Las Herramientas MCP Ahora Son 10x Más Rápidas en Claude Code

El equipo de Claude Code solucionó el mayor problema con MCP mediante la implementación de búsqueda de herramientas. Esta técnica reduce el uso de contexto hasta un 95% al buscar el nombre de una herramienta antes de usarla, en lugar de precargar todas las herramientas disponibles en el contexto. Anteriormente, este método de precarga consumía decenas de miles de tokens incluso antes de escribir el primer prompt. El video plantea preguntas sobre por qué no funcionaba así antes y si esta técnica fue tomada de Cloudflare.

Los servidores MCP están ampliamente distribuidos con implementaciones para GitHub, Docker, Notion y Better Stack, entre otros. Con Claude Code y LLMs siendo utilizados para tareas más allá del código, MCP se ha convertido en una tecnología permanente. Sin embargo, enfrenta problemas críticos como colisiones de nombres, inyecciones de comandos y, el más importante, la ineficiencia de tokens. Este último problema surge porque todas las herramientas de un servidor conectado se precargan en la ventana de contexto del modelo para darle visibilidad completa.

La precarga de herramientas MCP incluye nombres, descripciones, documentación completa del esquema JSON con parámetros opcionales y obligatorios, tipos y restricciones, generando una cantidad masiva de datos. El equipo de Redis utilizó 167 herramientas de cuatro servidores diferentes, consumiendo más de 60,000 tokens antes de escribir un prompt. Esto representa casi la mitad de la ventana de contexto de 200k tokens de Opus, sin contar habilidades y plugins. Para usuarios con muchos servidores, esto consume una cantidad sustancial de tokens del contexto disponible.

Aunque existen modelos como Gemini con ventanas de 1 millón de tokens, los modelos tienden a funcionar peor cuando se añaden más elementos a su contexto. Para solucionar el problema de ineficiencia de tokens en MCP, existen dos enfoques populares: el enfoque programático implementado por Cloudflare y el enfoque de búsqueda desarrollado por el equipo de Claude Code. El video promete explicar primero el proceso de búsqueda antes de abordar el enfoque programático.

El proceso de búsqueda funciona en etapas: primero, Claude verifica si las herramientas MCP precargadas superan el 10% del contexto (20k tokens en una ventana de 200k). Si no es así, no ocurre ningún cambio y el modelo usa las herramientas normalmente. Si supera el umbral, Claude descubre dinámicamente las herramientas correctas mediante lenguaje natural, cargando solo de tres a cinco de las herramientas más relevantes según el prompt del usuario. Solo estas herramientas seleccionadas se cargan completamente en el contexto para que el modelo las use como siempre.

La búsqueda de herramientas fue la característica más solicitada en GitHub para Claude Code y funciona de manera similar a AgentSkills. AgentSkills solo carga nombres y descripciones de habilidades en el contexto, y cuando encuentra una habilidad relevante o mencionada en el prompt, procede a cargar completamente esa habilidad específica en la ventana de contexto. Este concepto se conoce como divulgación progresiva. Tanto Anthropic como Cursor han observado grandes beneficios al implementar este enfoque para las herramientas MCP.

El enfoque programático funciona haciendo que los modelos orquesten herramientas a través de código en lugar de llamadas API individuales. Para herramientas que necesitan funcionar secuencialmente según respuestas anteriores, Claude puede escribir un script de Python para toda la orquestación, ejecutar el código y presentar el resultado al modelo. Cloudflare llevó esto más allá haciendo que el modelo escriba definiciones de TypeScript para todas las herramientas disponibles y luego ejecutando el código en un sandbox, típicamente un worker. Este método elimina la necesidad de precargar definiciones de herramientas en el contexto.

El equipo de Claude Code probó el enfoque programático pero descubrió que la búsqueda funcionaba mejor, lo cual es sorprendente considerando que Claude es muy competente escribiendo código. El navegador de agente CLI con Chromium sin interfaz gráfica lanzado por Vercel funciona muy bien en Claude Code. El autor sugiere que si todas las herramientas MCP pudieran convertirse en comandos CLI usando algo como MCPorter, sería mucho más fácil y eficiente en contexto que los modelos ejecuten comandos CLI específicos en lugar de cargar definiciones en el contexto. Sin embargo, reconoce que esta es solo su opinión personal sobre una posible optimización alternativa.

El autor expresa satisfacción por ver que se están investigando activamente los problemas con los servidores MCP. Esta mejora en la eficiencia de tokens y el rendimiento general podría convencerlo de instalar más de un servidor MCP en su configuración. La implementación de la búsqueda de herramientas representa un avance significativo en hacer que MCP sea más práctico y escalable para usuarios con múltiples servidores conectados.