--- title: "Prompt, skill, tool, MCP y agent: el papel de cada uno" summary: "Una guía sencilla para entender instrucciones, procedimientos, herramientas, integraciones y agentes — y cómo el contexto, el plan y el loop conectan estas piezas." slug: "prompt-skill-tool-mcp-agent" language: "es" publishedAt: "2026-10-06" updatedAt: null tags: - "agentes" - "contexto" - "herramientas" - "buenas-practicas" translationOf: "pt/prompt-skill-tool-mcp-agent" translationStatus: "current" --- Un prompt orienta. Una skill organiza un procedimiento reutilizable. Una tool permite ejecutar una operación. MCP estandariza la integración. Un agent decide los siguientes pasos y coordina la ejecución. Estas cinco frases sirven como punto de partida. Pero cada término ocupa un lugar diferente en el trabajo con IA. Entender esa diferencia ayuda a escribir mejores solicitudes, elegir recursos e investigar por qué falló una tarea. ## Prompt: la dirección de la solicitud Un prompt orienta al modelo sobre qué hacer, qué límites respetar y qué respuesta entregar. Puede incluir una pregunta, instrucciones, ejemplos y criterios de finalización. ```txt Etapa: diagnóstico. Investiga por qué el botón de copiar código falla en dispositivos móviles. No modifiques archivos. Informa de la causa probable y de las evidencias encontradas. ``` La solicitud define una tarea y sus límites. Un prompt también puede indicar cómo ejecutar algo. La diferencia con una skill está en la organización y la reutilización del procedimiento. Una instrucción clara ayuda. No garantiza que la interpretación o el resultado sean correctos. ## Skill: un procedimiento que se puede reutilizar Una skill reúne conocimientos e instrucciones para un tipo de tarea. En el formato Agent Skills, contiene un archivo `SKILL.md` y puede incluir scripts, referencias y plantillas de documentos. Una skill de revisión de accesibilidad, por ejemplo, puede orientar la inspección del foco, el contraste, la semántica y la navegación por teclado. El procedimiento puede aplicarse en varios proyectos. El contexto de cada proyecto sigue siendo necesario. Las tareas recurrentes son una buena razón para crear una skill. Pero también puede ser útil en una tarea puntual que requiere conocimientos especializados. La skill orienta el trabajo. Cuando necesita leer archivos, ejecutar scripts o consultar datos, depende de las herramientas disponibles. [Referencia: Agent Skills](https://agentskills.io/home). ## Tool: la operación disponible Una tool, o herramienta, permite realizar una operación concreta. Leer un archivo. Consultar una página. Editar código. Ejecutar una prueba. No todas las operaciones modifican algo. Una búsqueda también es un uso de herramientas. El modelo puede solicitar una llamada a una herramienta. El sistema que ejecuta el modelo procesa esa llamada, de acuerdo con los permisos disponibles, y devuelve el resultado. Ese resultado se convierte en información para la siguiente decisión. Pedir una prueba en el prompt no demuestra que se haya ejecutado. La evidencia está en la ejecución y en el resultado devuelto. ## MCP: el estándar de comunicación MCP significa Model Context Protocol. Es un protocolo que estandariza la comunicación entre aplicaciones de IA y servidores que ofrecen capacidades y contexto. Estos servidores pueden ofrecer: - **tools:** funciones ejecutables; - **resources:** datos y contenidos que proporcionan contexto; - **prompts:** plantillas reutilizables de interacción. Una integración con un repositorio puede ofrecer una herramienta para consultar issues, un recurso con documentación y una plantilla para orientar una revisión. MCP define cómo descubrir estas capacidades y acceder a ellas. La aplicación y el agente deciden cuándo utilizarlas. Las herramientas también pueden integrarse directamente, sin MCP. [Referencia: arquitectura de MCP](https://modelcontextprotocol.io/docs/learn/architecture). ## Agent: las decisiones durante la ejecución Un agent, o agente, es un sistema que utiliza un modelo para llevar a cabo una tarea: elegir los siguientes pasos, usar herramientas y evaluar los resultados. El modelo es un componente de ese sistema. Interpreta entradas y genera respuestas o solicitudes de herramientas. El agente combina esa capacidad con el entorno de ejecución. El agente puede consultar archivos, detectar que falta información, ejecutar una comprobación y cambiar de dirección según el resultado. Trabaja dentro de las instrucciones y los permisos disponibles. Las skills y MCP pueden ampliar sus capacidades. No son requisitos para todos los agentes. La definición de agente varía entre productos. En este artículo, el punto central es la decisión dinámica sobre cómo avanzar. [Referencia: Building effective agents](https://www.anthropic.com/engineering/building-effective-agents). ## Loop: actuar y observar antes de continuar El loop es el ciclo de ejecución: ```txt Entender el estado actual → decidir el siguiente paso → ejecutar una acción → observar el resultado → decidir si continuar, ajustar o terminar ``` Una prueba falla. El agente examina el error, ajusta la implementación y vuelve a probar. No se trata de repetir la misma solicitud indefinidamente. Cada resultado debe orientar la siguiente decisión. El ciclo debe tener una condición de parada: objetivo cumplido, límite de intentos alcanzado o necesidad de intervención humana. Un loop, por sí solo, no define a un agente. Los programas con etapas fijas también pueden repetir operaciones. ## Plan y workflow: la secuencia de trabajo Un plan registra las etapas propuestas, sus dependencias y las validaciones esperadas. Un workflow, o flujo de trabajo, organiza cómo se encadenan esas etapas. Un flujo predefinido puede seguir siempre la misma secuencia. Un agente puede elegir el siguiente paso a medida que encuentra nuevas evidencias. Los dos pueden trabajar juntos. Un flujo editorial puede establecer redacción, revisión, traducción y publicación. Durante la revisión, el agente decide qué referencias necesita consultar. El plan puede estar en un documento. `PLANS.md` es una convención adoptada en este proyecto, no un nombre obligatorio para los sistemas de IA. ## Contexto, README y AGENTS.md El contexto es la información disponible para el modelo en ese momento. Incluye la solicitud, las instrucciones relevantes, los archivos consultados, el historial accesible y los resultados de las herramientas. Que un archivo exista en el repositorio no significa que su contenido esté disponible en esa llamada al modelo. Dos documentos ayudan a organizar este contexto: - **`README.md`:** presenta el proyecto y explica cómo empezar a usarlo o desarrollarlo. [Referencia: GitHub Docs](https://docs.github.com/en/repositories/managing-your-repositorys-settings-and-features/customizing-your-repository/about-readmes). - **`AGENTS.md`:** registra orientaciones del proyecto para agentes de programación, como convenciones, comandos y validaciones. [Referencia: AGENTS.md](https://agents.md/). El README también puede ayudar a un agente. Las personas también pueden leer AGENTS.md. La diferencia está en el enfoque de cada documento. Las reglas del proyecto van en AGENTS.md. Un procedimiento reutilizable entre proyectos puede ir en una skill. Las instrucciones específicas de la tarea van en el prompt. Para profundizar en este punto, lee [El contexto es infraestructura en vibe coding](/es/posts/el-contexto-es-infraestructura-en-vibe-coding/). ## Un ejemplo: corregir la copia de código Primero, un prompt pide únicamente el diagnóstico del botón que falla en dispositivos móviles. El agente consulta las reglas del proyecto, lee el componente con una herramienta y observa su comportamiento. Una skill de accesibilidad puede ayudar si es pertinente para la investigación. Una vez revisado el diagnóstico, otra etapa define el plan. Después, una nueva solicitud autoriza la implementación de una corrección de alcance delimitado. Las herramientas editan el archivo y ejecutan las comprobaciones. El agente utiliza los resultados para decidir si la corrección está lista o necesita ajustes. Ese es el loop. Si es necesario consultar una issue mediante una integración MCP, el protocolo estandariza ese acceso. Si los archivos locales bastan, la tarea puede continuar con las herramientas locales. Al terminar, el agente registra qué cambió, qué comprobaciones se superaron y qué sigue siendo incierto. Cada etapa tiene una salida verificable. Ese límite también se aborda en [Una tarea no es un proyecto](/es/posts/una-tarea-no-es-un-proyecto/). ## Usa cada pieza cuando ayude No todas las solicitudes necesitan una skill. No todas las herramientas necesitan MCP. No todas las tareas necesitan un agente con varias etapas. Empieza por el objetivo. Proporciona contexto relevante. Elige los recursos necesarios. Verifica el resultado. Conocer los términos solo tiene valor cuando mejora esas decisiones.