Docker Acaba de Solucionar el 90% de la Programación con IA al Lanzar Esto

El video comienza explicando que el protocolo MCP, inicialmente importante para la IA, se ha convertido en un problema significativo. Lo que empezó con dos o tres servidores MCP locales, ha escalado a cientos de servidores con miles de herramientas, causando una gran sobrecarga. Se menciona que Cloudflare y Claude fueron los primeros en identificar y publicar investigaciones sobre esta creciente complejidad. Este problema afecta la eficiencia y el rendimiento de los agentes de IA. La gestión de un volumen tan grande de herramientas se ha vuelto insostenible.

Docker ha desarrollado una solución innovadora para este problema crítico de los MCPs. Han introducido un 'modo dinámico' que permite un uso completamente nuevo de los servidores MCP. Esta nueva aproximación promete un ahorro considerable de tokens, una aceleración notable de los agentes de IA y la capacidad de crear tipos de automatizaciones totalmente novedosos. Esta solución aborda directamente las limitaciones de escala y eficiencia que enfrentaban los sistemas de IA. Es un cambio fundamental en cómo los agentes interactúan con las herramientas.

Docker publicó un artículo instando a los desarrolladores a dejar de codificar rígidamente el entorno de sus agentes. Se plantean tres preguntas clave: en qué servidores MCP confiar, cómo evitar llenar el contexto con definiciones de herramientas no utilizadas (el foco principal), y cómo los agentes pueden descubrir, configurar y usar herramientas de manera eficiente. El problema de la sobrecarga de contexto es crucial, ya que un agente podría tener acceso a mil herramientas pero solo usar dos o tres en una conversación. Este enfoque rígido consume recursos innecesarios y ralentiza el rendimiento.

Anthropic también abordó el problema de la sobrecarga de contexto, y Docker ya había establecido la infraestructura necesaria antes de que se convirtiera en un problema generalizado. Esto incluye su catálogo de MCP, que lista servidores verificados y confiables. El cliente MCP (a menudo código de Claude) se conecta a Docker, que luego gestiona todos los servidores MCP, resolviendo así el primer problema sobre la confianza en los servidores. Esta infraestructura preexistente facilitó la implementación de la nueva solución. La centralización de la gestión de MCPs es un paso clave.

Para permitir que los agentes utilicen los MCPs de forma dinámica, Docker ha implementado una 'pasarela MCP'. Esta pasarela incluye herramientas preconstruidas que permiten a los agentes usar los servidores MCP del catálogo de forma autónoma. Al conectar un MCP, la pasarela solo trae las definiciones de herramientas relevantes al contexto, evitando la sobrecarga de la ventana de contexto del agente. Esto asegura que el agente solo tenga acceso a lo que necesita en un momento dado. La pasarela actúa como un intermediario inteligente, optimizando el flujo de información.

Docker añadió nuevas herramientas como 'MCP find', 'add' y 'remove' para buscar y gestionar servidores MCP. Se muestra un ejemplo con el MCP de GitHub, donde un agente busca repositorios interesantes. El sistema no llama directamente a la herramienta, sino que usa el servidor Docker MCP como intermediario. Se destaca que el LLM devuelve una gran cantidad de detalles sobre los repositorios (enlace, estrellas, descripción, fecha), lo cual es relevante para la discusión posterior sobre la eficiencia del contexto. Este exceso de información es un problema que la solución de Docker busca mitigar.

Esta sección se enfoca en la selección dinámica de herramientas, considerada la parte más importante de la solución de Docker. Se retoma el artículo de Claude que identifica dos fuentes de consumo excesivo de tokens: las definiciones de herramientas en el contexto y los resultados intermedios. El ejemplo de GitHub ilustra cómo los resultados brutos llenan el contexto. La pasarela MCP de Docker mejora esto al proporcionar solo las herramientas y la información verdaderamente útiles, como solo la herramienta de búsqueda de repositorios en lugar de todas las 40 herramientas de GitHub, abriendo nuevas posibilidades. Esto es clave para la eficiencia y el rendimiento.

Cloudflare había señalado que la forma en que se usaban los MCPs era incorrecta, y Docker es el primero en implementar una nueva solución: el 'modo de código'. Este modo permite a los agentes programar directamente usando herramientas MCP, es decir, tomar las herramientas e implementarlas en código. El modo de código crea una herramienta habilitada para JavaScript que puede llamar a otras herramientas MCP, lo que, aunque simple en concepto, tiene implicaciones profundas. Representa un cambio paradigmático en la interacción entre agentes y herramientas.

El modo de código ofrece tres beneficios clave. Primero, seguridad: el código generado por el agente se ejecuta en un sandbox (contenedores Docker), evitando daños al sistema. Segundo, eficiencia de tokens: el modelo solo necesita conocer la nueva herramienta de modo de código, no todas las herramientas subyacentes, lo que reduce drásticamente el contexto enviado. Tercero, persistencia de estado: los volúmenes gestionan la persistencia de datos entre llamadas a herramientas, evitando que el modelo se inunde con grandes cantidades de datos, como un conjunto de datos de 5 GB, y solo recibe resúmenes o resultados finales. Estos beneficios son fundamentales para la adopción a gran escala de agentes de IA.

El orador buscaba herramientas de código abierto en GitHub para sus videos, lo que implicaba múltiples llamadas a la herramienta 'find GitHub repo'. Con el modo de código, Claude combinó estas llamadas en una única herramienta 'multi search repos'. Inicialmente, los 29 resultados de seis palabras clave se devolvían directamente, llenando el contexto. La solución fue modificar la herramienta para escribir los resultados en un archivo de texto, y el modelo solo recibía la descripción y el enlace, manteniendo el contexto limpio. Este ejemplo demuestra un ahorro significativo de tokens y una mayor eficiencia.

Se exploró la integración con Notion. El agente, utilizando el modo de código, creó una herramienta llamada 'GitHub to Notion' que permite enviar los resultados de la búsqueda de GitHub directamente a una base de datos de Notion, en lugar de a un archivo de texto. Aunque hubo pequeños ajustes, la herramienta automatiza la inserción de repositorios con sus descripciones, enlaces y fechas en Notion, demostrando una automatización avanzada y la capacidad de mantener el contexto del modelo enfocado solo en la información esencial. Esto ilustra el potencial para crear flujos de trabajo complejos y personalizados.

En resumen, el catálogo de MCP de Docker y las nuevas funcionalidades permiten encadenar herramientas para crear flujos de trabajo potentes, ahorrando tokens y mejorando el rendimiento de los agentes de IA. Para empezar, los usuarios deben actualizar su versión de Docker y asegurarse de que el 'kit de herramientas Docker MCP' esté habilitado en las funciones beta. Una vez configurado, solo es necesario conectar el cliente para comenzar a utilizar estas innovadoras capacidades. La facilidad de implementación y los beneficios prometidos hacen de esta una solución atractiva para desarrolladores de IA.