Saltar al contenido
Revisión pendiente desde 29 jul 20263 fuentes primarias

MCP de verificación antes de merge

MCP permite conectar agentes con herramientas reales. Eso es potente y peligroso. El patrón sano para código es separar dos roles: un agente que propone cambios y un verificador que prueba en limpio antes de merge.

Qué vas a conseguir ahora

Una decisión o prueba aplicada a «MCP de verificación antes de merge».

  1. 1Entiende el criterio
  2. 2Haz una práctica pequeña
  3. 3Guarda una evidencia
Evidencia

Una nota breve con qué hiciste, qué salió bien, qué falló y qué revisarías después.

Objetivos de aprendizaje
  • Entender el patrón editar → verificar → aprobar.
  • Separar permisos de escritura y permisos de verificación.
  • Diseñar un MCP interno sin regalar llaves del repo.
En cristiano: MCP. Model Context Protocol es un estándar para que una aplicación de IA use herramientas y datos externos mediante servidores. Un servidor MCP puede exponer GitHub, archivos, bases de datos, documentación o un verificador propio.

El error típico

El agente edita código, dice “ya está” y nadie ejecuta el proyecto desde cero. Puede haber dependencias rotas, tests que no corren, variables de entorno ausentes o un build que solo funcionaba en su contexto. MCP sirve para convertir esa intuición en un proceso verificable.

Terminal
# Flujo recomendado
1. Agente editor:
   - crea rama
   - aplica cambios
   - abre PR con resumen y riesgos

2. Agente/verificador:
   - clona el repo en carpeta limpia
   - instala dependencias
   - ejecuta lint, tests y build
   - adjunta logs al PR

3. Humano o policy:
   - aprueba solo si la verificación pasa
Idea clave. El verificador no necesita poder escribir en producción. Su poder es leer, ejecutar en sandbox y devolver evidencias.

Diseño de permisos

  • GitHub MCP: crear rama, commit y PR; nunca force-push a `main`.
  • Verify MCP: clone fresco, install, lint, test, build y logs.
  • Secrets: no pasar `.env` reales al verificador si no hacen falta.
  • Red: limitar salidas externas si el proyecto no las necesita.
  • Logs: guardar comando, exit code, versión de Node/Python y resumen.
Terminal
{
  "tool": "verify_repo",
  "input": {
    "repo": "github.com/empresa/app",
    "branch": "agent/fix-login",
    "commands": ["npm ci", "npm run lint", "npm test", "npm run build"],
    "timeout_seconds": 900
  },
  "output": {
    "status": "failed",
    "failed_command": "npm test",
    "exit_code": 1,
    "log_url": "https://..."
  }
}
Cuidado. MCP no convierte una herramienta insegura en segura. Si expones una shell sin límites, un servidor con permisos amplios o tokens con acceso total, el agente hereda ese riesgo.
Comprueba que funciona. Antes de conectar GitHub real, prueba el verificador con un repo de juguete que falla a propósito. El workflow debe devolver error claro y bloquear merge.
Guardar y reabrir el proyecto.
La regla de oro: el agente puede proponer, pero el sistema debe verificar. La confianza se gana con logs, tests y permisos mínimos.

Si has guardado la evidencia de esta lección, continúa con «Governance MCP». Si no, repite la comprobación antes de avanzar.

Mapa completo de AulafyConsulta cómo encaja esta lección sin salir de tu ruta.

Mapa completo de Aulafy

Cómo se relacionan todos los cursos

No es una lista que debas completar. Empieza por la base, elige un resultado y profundiza solo cuando tu proyecto necesite más control.

  1. 1Comprender
  2. 2Aplicar o construir
  3. 3Operar con confianza
01

Empieza aquí

Crea una base común: qué puede hacer la IA, cómo pedir resultados y cómo comprobarlos antes de especializarte.

Desde esta base puedes aplicar la IA a una tarea o aprender a construir con código.

02

Elige una aplicación

Convierte la base en un resultado visible: una web, una mejora de negocio, contenido o una experiencia interactiva.

Si necesitas mantener código, datos o infraestructura, continúa por la rama técnica.

03

Construye con código

Prepara el entorno, trabaja con agentes de programación y aprende a ejecutar modelos con control sobre tus proyectos.

Esta rama prepara los conocimientos necesarios para diseñar y operar sistemas de IA fiables.

04

Lleva sistemas a producción

Combina recuperación, agentes, evaluación, seguridad, despliegue y adaptación de modelos cuando el problema lo exija.

No es obligatorio completarlo todo: elige solo la pieza que tu sistema necesita y vuelve al mapa cuando crezca.

Ver catálogo completo