AWS publicó 6 enfoques para optimizar herramientas MCP y ahorrar contexto

AWS publicó el 12 de julio de 2026 una guía técnica sobre los problemas de diseño de herramientas MCP y propuso seis enfoques prácticos para resolverlos — desde la optimización de descripciones hasta el análisis de parámetros en el servidor mediante AI. El estudio se basa en pruebas del mundo real de una API de búsqueda de contenido educativo (K-12).

Por Qué las Herramientas MCP Degradan la Calidad del Modelo

El Model Context Protocol ayuda a los LLM a utilizar herramientas externas, pero el diseño de las definiciones de herramientas a menudo es deficiente. AWS identificó dos problemas principales:

Bloat (inflado): cada servidor MCP carga definiciones de herramientas en la ventana de contexto, incluso si no se usan. Con múltiples servidores activos, la ventana se llena de definiciones antes de que el usuario haga su primera pregunta.

Confusion (confusión): un contexto superpoblado degrada el razonamiento del modelo. Los LLM confunden herramientas similares, cometen errores en parámetros e interpretan mal las restricciones. La similitud semántica entre herramientas y los nombres de parámetros poco claros agravan el problema.

Seis Enfoques: Un Espectro Completo de Soluciones

AWS probó seis implementaciones con consultas del mundo real como "Encuentra una prueba de fracciones para 7º grado" y "Necesito contenido alineado con TEKS":

• V1 (Raw Passthrough): expone la API de backend tal cual — altas tasas de error de parámetros
• V2 (Rich Descriptions): docstrings detallados con ejemplos — mejora la precisión pero aumenta el tamaño
• V3 (Schema & Defaults): parámetros renombrados (`discipline` → `subject`), enums `Literal`, valores por defecto sensatos — buen equilibrio
• V4 (Lazy Loading): detalles (taxonomía) en una herramienta separada — línea base mínima, solicitudes adicionales
• V5 (Server-side Introspection): Amazon Nova 2 Lite analiza parámetros en el servidor — comportamiento estable pero agrega llamadas de inferencia
• V6 (Agent-as-Tool): parámetro único `question: str`, toda la lógica dentro — control máximo, requiere infraestructura

Recomendaciones Clave de AWS

AWS Prescriptive Guidance recomienda mantener los parámetros de la herramienta en "aproximadamente ocho o menos". La investigación de Anthropic muestra: cambiar a salida detallada bajo demanda reduce los tokens de respuesta aproximadamente en dos tercios.

Además: escribir mensajes de error específicos y procesables (no solo "sin resultados," sino orientación precisa sobre qué intentar). Utilizar nombres de parámetros apropiados para el dominio en lugar de nombres de columnas de base de datos — esto reduce dramáticamente la confusión del modelo.

Cómo Elegir un Enfoque para Tu Tarea

No hay una solución única. La elección depende del número de parámetros (pocos → V3, muchos → V4-V5), estabilidad del vocabulario, requisitos de latencia y si se necesita consistencia entre modelos. Para la mayoría de tareas de búsqueda y filtrado, V3 es suficiente. Las aplicaciones especializadas (taxonomía compleja, razonamiento multietapa) se benefician de V4-V5.

Qué Significa Esto

Las herramientas MCP actualmente a menudo ralentizan a los agentes LLM, pero AWS demostró: el problema se puede resolver mediante ingeniería de contexto. Los ingenieros ahora tienen un manual práctico para equilibrar contexto y precisión en lugar de agregar ciegamente descripciones.