Construir plugins y datasets

Un plugin es un repo git que le enseña al servidor MCP sobre un conjunto de datasets. Acotamos cada plugin a un dominio de datos enfocado (por ejemplo el balance energético de Uruguay) en lugar de a todo un portal de datos abiertos, que tiende a volverse demasiado general. Los catálogos de energía de Uruguay y de Brasil son plugins; el tuyo también puede serlo.

Un plugin puede describir sus herramientas de dos maneras, y mezclar ambas libremente:

• Herramientas en Python: funciones de Python comunes. Este es el camino principal, y al que recurrimos en la práctica: cubre desde una consulta simple hasta bases de datos, APIs y cálculos, y se mantiene claro a medida que un dataset crece.
• Datasets en YAML: declara una consulta en un pequeño archivo .yaml, sin necesidad de programar. Solo para datasets realmente simples: mira cuándo usar YAML vs. Python.

Preferimos funciones de Python como herramientas para empezar. Sea cual sea el estilo, toda herramienta debe seguir el mismo contrato de resultados: una respuesta en texto para la IA más datos estructurados (fuentes, tablas, gráficos) para la UI.

El camino hacia tu propio plugin

1. Parte de los catálogos existentes como plantillas: el plugin de energía de Uruguay (Python).
2. Escribe tu primera herramienta como una función de Python.
3. Pruébala localmente con MCP Inspector.
4. Dale a tu plugin una descripción y preguntas de ejemplo para que el chat muestre una linda tarjeta de presentación.
5. Conéctalo a un servidor.

Dos lecciones de los pilotos

Dos prácticas resultaron especialmente valiosas al construir un plugin: precalcular los valores derivados en lugar de pedírselos a la IA, y darle a la IA un glosario de dominio inyectando definiciones oficiales en el contexto de tus herramientas.