El proceso de selección
Cuando le haces una pregunta a un asistente de IA mientras hay varios servidores MCP conectados, el modelo debe decidir si usar una herramienta o no, y en caso afirmativo, cuál. Esa decisión se basa en las descripciones de las herramientas (que el modelo lee al conectarse el servidor), en la solicitud del usuario y en su comprensión de las capacidades de cada herramienta.
El modelo, en esencia, hace una correspondencia por patrones entre tu petición y las descripciones disponibles. Si preguntas «¿qué archivos hay en el directorio del proyecto?» y existe una herramienta de sistema de archivos descrita como «leer y buscar archivos en directorios indicados», la coincidencia es clara. Si preguntas algo más ambiguo, como «búscame información sobre el proyecto», el modelo tiene que decidir entre la herramienta de archivos, una de búsqueda web y una de base de datos, cualquiera de las cuales podría ser pertinente.
Qué influye en la decisión
Las descripciones de las herramientas son el principal factor. Una descripción bien escrita que indique con claridad qué hace la herramienta, cuándo conviene usarla y qué no puede hacer ayuda al modelo a acertar en la selección. Una descripción vaga del estilo «herramienta de datos de propósito general» le ofrece poco con lo que trabajar.
Los esquemas de parámetros también influyen. Si los parámetros de una herramienta encajan bien con lo que el modelo necesita especificar para la tarea actual, esa herramienta tiene más probabilidades de ser elegida. Una herramienta que requiere un parámetro sql_query es una candidata fuerte cuando el usuario hace una pregunta sobre datos. Una que requiere file_path encaja cuando se pregunta por un archivo concreto.
El entrenamiento del modelo también juega un papel. Los modelos han aprendido asociaciones entre tipos de petición y tipos de herramienta a partir de sus datos de entrenamiento. Las preguntas sobre bases de datos suelen activar herramientas de base de datos. Las preguntas sobre archivos activan herramientas de sistema de archivos. Esas asociaciones aprendidas son un punto de partida que las descripciones pueden reforzar o sobrescribir.
Cuando la selección falla
Los errores de selección caen en dos categorías: el modelo usa la herramienta equivocada, o no usa ninguna cuando debería. Una selección equivocada suele significar que las descripciones son ambiguas: si dos herramientas podrían encajar plausiblemente con la solicitud, el modelo puede acabar eligiendo la incorrecta.
El remedio para descripciones ambiguas es hacerlas más específicas. En lugar de «buscar información», escribe «buscar archivos en el sistema de archivos local que coincidan con un patrón». En lugar de «obtener datos», escribe «ejecutar una consulta SQL de sólo lectura contra la base de datos PostgreSQL conectada». La especificidad reduce la ambigüedad y mejora la precisión de la selección.
Que el modelo no use ninguna herramienta suele significar que no reconoció la solicitud como un caso que requiere uso de herramientas. Eso ocurre cuando el fraseo del usuario no coincide lo suficiente con las descripciones. Reformular la solicitud con un vocabulario más cercano al de la herramienta suele resolver el problema.
Cómo configurar para una mejor selección
Si controlas los servidores MCP de tu instalación, optimizar las descripciones es una de las mejoras de mayor impacto que puedes hacer. Revisa la descripción, el nombre y el esquema de parámetros de cada herramienta. Pregúntate: si leyera esta descripción sin contexto previo, ¿sabría exactamente cuándo usarla?
Incluir descripciones negativas (para qué no debe usarse la herramienta) también ayuda. «Úsala para consultas SQL contra la base de datos de producción. No la uses para operaciones de archivos ni búsquedas web» le da al modelo límites claros.
Cuando hay varias herramientas similares conectadas (por ejemplo, dos servidores de bases de datos distintas), conviene diferenciarlas con claridad. «Base de datos PostgreSQL de producción con datos de clientes» y «Base de datos SQLite local de analítica» son mucho más fáciles de distinguir para el modelo que «herramienta de base de datos 1» y «herramienta de base de datos 2».
Lecturas relacionadas
- Uso de herramientas en agentes de IA: capacidades y limitaciones actuales
- MCP frente a function calling: entender los trade-offs
- Cómo empezar con servidores MCP en 2026
Explora servidores MCP en Skillful.sh. Busca entre más de 137.000 herramientas de IA.