Pero la verdadera magia ocurre cuando puedes llevar estas herramientas personalizadas y conscientes de los datos a los entornos donde pasas la mayor parte del tiempo. ¿Y si tu agente editor de código pudiera acceder de forma segura a la base de conocimiento privada de tu organización?

Ahí es donde entra el Protocolo de Contexto del Modelo (MCP). Elastic Agent Builder viene con un servidor MCP integrado que proporciona acceso a las herramientas de la plataforma.

¿Por qué usar el servidor MCP de Elastic Agent Builder?

Los agentes de IA son increíblemente poderosos, pero su conocimiento suele limitar a los datos con los que fueron capacitados y a la información que pueden buscar activamente en Internet público. No conocen los documentos internos de diseño de tu compañía, los libros de despliegue específicos de tu equipo ni la estructura única de tus registros de aplicaciones.

El reto es darle a tu asistente de IA el contexto especializado que necesita. Este es precisamente el problema que MCP está diseñado para resolver. MCP es un estándar abierto que permite a un modelo o agente de IA descubrir y emplear herramientas externas.

Para hacerlo posible, el Constructor de Agentes Elastic expone de forma nativa tus herramientas personalizadas a través de un servidor MCP integrado. Esto significa que puedes conectar fácilmente cualquier cliente compatible con MCP, como Cursor, VS Code o Claude Desktop, con las herramientas especializadas y conscientes de los datos que desarrollaste con Elastic Agent Builder.

Cuándo usar MCP (y cuándo no)

Elastic Agent Builder incluye varios protocolos para soportar diferentes patrones de integración. Elegir el adecuado es clave para construir flujos de trabajo efectivos en IA.

• Usa MCP para complementar tu agente de IA (como en Cursor o VS Code) con herramientas especializadas. Es el enfoque de "trae tus propias herramientas", mejorando el asistente que ya usas con acceso seguro a tus datos privados. Solo las herramientas se exponen a través del servidor MCP — los agentes de Elastic son independientes de ese.

• Emplea el Protocolo A2A para permitir que tu Agente Elastic personalizado completo colabore con otros agentes autónomos (como en Gemini Enterprise de Google). Esto es para la delegación de agente a agente, donde cada agente actúa como un par para resolver un problema.

• Emplea las APIs de Agent Builder para un control programático completo al construir una aplicación personalizada desde cero.

Para un desarrollador que busca obtener respuestas de su documentación interna sin salir de su IDE, MCP es la opción perfecta.

Ejemplo: tus herramientas personalizadas en Cursor con el servidor MCP de Agent Builder

Vamos a repasar un ejemplo práctico que uso a diario. Primero, rastreé e indexé nuestra documentación interna de ingeniería en un índice de Elasticsearch llamado elastic-dev-docs. Aunque podríamos usar las herramientas genéricas integradas disponibles en Agent Builder, crearemos nuestra propia herramienta personalizada para consultar esta base de conocimiento específica.

La razón para construir una herramienta personalizada es sencilla: control y precisión. Este enfoque nos da la capacidad de ejecutar una consulta rápida y semántica directamente contra nuestro índice de elastic-dev-docs . Tenemos control total sobre qué índice se dirige y cómo se recuperan los datos.

Ahora, aquí tienes cómo podemos usar esta base de conocimiento personalizada en un editor de código impulsado por IA, como Cursor.

Paso 1: Crea una herramienta de base de conocimiento personalizada en Agent Builder

Primero, crea una nueva herramienta en Agent Builder. Una descripción clara y específica de la herramienta es importante porque es como cualquier agente de IA, ya sea el Agente Elástico interno o una herramienta externa como Cursor conectar mediante MCP, descubre y selecciona tu herramienta para la tarea adecuada.

Una descripción contundente debe ser explícita. Por ejemplo: "Realiza una búsqueda semántica en el índice elastic-dev-docs para encontrar documentación interna de ingeniería, libros de ejecución y procedimientos de liberación."

Con eso en marcha, la herramienta está configurada para realizar una búsqueda semántica contra nuestro índice específico. Una vez almacenado, está disponible inmediatamente para ser servido.

Antes de conectarlo al exterior, puedes probarlo directamente en la interfaz. Simplemente haz clic en el botón Test para rellenar manualmente los parámetros, emulando lo que hará el LLM, e inspecciona los resultados para confirmar que todo funciona correctamente.

Paso 2: Conecta Cursor al servidor Elastic MCP

Elastic Agent Builder expone automáticamente todas las herramientas disponibles a través de un endpoint MCP seguro. Puedes encontrar la URL única de tu servidor en la interfaz de herramientas dentro de Kibana.

Para conectarnos a Cursor, simplemente agregamos esta URL a su archivo de configuración, junto con una clave API elástica para autenticación (aprende a crear clave API ES). Usamos una clave API para la autorización, ya que garantiza que las herramientas solo se ejecuten con las licencias que concediste, respetando todas tus reglas de control de acceso.

La configuración MCP en el ~/.cursor/mcp.json de Cursor es la siguiente:

Una vez almacenada la configuración, deberías ver la herramienta de servidor MCP de Elastic Agent Builder disponible en Cursor.

Paso 3: ¡pregunta lo que quieras!

Con la conexión establecido, los agentes Cursor pueden ahora invocar tus herramientas personalizadas para responder a tus preguntas o guiar el proceso de generación de código.

Hagamos una pregunta concreta:

"Pasos de búsqueda para liberar el servicio de rastreo desde la documentación interna de ingeniería de la organización elastic search"

Tras bambalinas, ocurre la magia:

1. El agente del cursor decide cómo responder a tu pregunta de la mejor manera y decide llamar a la engineering_documentation_internal_search

2. Invoca la herramienta mediante una consulta en lenguaje natural

3. La herramienta ejecuta una búsqueda semántica contra el índice de elastic-dev-docs y devuelve los procedimientos más relevantes y actualizados.

Obtenemos una respuesta precisa y fiable basada en nuestra documentación interna, todo sin salir nunca del editor de código. La experiencia es fluida y poderosa.

Te toca construir

Ahora viste cómo usar el servidor MCP integrado en Elastic Agent Builder para ampliar tus asistentes de IA con acceso seguro a tus datos privados. Fundamentar los modelos en tu propia información es clave para que sean realmente útiles.

Para recapitular, cubrimos los pasos principales:

• Elegir el protocolo adecuado para tus necesidades (MCP).

• Crear una herramienta de base de conocimiento personalizada.

• Conectar esa herramienta a un asistente IDE como Cursor.

Tus agentes y herramientas ya no necesitan estar desconectados de su contexto más valioso. Esperamos que esta guía te ayude a crear flujos de trabajo más efectivos y conscientes de los datos. ¡Feliz construcción!

Pero, ¿y si quieres usar tus agentes personalizados con las aplicaciones y herramientas de productividad de las que ya dependes?

Ahí es donde entra el protocolo Agent-a-Agente (A2A ). A2A es un estándar abierto de interoperabilidad, que permite a agentes de diferentes plataformas comunicar y colaborar. Y lo integramos directamente en el Elastic Agent Builder.

Hoy vamos a mostrarte cómo tomar un agente personalizado que creaste y exponerlo a otros servicios, concretamente Gemini Enterprise (antes Agentspace).

El poder de los estándares abiertos: por qué importa A2A

En la entrada del blog Tu primer agente Elastic, mostramos cómo crear agentes personalizados, como un agente de Asistente Financiero con acceso seguro a tus datos de mercado. Pero su valor es limitado si no puedes poner sus conocimientos a disposición en otros entornos, como Gemini Enterprise, sin reconstruir tu trabajo.

Este desafío de interoperabilidad es lo que frena la IA agente. Los agentes necesitan un lenguaje común para comunicar entre plataformas, que es precisamente el papel del protocolo A2A. Proporciona una capa estándar de comunicación que no solo te permite interactuar directamente con tu agente, sino que también abre un futuro donde agentes especializados de toda tu organización pueden colaborar y compartir conocimientos.

Para hacerlo posible, Elastic Agent Builder soporta nativamente el protocolo A2A a través de dos endpoints estándar para todos tus agentes:

1. El punto final de la Tarjeta Agente (GET {your-kibana-url}/api/agent_builder/a2a/{agentId}.json) - Esto actúa como la tarjeta de visita de tu agente personalizado. Proporciona metadatos sobre tu agente (nombre, descripción, capacidades, etc.) a cualquier servicio compatible con A2A.

2. El punto final del Protocolo A2A (POST {your-kibana-url}/api/agent_builder/a2a/{agentId}) - Este es el canal de comunicación. Otros agentes envían sus solicitudes aquí, y tu agente las procesa y responde, todo siguiendo la especificación del protocolo A2A.

Prueba a tu agente con el inspector A2A

Antes de conectar a nuestro agente a un sistema de producción, es bueno comprobar que se comunica correctamente. La forma más sencilla de hacerlo es con el Inspector A2A, una herramienta diseñada específicamente para probar y depurar integraciones A2A.

Poner en marcha al inspector es sencillo. Puedes clonar el repositorio a2a-inspector y seguir las instrucciones README para ejecutar la aplicación. Una vez iniciada, la interfaz está disponible por defecto en http://localhost:5001/.

Para conectar al Inspector A2A con tu agente, tendrás que proporcionar dos datos clave:

• URL de la tarjeta del agente: Este es el punto final que describe a tu agente. Para el agente de Asistente Financiero de nuestra publicación anterior, esta URL sería {your-kibana-url}/api/agent_builder/a2a/financial_assistant.json.

• Cabecera de autenticación: Emplearemos una clave API estándar para la autenticación.

Una vez introduzcas estos datos en la interfaz del inspector, puedes conectarte y empezar a hablar con tu agente inmediatamente.

Esta simple validación nos da la confianza de que nuestro agente está configurado correctamente y listo para el siguiente paso.

¡En directo! Tu agente personalizado en Gemini Enterprise

Ahora, la parte emocionante: dar vida a nuestro agente asesor financiero personalizado dentro de Gemini Enterprise (anteriormente Agentspace). Esta integración está impulsada por el Elastic AI Agent, que está disponible en Google Cloud Marketplace.

Una vez conectado, Gemini Enterprise emplea el protocolo A2A para comunicar directamente con tu agente. Aquí es donde brilla el verdadero poder de la interoperabilidad: los usuarios pueden acceder ahora a los insights profundos y basados en datos de tu agente personalizado de Elasticsearch sin salir nunca de su entorno habitual. Puedes ver tu Agente Elástico personalizado en la lista de agentes:

Imagina a un usuario en Gemini Enterprise preguntar:

"Me preocupa el sentimiento del mercado. ¿Puede mostrarme cuáles de nuestros clientes están más en riesgo por malas noticias?"

Entre bastidores, Gemini Enterprise enruta esta consulta a través del protocolo A2A a tu Agente Elastic personalizado. Tu agente emplea entonces sus herramientas especializadas para consultar tus datos, formular una respuesta y devolverla. Para el usuario final, la experiencia es fluida.

¡Y no se acaba aquí! La respuesta obtenida con el agente elástico ahora puede usar como contexto para tus próximas preguntas que pueden estar activando a otro agente especializado (por ejemplo, tu agente de la plataforma de inversiones para ajustar la exposición a compañías cotizadas). Todo sin salir de tu barra de búsqueda.

Con tus agentes Elastic desplegados en Gemini Enterprise con A2A, puedes unificar acceso, orquestación y flujos de trabajo eliminando fricciones entre IA, búsqueda y sistemas empresariales al ofrecer una única interfaz donde los usuarios se comunican con sus datos y herramientas, todo en contexto. Para los usuarios, eso significa menos cambios de herramienta y asistentes de IA más intuitivos y capaces. Para las organizaciones, significa una gobernanza coherente, escalabilidad e interoperabilidad integradas.

Te toca construir

Ahora tienes las herramientas para poner tus Agentes Elásticos disponibles en cualquier lugar. Aprovechando el protocolo abierto A2A, puedes ampliar el alcance de tus agentes personalizados y conscientes de los datos.

En esta publicación, te guiamos por los pasos clave:

• Exponer a tu agente a través de los endpoints de la tarjeta de agente A2A y el protocolo.

• Probando la conexión con el inspector A2A.

• Integrar a tu agente en directo en un servicio externo como Gemini Enterprise de Google.

Tus agentes ya no necesitan estar aislados. Estamos deseando ver los sistemas poderosos e interconectados que creáis. ¡Feliz construcción!

La forma más sencilla de empezar es con tu prueba gratis de Elastic Cloud en Google Cloud Marketplace

Model Context Protocol (MCP) lo hace posible. Conecta a la perfección la IA conversacional con sus bases de datos y API externas, transformando solicitudes complejas en conversaciones naturales. Si bien los LLM modernos son excelentes para comprender el lenguaje, su verdadero potencial se desbloquea cuando se integran con sistemas del mundo real. MCP cierra la brecha entre ellos, haciendo que la interacción de datos sea más intuitiva y eficiente.

En esta publicación, exploraremos:

• Arquitectura MCP: cómo funciona bajo el capó

• Beneficios de un servidor MCP conectado a Elasticsearch

• Creación de un servidor MCP con tecnología de Elasticsearch

¡Se avecinan tiempos emocionantes! La integración de MCP con tu Elastic stack transforma la forma en que interactúas con la información, haciendo que las consultas complejas sean tan intuitivas como la conversación diaria.

Protocolo de contexto del modelo

Model Context Protocol (MCP), desarrollado por Anthropic, es un estándar abierto que conecta modelos de IA con fuentes de datos externas a través de canales seguros y bidireccionales. Resuelve una limitación importante de la IA: el acceso en tiempo real a sistemas externos mientras se preserva el contexto de la conversación.

Arquitectura del MCP

La arquitectura del protocolo de contexto del modelo consta de dos componentes clave:

• Clientes MCP : asistentes de IA y chatbots que aplicar información o ejecutan tareas en nombre de los usuarios.

• Servidores MCP : repositorios de datos, motores de búsqueda y API que recuperan información relevante o realizan acciones aplicar (por ejemplo, llamar a API externas).

Los servidores MCP exponen cuatro capacidades principales a los clientes:

• Recursos : datos estructurados, documentos y contenido que se pueden recuperar y emplear como contexto para las interacciones de LLM. Esto permite a los asistentes de IA acceder a información relevante de bases de datos, índices de búsqueda u otras fuentes.

• Herramientas : funciones ejecutables que permiten a los LLM interactuar con sistemas externos, realizar cálculos o realizar acciones en el mundo real. Estas herramientas amplían las capacidades de IA más allá de la generación de texto, lo que permite a los asistentes activar flujos de trabajo, llamar a API o manipular datos dinámicamente.

• Solicitudes : plantillas de solicitudes y flujos de trabajo reutilizables para estandarizar y compartir interacciones comunes de LLM.

• Ejemplificación : aplicar finalizaciones de LLM a través del cliente para habilitar comportamientos sofisticados de agentes mientras mantiene la seguridad y la privacidad.

Servidor MCP + Elasticsearch

Los sistemas tradicionales de generación aumentada de recuperación (RAG) recuperan documentos en función de las consultas de los usuarios, pero MCP va un paso más allá: permite a los agentes de IA construir y ejecutar tareas dinámicamente en tiempo real. Esto permite a los usuarios hacer preguntas en lenguaje natural como:

• "Muéstrame todos los pedidos superiores a $ 500 del mes pasado".

• "¿Qué productos recibieron la mayor cantidad de reseñas de 5 estrellas?"

Y obtén respuestas instantáneas y precisas, sin escribir una sola consulta.

MCP logra esto a través de:

• Selección dinámica de herramientas: los agentes eligen de manera inteligente las herramientas correctas expuestas a través de los servidores MCP en función de la intención del usuario. Los LLM "más inteligentes" son generalmente mejores para seleccionar las herramientas adecuadas con los argumentos apropiados basados en el contexto.

• Comunicación bidireccional: los agentes y las fuentes de datos intercambian información de manera fluida, refinando las consultas según sea necesario (p. ej. mapeo de índice de búsqueda primero, solo luego construya la consulta ES).

• Orquestación de múltiples herramientas: los flujos de trabajo pueden aprovechar las herramientas de varios servidores MCP simultáneamente.

• Contexto persistente: los agentes recuerdan interacciones anteriores, manteniendo la continuidad en todas las conversaciones.

Un servidor MCP conectado a Elasticsearch desbloquea una poderosa arquitectura de recuperación en tiempo real. Los agentes de IA pueden explorar, consultar y analizar datos de Elasticsearch bajo demanda. Sus datos se pueden buscar a través de una interfaz de chat simple.

Más allá de la simple recuperación de datos, MCP permite la acción. Se integra con otras herramientas para activar flujos de trabajo, automatizar procesos y aportar información a los sistemas de análisis. Al separar la búsqueda de la ejecución, MCP mantiene las aplicaciones impulsadas por IA flexibles, actualizadas y perfectamente integradas en los flujos de trabajo de los agentes.

Manos a la obra: servidor MCP para chatear con tus datos de Elasticsearch

Para interactuar con Elasticsearch a través de un servidor MCP, necesitamos al menos funciones para:

• Recuperar índices

• Obtener asignaciones

• Realiza búsquedas con Query DSL de Elasticsearch

Nuestro servidor está escrito en TypeScript y usaremos el SDK oficial de MCP TypeScript. Para la configuración, recomendamos instalar la aplicación de escritorio Claude (la versión gratis es suficiente) ya que incluye un cliente MCP incorporado. Nuestro servidor MCP esencialmente expone el cliente oficial de JavaScript Elasticsearch a través de herramientas MCP.

Comencemos definiendo el cliente de Elasticsearch y el servidor MCP:

Usaremos las siguientes herramientas de servidor MCP que pueden interactuar con Elasticsearch:

• List Indices (list_indices): Esta herramienta recupera todos los índices de Elasticsearch disponibles, proporcionando detalles como el nombre del índice, el estado de salud y el recuento de documentos.

• Obtener asignaciones (get_mappings): esta herramienta obtiene las asignaciones de campos para un índice de Elasticsearch específico, lo que ayuda a los usuarios a comprender la estructura y los tipos de datos de los documentos almacenados.

• Búsqueda (search): esta herramienta ejecuta una búsqueda de Elasticsearch mediante un DSL de consulta proporcionado. Habilita automáticamente los resaltados para los campos de texto, lo que facilita la identificación de resultados de búsqueda relevantes.

La implementación completa del servidor MCP de Elasticsearch está disponible en el repositorio elastic/mcp-server-elasticsearch .

Chatea con tu índice

Exploremos cómo configurar el servidor MCP de Elasticsearch para que puedas hacer preguntas en lenguaje natural sobre tus datos, como "Encuentra todos los pedidos superiores a $500 del mes pasado".

Configure su aplicación de escritorio Claude

• Abra la aplicación de escritorio de Claude

• Vaya a Configuración > Servidores MCP para desarrolladores >

• Haga clic en "Editar configuración" y agregue esta configuración a su claude_desktop_config.json:

Nota: Esta configuración emplea el paquete npm @elastic/mcp-server-elasticsearch publicado por Elastic. Si deseas desarrollar localmente, puedes encontrar más detalles sobre cómo activar el servidor MCP de Elasticsearch aquí.

Rellenar el índice de Elasticseach

• Puede usar nuestros datos de ejemplo para completar el índice de "pedidos" para esta demostración

• Esto le permitirá probar consultas como "Buscar todos los pedidos superiores a $ 500 del mes pasado"

Empieza a usarlo

• Abrir una nueva conversación en la aplicación de escritorio de Claude

• El servidor MCP se conectará automáticamente

• ¡Comienza a hacer preguntas sobre tus datos de Elasticsearch!

Mira esta demostración para ver lo fácil que es consultar tus datos de Elasticsearch usando lenguaje natural:

¿Cómo funciona?

Cuando se le pregunta "Buscar todos los pedidos superiores a $ 500 del mes pasado", el LLM reconoce la intención de buscar en el índice de Elasticsearch con restricciones específicas. Para realizar una búsqueda efectiva, el agente calcula:

• Averigüe el nombre del índice: orders

• Comprender las asignaciones de orders índice

• Construir el DSL de consulta compatible con asignaciones de índice y finalmente ejecutar la solicitud de búsqueda

Esta interacción se puede representar como:

Conclusión

Model Context Protocol mejora la forma en que interactúas con los datos de Elasticsearch, lo que permite conversaciones en lenguaje natural en lugar de consultas complejas. Al unir las capacidades de IA con sus datos, MCP crea un flujo de trabajo más intuitivo y eficiente que mantiene el contexto a lo largo de sus interacciones.

El servidor MCP de Elasticsearch está disponible como un paquete npm público (@elastic/mcp-server-elasticsearch), lo que facilita la integración para los desarrolladores. Con una configuración mínima, su equipo puede comenzar a explorar datos, activar flujos de trabajo y obtener información a través de conversaciones simples.

¿Listo para experimentarlo por ti mismo? Prueba el servidor MCP de Elasticsearch hoy mismo y comienza a chatear con tus datos.