<aside> 👋🏻

Autor: Iván Corrales Solera [email protected]

https://www.linkedin.com/in/ivan-corrales-solera/

https://github.com/ivancorrales

</aside>

Es relativamente sencillo desarrollar un servidor MCP que exponga algunas herramientas para que un agente de inteligencia artificial pueda utilizarlas. Con Python y el SDK oficial de MCP podemos tener un ejemplo funcionando en muy pocas líneas.

Sin embargo, conseguir que funcione es solo el principio.

Imaginemos que hemos desarrollado un agente capaz de consultar los datos de una tienda online. Le preguntamos por los productos más vendidos, las compras de un cliente o la facturación mensual y obtenemos respuestas correctamente.

Pero empiezan a surgir preguntas:

Estas preguntas tienen algo en común: no podemos responderlas únicamente comprobando que nuestra aplicación funciona.

Necesitamos observabilidad.

En este artículo vamos a evolucionar progresivamente un servidor MCP incorporando logs estructurados, trazas distribuidas y métricas. Utilizaremos Python, OpenTelemetry, Jaeger, Prometheus y Grafana, trabajando completamente en local.

No vamos a incorporar todas estas tecnologías de golpe. Añadiremos una capacidad cada vez, entenderemos qué problema resuelve y comprobaremos qué nueva información tenemos disponible.

1. Nuestro punto de partida ( git switch base )

Para centrarnos en la observabilidad, he preparado un repositorio con un proyecto MCP funcional.

La aplicación representa una pequeña tienda online y contiene: