Un glosario trilingüe de salud que incluye el kazajo llega a Hugging Face, junto con un servidor MCP sin LLM

Si desarrollas un buscador o un chatbot para Asia Central, ya sabes cómo es una consulta real. Una persona escribe «qalqansha bez», intercala «shchitovidka» una palabra después y añade «ttg» al final. Tres idiomas y dos alfabetos en una sola línea. Los modelos convencionales tropiezan con estas consultas porque, en el procesamiento del lenguaje natural, el kazajo se considera una lengua de bajos recursos: hay pocos textos abiertos y casi no existen datos paralelos anotados sobre salud.

Una autora abordó este problema a mano. Tiene una web con más de un centenar de páginas sobre salud femenina y psicosomática. Los textos están escritos en ruso y traducidos al kazajo y al inglés. A partir de ellos, recopiló un pequeño glosario abierto sobre el cuerpo y el bienestar y lo publicó en Hugging Face. La segunda parte de la historia es un servidor MCP para ChatGPT y Claude, basado en esa misma web, que no incorpora ningún modelo de lenguaje.

Para qué sirve un glosario pequeño

Un corpus grande y un glosario pequeño resuelven problemas distintos. Un corpus enseña una lengua a un modelo. Un glosario ayuda al sistema a entender que «qalqansha bez», «shchitovidnaya zheleza» y «thyroid» se refieren al mismo concepto. Para las búsquedas en una web, la normalización de consultas, la anotación de datos y la evaluación de la calidad de las traducciones, una referencia así suele ser más útil que otro checkpoint ajustado.

Un ejemplo práctico: tienes un producto médico o de bienestar y un usuario escribe «ttg qansha bolu kerek» («¿cuál debería ser el nivel de TSH?»). Antes de enviar la consulta a un LLM, puedes asociarla con conceptos comunes (la hormona TSH y la glándula tiroides). Después, recuperar las páginas o respuestas adecuadas en el idioma necesario. Así eliminas errores allí donde el modelo simplemente no ha visto suficientes ejemplos en kazajo.

Una salvedad importante: la fuente es un anuncio que no especifica el tamaño, la licencia ni el formato del glosario. Antes de utilizarlo, abre la ficha del conjunto de datos en Hugging Face y comprueba esos detalles. Los textos sobre salud proceden de la web de la autora, por lo que no se trata de una referencia clínica y no debe utilizarse para tomar decisiones médicas.

Un servidor MCP sin modelo

La segunda parte resulta más interesante para quienes desarrollan agentes. MCP (Model Context Protocol) es un protocolo que permite a clientes como Claude o ChatGPT conectarse a herramientas y datos externos. Por «servidor inteligente» suele entenderse algo que incorpora un LLM. Aquí la lógica es distinta: el modelo del lado del cliente se encarga del razonamiento, mientras que el servidor funciona como una sencilla capa de acceso a contenido verificado.

Este enfoque tiene ventajas claras:

• Bajo coste. No hace falta pagar por la inferencia ni mantener una GPU. El servidor entrega páginas y términos ya preparados.
• Previsibilidad. La respuesta del servidor es tu contenido, en lugar de texto generado. En temas de salud, es una ventaja considerable.
• Mantenimiento sencillo. Actualizas una página o el glosario y la respuesta también se actualiza.
• Sin un segundo foco de alucinaciones. Solo puede equivocarse el modelo del cliente y, al menos, sabes de qué fuentes obtiene los datos.

Qué puedes aplicar en tu proyecto

Primero: si tu lengua tiene pocos recursos, no esperes a que alguien publique un gran conjunto de datos. Un pequeño glosario elaborado a partir de tu propio contenido y publicado en abierto ya aporta valor real, y otros desarrolladores podrán ampliarlo.

Segundo: antes de integrar un LLM en tu servidor MCP, pregúntate si hace falta. Si dispones de contenido propio verificado, el servidor puede ser una capa ligera con un buscador y un glosario. El cliente se encargará de todo el razonamiento.

Tercero: en las consultas reales, el multilingüismo es una mezcla de idiomas, no tres conjuntos separados. Prueba el buscador con esas cadenas mixtas, en lugar de hacerlo con traducciones en un solo idioma.

El anuncio no explica cómo está construido exactamente el servidor ni cómo se elaboró el glosario. Busca los detalles en el artículo completo de Habr y en el repositorio. La dirección es acertada: datos abiertos para lenguas de bajos recursos y un servidor sencillo, sin modelos innecesarios.