MCP en producción: patrones de integración que escalan

La brecha entre demo y despliegue

Las demos de MCP parecen mágicas. En los últimos cuatro meses he desplegado arquitecturas basadas en MCP en tres entornos empresariales. El protocolo en sí es elegante. Los desafíos de producción están a su alrededor: fiabilidad del transporte, autenticación, observabilidad y el problema sorprendentemente complicado de orquestar múltiples servidores MCP simultáneamente.

Selección de transporte: stdio vs. SSE vs. WebSocket

stdio es el transporte por defecto, perfecto para desarrollo local. El problema: el ciclo de vida del servidor está vinculado al proceso del cliente. HTTP con SSE es el caballo de batalla de producción — ofrece independencia de procesos y escalado horizontal. WebSocket solo es necesario cuando el servidor necesita enviar mensajes proactivos.

Autenticación y autorización

Usamos un modelo de tres capas: autenticación de transporte (mTLS), autenticación de sesión (token de sesión) y autorización a nivel de herramienta (ACL por herramienta).

Orquestación multi-servidor

Usamos un patrón de proxy de enrutador. El router MCP agrega listas de herramientas, enruta invocaciones y maneja health checks. Ping a cada servidor backend cada 30 segundos — tres fallos consecutivos resultan en eliminación.

Manejo de errores a escala

Tasa de errores: 3-8% en operación normal, 15-20% durante incidentes. Errores de red transitorios (~40%) se reintentan automáticamente. Errores de validación (~25%) no — se devuelve un mensaje claro. La IA necesita entender el porqué de un fallo, no solo el hecho.

Observabilidad

Rastrear latencia de invocaciones de herramientas, tasas de error, salud del servidor. Propagar trace IDs del cliente a través del router hasta servidores backend.

Evolución del esquema de herramientas

Versionar nombres de herramientas (query_customers_v2). El router maneja el enrutamiento por versión. Mantener compatibilidad hacia atrás al menos un ciclo de release.

MCP es la abstracción correcta para integración de herramientas AI, pero la producción requiere trabajo de infraestructura significativo.