentes. La preocupación de Nuno no es ociosa, ya que muchos desarrolladores han experimentado la importancia de la ingeniería rápida cuando se trabaja con grandes modelos lingüísticos, y el profundo impacto que la arquitectura del sistema puede tener en el resultado final.

Compromisos entre fiabilidad y expectativas del usuario

Harrison reconoce que un Agente basado en la Herramienta de Integración MCP puede no alcanzar la fiabilidad del 99%. Sin embargo, cree que incluso si la fiabilidad del Agente es algo inferior, puede seguir siendo valioso. Señala que, aunque las descripciones y las instrucciones de la herramienta son importantes, no deben pasarse por alto los siguientes puntos:

1. MCP contiene definiciones de herramientas, y los buenos servidores de MCP pueden proporcionar mejores descripciones de herramientas que las que pueden escribir los propios usuarios.
2. El MCP permite la inclusión de avisos que el usuario puede utilizar para instruir al Agente sobre cómo utilizar la herramienta.
3. A medida que las capacidades del modelo subyacente sigan mejorando, el rendimiento inmediato de la herramienta que invoque al Agente será cada vez mejor.

Harrison argumenta que, aunque no se puede construir un producto tan completo como Cursor sólo con integraciones MCP y agentes de llamadas de herramientas genéricas, MCP puede seguir siendo valioso en ciertos escenarios, como la construcción de agentes internos o personales.

En respuesta a la pregunta de Nuno, Harrison se mostró más optimista. Reconoce que la MCP puede no ser perfecta en todos los escenarios, pero insiste en el principio pragmático de "lo justo es suficiente". En las primeras fases del desarrollo tecnológico, la búsqueda de la perfección suele limitar la innovación. La opinión de Harrison también está en consonancia con la naturaleza iterativa de la tecnología, en la que se lanza rápidamente una versión utilizable que luego se mejora en la práctica. Además, su confianza en la capacidad de mejora del modelo también refleja un consenso general en el campo de la IA: la mejora continua de la capacidad del modelo seguirá ampliando los límites de las aplicaciones del Agente.

Sincronización de las capacidades del modelo con las expectativas del usuario

Nuno replicó que las pruebas comparativas de invocación de herramientas de LangGraph demuestran que, incluso con un agente cuya arquitectura y mensajes se adaptan a un conjunto de herramientas específico, el modelo actual sólo tiene una tasa de éxito de aproximadamente 50% cuando invoca la herramienta correcta. Un agente personal que no funciona correctamente la mitad de las veces es de dudosa utilidad.

Nuno reconoce que las capacidades de los modelos seguirán aumentando, pero también lo harán las expectativas de los usuarios. Cita a Jeff Bezos: "Los clientes siempre están insatisfechos con el statu quo, y sus expectativas no tienen fin". Si los desarrolladores dominan toda la pila tecnológica, incluida la interfaz de usuario, las pistas, la arquitectura y las herramientas, podrán satisfacer las crecientes expectativas de los usuarios. De lo contrario, el panorama es sombrío.

Nuno fue más allá con los datos, señalando las limitaciones del modelo actual en cuanto a llamadas de herramientas. La tasa de éxito del 50% es sin duda una cifra preocupante, sobre todo en entornos de producción en los que se busca eficacia y fiabilidad. Al mismo tiempo, Nuno también subió el listón en cuanto a las expectativas de los usuarios. Los avances tecnológicos no sólo deben mejorar las capacidades, sino también seguir el ritmo de las crecientes expectativas de los usuarios. En realidad, esto establece un listón más alto para MCP y todas las tecnologías de agentes de IA: no sólo deben funcionar, sino que deben funcionar bien y seguir satisfaciendo las crecientes necesidades de los usuarios.

El efecto Long Tail y la analogía con Zapier

Harrison sigue confiando en que las capacidades del modelo mejorarán. Cree que, sea cual sea la tasa de éxito actual de los Agentes, sólo seguirá mejorando en el futuro. Subraya que el valor de un MCP no debe evaluarse comparándolo con un Agente bien pulido. El verdadero valor de un MCP es su capacidad para permitir un gran número de conexiones e integraciones a largo plazo.

Harrison compara MCP con Zapier, que conecta aplicaciones como el correo electrónico, Google Sheets y Slack, y permite a los usuarios crear innumerables flujos de trabajo sin tener que desarrollar un agente sofisticado para cada uno. Con MCP, los usuarios pueden crear su propia versión de Zapier, lo que permite una variedad de integraciones personalizadas. integraciones personalizadas.

Harrison desplazó inteligentemente el posicionamiento del MCP de una "plataforma de herramientas de agentes de uso general y alto rendimiento" a un "conector para escenarios de cola larga". La analogía de Zapier es acertada, ya que señala que la aplicación potencial de MCP no es sustituir las soluciones de agentes existentes, sino aprovechar su valor en una gama más amplia de requisitos más personalizados y de cola larga. En realidad, este cambio de mentalidad reduce el requisito de madurez de la tecnología MCP y facilita la búsqueda de aplicaciones a corto plazo. La teoría de la larga cola se ha verificado repetidamente en el ámbito de Internet, y si la MCP puede captar la demanda de larga cola, también es probable que tenga éxito.

Diferencias con la herramienta LangChain

Nuno señaló que LangChain ya cuenta con una biblioteca de 500 herramientas, pero que no se utilizan muy a menudo en entornos de producción. Estas herramientas están todas implementadas según el mismo protocolo, son compatibles con cualquier modelo y se pueden intercambiar libremente. Se pregunta cuál es la ventaja de MCP. ¿Se trata simplemente de que MCP adopta una "forma única" que requiere que el usuario ejecute un gran número de servidores en un terminal local y sólo es compatible con aplicaciones de escritorio? En su opinión, esto no es una ventaja. Cree que Zapier puede ser el límite superior del potencial de MCP.

La diferencia entre la herramienta LangChain y la herramienta MCP, según Harrison, es que la herramienta LangChain está dirigida principalmente a desarrolladores de agentes, mientras que la MCP está dirigida principalmente aincapazUsuarios que desarrollan Agentes. El objetivo de MCP es proporcionar a los usuarios una forma de añadir herramientas a los Agentes sobre los que no tienen control. Además, MCP también permite a los no desarrolladores añadir herramientas a los Agentes que utilizan, mientras que las herramientas de LangChain están más enfocadas a los desarrolladores. Los no desarrolladores superan con creces a los desarrolladores, que constituyen el mercado potencial de MCP.

Harrison también reconoce las deficiencias del MCP en su forma actual. Pero cree que MCP seguirá mejorando. Prevé un futuro en el que las aplicaciones MCP puedan instalarse con un solo clic, no necesiten ejecutar un servidor en un terminal local y se pueda acceder a ellas a través de una aplicación web. Hacia allí se dirige MCP.

Nuno cuestionó la necesidad de MCP desde la perspectiva del propio ecosistema de herramientas de LangChain. Su pregunta es directa: si LangChain ya proporciona un gran número de herramientas que están infrautilizadas, ¿cómo puede MCP resolver este problema? Harrison respondió diferenciando la base de usuarios, argumentando que MCP se dirige a un conjunto diferente de usuarios que los usuarios de las herramientas de LangChain. Esta diferenciación ayuda a dirigirse al mercado de MCP con mayor precisión y evita la competencia directa con el ecosistema de herramientas existente. En efecto, el grupo de "no desarrolladores" es muy amplio, y si MCP puede atender eficazmente a este grupo de usuarios, el potencial de mercado sigue siendo considerable.

El futuro de MCP: analogías con GPT personalizadas y plugins

Nuno resume la opinión de Harrison de que MCP necesita parecerse más a las GPT personalizadas de OpenAI para justificar el bombo actual. Sin embargo, las GPT personalizadas no son tan populares como podrían. Preguntó retóricamente: ¿qué les falta a las GPT personalizadas que tiene MCP?

Harrison considera que MCP se parece más a los Plugins que OpenAI lanzó en su día pero que finalmente fracasaron. Admite que su experiencia con los Plugins ha sido borrosa, pero opina:

• El ecosistema MCP ya es mucho mayor que el ecosistema Plugins.
• Se ha mejorado considerablemente la capacidad del modelo para aprovechar mejor estas herramientas.

Nuno es escéptico sobre el tamaño del ecosistema MCP. Sólo encontró 893 servidores MCP en un directorio encontrado al azar. Cree que Harrison puede estar juzgando el tamaño del ecosistema simplemente por el número de tuits en el timeline de Twitter que mencionan MCP.

Nuno cree que para que la MCP deje de ser una nota a pie de página en la historia del desarrollo de la IA, deben introducirse las siguientes mejoras:

• Menor complejidad¿Por qué es necesario que el protocolo de herramientas gestione tanto los avisos como la finalización del LLM?
• Simplificar la dificultad de realización: ¿Por qué es necesario que los protocolos de las herramientas de servicio se comuniquen en ambas direcciones? Nuno cree que recibir los registros del servidor no es una razón suficiente.
• Apoyo a la implantación de servidoresProtocolos sin estado: Los protocolos sin estado son clave, y las mejores prácticas para el escalado en línea no deben olvidarse sólo porque se esté construyendo una aplicación LLM. Una vez que se admiten despliegues de servidores, entran en juego otras cuestiones como la autenticación.
• Compensar las pérdidas de calidad: Insertar herramientas aleatorias en Agentes que no saben nada de ellas provocará inevitablemente una pérdida de calidad, por lo que hay que encontrar formas de compensarlo.

Harrison reconoció que la pregunta de Nuno tenía cierto mérito, y volvió a lanzar la cuestión a la comunidad de Twitter, lanzando una encuesta en la que se preguntaba si la gente pensaba que MCP era un destello en la sartén o el estándar del futuro.

En resumen, el Protocolo de Contexto de Modelo (MCP) es una tecnología emergente que intenta abrir nuevos caminos en la escalabilidad de las herramientas de agentes. Aunque MCP aún se enfrenta a muchos retos, merece la pena seguir de cerca su valor potencial y su futura dirección.

puntos de vista

Modelo de Protocolo de Contexto (MCP) es poco probable que se convierta en el estándar del futuro. Personalmente, soy pesimista sobre el futuro de la MCP.

El problema que intenta resolver MCP tiene sentido, pero puede no ser muy eficaz en la práctica. La idea de Harrison Chase de que MCP ayudará a los usuarios a ampliar las herramientas de los Agentes es bienintencionada, pero puede que los usuarios no lo necesiten. Es posible que los usuarios prefieran limitarse a utilizar un producto bien desarrollado en lugar de añadir herramientas por sí mismos.

Nuno Campos tiene razón. Ha señalado que las herramientas y los agentes deben trabajar bien juntos para ser eficaces. Es posible que el protocolo MCP no tenga esto suficientemente en cuenta, y que la simple conexión de herramientas no baste para hacer un uso eficaz de los agentes. Los grandes modelos actuales siguen teniendo limitaciones en cuanto a la invocación de herramientas, y es demasiado optimista esperar que MCP construya una plataforma de herramientas eficaz.

MCP también es complicado de implantar. Al ejecutar un servidor localmente, limitado a aplicaciones de escritorio, la experiencia del usuario no es buena. Las aplicaciones de IA tienden a basarse en la nube y a ser ligeras, y si no se mejora el MCP, será difícil que los usuarios lo acepten.

El fracaso de los Plugins y los GPT personalizados de OpenAI ha demostrado que no es fácil ampliar la plataforma. MCP intenta superarla, pero me temo que no lo conseguirá y caerá en el olvido tan rápido como Plugins.

Por lo tanto, la MCP puede ser sólo un fenómeno efímero en el desarrollo de la IA, y es poco probable que se convierta en la corriente principal en el futuro. Aunque tiene valor experimental, el objetivo de Harrison Chase es difícil de alcanzar. En cambio, puede resultar más práctico y eficaz mejorar la capacidad del propio gran modelo, o construir aplicaciones de agentes más verticales.

En definitiva, es poco probable que MCP sea un éxito, y probablemente no sea más que una exageración. Soy muy escéptico sobre el futuro de MCP. Explorar MCP es útil, pero su éxito final es poco probable.