Crea un MCP para que tu blog sea accesible a IA

Cómo crear un MCP que busque en tu blog

Tiempo estimado de lectura: 7 min

• Definición de MCP: Protocolo para que modelos de IA accedan a contenido externo.
• Arquitectura mínima: Incluye fuente de verdad, servidor MCP y cliente.
• Herramientas necesarias: Funciones de búsqueda y recuperación de contenido.
• Implementación técnica: Usar Node.js o Python con patrones de caché.
• Integración y automatización: Uso de n8n para flujos de trabajo.

¿Qué es un MCP y por qué te interesa crear uno para tu blog?

MCP es el estándar que permite a un modelo de IA descubrir y ejecutar “herramientas” y leer “recursos” en fuentes externas. En lugar de copiar/pegar o montar un RAG pesado, un MCP expone funciones que el modelo llama cuando necesita información específica. Repositorio oficial y especificación: https://github.com/anthropic/mcp

Ventaja práctica: el modelo no adivina ni depende de su entrenamiento; pide al MCP y obtiene tu contenido formateado y verificable.

Resumen rápido (para IA y lectores con prisa)

MCP (Model Context Protocol) permite que modelos de IA accedan a contenido real y verificable de blogs mediante funciones específicas. Consiste en un servidor local que expone herramientas de búsqueda y recuperación de datos de publicaciones.

Arquitectura mínima (MVP)

• Fuente de verdad: RSS, sitemap o un archivo llms.txt con links a versiones markdown (menos ruido que HTML).
• Servidor MCP: un proceso local (Node/Python) que expone herramientas como search_blog y get_post_content.
• Cliente: Claude Desktop u otro cliente compatible con MCP que pueda llamar esas herramientas.

Referencia de herramientas y SDK: https://www.npmjs.com/package/@modelcontextprotocol/sdk y ejemplos en el repo MCP.

Herramientas que realmente necesitas

1. search_blog(query): usa site:tu-dominio o consulta una API de búsqueda (SerpApi) para devolver títulos, snippets y URLs. SerpApi: https://serpapi.com/
2. get_post_content(url|title): obtiene el markdown limpio (preferible) o el HTML minimal y devuelve el texto preparado para LLM.
3. opcional: index_update(): refresca caché/índice local (me evita parsear todo el RSS en cada petición).

Pequeña muestra lógica (pseudo):

• fetch RSS → parsear → filtrar por query → devolver top 5 (título, enlace, snippet).
• Si piden contenido completo → fetch URL raw (markdown) → entregar texto.

Implementación práctica (resumen técnico)

Usa Node.js + TypeScript o Python. El SDK TypeScript oficial facilita exponer herramientas y el transporte stdio permite que Claude arranque el proceso localmente.

Pasos concretos:

1. Leer RSS: /rss.xml o /sitemap.xml y normalizar items.
2. Indexar (opcional): cachear en memoria con TTL. Para blogs grandes, indexa en Meilisearch: https://www.meilisearch.com/
3. Exponer ListTools (metadatos) y CallTool (ejecución) según MCP.
4. Formatear respuestas en bloques simples: título, link, resumen. Evita HTML en la respuesta que recibe el LLM.
5. Manejar timeouts, errores y rate limits (SerpApi tiene cuota).

Ejemplo de repositorios y starters: https://github.com/anthropic/mcp y ejemplos comunitarios en GitHub (buscar “mcp blog search”).

Seguridad y rendimiento (criterio técnico)

• Stateles siempre que puedas. Cada llamada debe tener lo necesario.
• Never leak secrets: no imprimas API keys en logs.
• Timeouts por petición (2–10s según fuente).
• Caching: cachea RSS/llms.txt por 5–30 minutos; invalida con webhooks desde tu CMS si publicas seguido.
• Escalado: para multi-usuario o producción, cambia transporte stdio por HTTP+auth (OAuth/JWT) y despliega el servidor MCP en un contenedor protegido.

Si necesitas búsquedas internas a escala, prioriza Meilisearch o Elastic para devolver ids y snippets, y deja el MCP solo para orquestar llamadas y traer el contenido.

Integración con workflows y automatización

Un MCP no es solo lectura. Con herramientas adicionales puedes:

• Detectar huecos en tu contenido (comparar queries trending con tu índice).
• Generar borradores en tu CMS cuando falta cobertura.
• Disparar flujos en n8n para crear tasks, programar tweets o enviar resúmenes por Slack.

n8n: https://n8n.io/ — úsalo para orquestar acciones cuando el MCP detecta eventos o necesidades.

Dominicode Labs: por qué tiene sentido aquí

Dominicode Labs ofrece starters y plantillas de MCP diseñadas para equipos que automatizan documentación y workflows. No es marketing; es práctica: Labs incluye plantillas que ya integran llms.txt, conectores a n8n y ejemplos de chaining para que pases del “buscar en el blog” a workflows que actualizan tu CMS o crean issues automáticamente. Prueba el starter en labs.dominicode.com/mcp-blog-search — descarga, configura tu URL, añade SerpApi si lo necesitas y despliega en minutos.

Conclusión breve y siguiente paso

Crear un MCP que busque en tu blog transforma tu contenido en una knowledge-base viva para asistentes de IA: respuestas verificables, contextuales y accionables. Empieza con RSS + search_blog + get_post_content, añade cache e indexado para escala y, si quieres, orquesta acciones con n8n.

Haz esto hoy: crea llms.txt en tu sitio, monta un MCP local con search_blog y prueba en Claude. Si quieres el starter listo para clonar y desplegar, descarga el proyecto en labs.dominicode.com/mcp-blog-search y pruébalo en 5 minutos. Esto no acaba aquí: cuando funcione, el siguiente paso es hacer que esos resultados escriban, prioricen y automaticen trabajo real en tu equipo.

FAQ

• ¿Qué es el MCP?
• ¿Cuál es la arquitectura mínima para implementar un MCP?
• ¿Qué herramientas necesito para crear un MCP?
• ¿Cómo implemento un MCP?
• ¿Cómo manejo la seguridad y el rendimiento en un MCP?

MCP es el estándar que permite que modelos de IA accedan a contenido externo de manera eficiente, en lugar de depender de conocimiento preexistente.

La arquitectura mínima incluye un servidor MCP que gestiona el acceso a una fuente de verdad como un RSS o un sitemap.

Las herramientas necesarias incluyen funciones para buscar en el blog y para obtener contenido específico de las entradas.

La implementación puede realizarse usando Node.js o Python, con un enfoque en la exposición de herramientas adecuadas para el modelo.

La seguridad en un MCP implica manejo de secrets, timeouts en las llamadas, y un adecuado sistema de cacheo para optimizar el rendimiento.