En este tutorial te mostramos cómo construir un agente de inteligencia artificial avanzado utilizando mcp-agent y Gemini. Comenzamos preparando un entorno robusto con todas las dependencias necesarias, para luego implementar un servidor de herramientas MCP que ofrezca servicios estructurados como búsqueda web, análisis de datos, ejecución de código e información meteorológica. Integrando estas herramientas en un cliente MCP potenciado por Gemini, demostramos cómo combinar el razonamiento contextual con la ejecución de herramientas externas.
A lo largo del proceso, enfatizamos el diseño asíncrono, la definición de esquemas para las herramientas y la integración fluida entre la capa MCP y las capacidades generativas de Gemini, asegurando que nuestro agente sea modular, extensible y listo para entornos de producción.
Para comenzar, definimos una función que instala automáticamente las librerías necesarias, incluyendo mcp-agent, Gemini y diversas utilidades de apoyo, preparando así el entorno para seguir avanzando sin contratiempos.
Luego, importamos todas las librerías esenciales, desde Gemini y herramientas para scraping web hasta paquetes para visualización y cálculo numérico. También incorporamos los módulos de mcp-agent para la comunicación mediante protocolo y configuramos el registro de eventos para monitorear la ejecución del agente en tiempo real.
Creamos la clase MCPToolServer, que define y gestiona todas las herramientas que nuestro agente puede usar: búsqueda web, análisis de datos, ejecución de código e información meteorológica. Para cada herramienta implementamos métodos asíncronos que realizan la operación solicitada, como extraer texto de Wikipedia, generar gráficos, ejecutar fragmentos de código Python o simular datos del clima. Los resultados se devuelven en un formato estructurado, lo que hace que este servidor MCP sea modular y fácil de extender con nuevas herramientas en el futuro.
Después, definimos la clase MCPAgent, que conecta Gemini con nuestro servidor MCP y mantiene el historial de conversaciones. Esto nos permite razonar, decidir qué herramienta usar, ejecutarla y sintetizar el resultado. Al iniciar, el agente busca la clave API de Gemini, configura el modelo y, en el método para procesar solicitudes, genera un prompt para que Gemini seleccione la herramienta adecuada o responda directamente. Luego ejecuta la herramienta escogida de forma asíncrona y compone una respuesta final basada en sus resultados.
Para mostrar su funcionamiento, lanzamos una demo donde el agente responde a varias consultas representativas, mostrando cómo utiliza las herramientas y procesa la información con Gemini. Luego se abre un modo interactivo donde el usuario puede listar las herramientas disponibles, enviar cualquier pregunta y observar la orquestación completa del sistema en acción.
Finalmente, recalcamos los conceptos aprendidos: cómo implementar herramientas siguiendo el protocolo MCP, registrar y descubrir herramientas, llamar a herramientas de manera estructurada con argumentos, integrar estas herramientas con Gemini AI y manejar la ejecución asíncrona y las respuestas.
Con este agente MCP logramos que la IA decida dinámicamente cuándo usar recursos externos y cómo combinar sus salidas en respuestas útiles y coherentes. Así validamos su capacidad para buscar, analizar, generar contenido y simular interacciones del mundo real, utilizando Gemini como motor de razonamiento. Al integrar protocolos estructurados MCP con la flexibilidad de Gemini, creamos una plantilla para desarrollar sistemas de IA potentes, interactivos y técnicamente sólidos.
