mcp-use MCP — Casos de uso, Instalar & Demo en vivo

Name: mcp-use MCP Server
Author: mcp-use

Por qué usarlo

Características clave

Conecta múltiples servidores MCP desde un único proceso Python
Funciona con cualquier modelo de chat compatible con LangChain (OpenAI, Anthropic, local, OSS)
Modo de llamada directa — invoca herramientas sin el costo de un LLM
Transporte HTTP transmisible soportado para servidores remotos

Demo en vivo

Cómo se ve en la práctica

mcp-use.replay ▶ listo

0/0

Instalar

Elige tu cliente

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "mcp-use": {
      "command": "uvx",
      "args": [
        "mcp-use"
      ]
    }
  }
}

Abre Claude Desktop → Settings → Developer → Edit Config. Reinicia después de guardar.

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "mcp-use": {
      "command": "uvx",
      "args": [
        "mcp-use"
      ]
    }
  }
}

Cursor usa el mismo esquema mcpServers que Claude Desktop. La configuración del proyecto prevalece sobre la global.

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "mcp-use": {
      "command": "uvx",
      "args": [
        "mcp-use"
      ]
    }
  }
}

Haz clic en el icono MCP Servers de la barra lateral de Cline y luego en "Edit Configuration".

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "mcp-use": {
      "command": "uvx",
      "args": [
        "mcp-use"
      ]
    }
  }
}

Mismo formato que Claude Desktop. Reinicia Windsurf para aplicar.

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "mcp-use",
      "command": "uvx",
      "args": [
        "mcp-use"
      ]
    }
  ]
}

Continue usa un array de objetos de servidor en lugar de un mapa.

~/.config/zed/settings.json

{
  "context_servers": {
    "mcp-use": {
      "command": {
        "path": "uvx",
        "args": [
          "mcp-use"
        ]
      }
    }
  }
}

Añádelo a context_servers. Zed recarga en caliente al guardar.

claude mcp add mcp-use -- uvx mcp-use

Un solo comando. Verifica con claude mcp list. Quita con claude mcp remove.

Casos de uso

Usos del mundo real: mcp-use

Construye un agente personalizado que use playwright + sistema de archivos + postgres

👤 Desarrolladores Python que construyen agentes verticales ⏱ ~45 min intermediate

Cuándo usarlo: Necesitas una automatización repetible (no Claude Desktop) que encadene navegador + archivos + BD.

Requisitos previos

Python 3.10+, uv o pip — Configuración estándar
Una clave API de LLM (OpenAI / Anthropic) — Configúrala como variable de entorno que tu modelo de LangChain espera

Flujo

Define las configuraciones del servidor

Escribe una configuración de mcp-use que se conecte a playwright (stdio vía npx), postgres (stdio vía uvx), y sistema de archivos (ruta local limitada).✓ Copiado

→ Configuración JSON/dict que coincida con el esquema
Conecta el agente

Crea un MCPAgent usando ChatAnthropic (claude-sonnet-4) y la configuración anterior. Iteraciones máximas = 15.✓ Copiado

→ Instancia del agente lista para .run()
Ejecuta una tarea

Ejecuta: 'Rastrea docs.example.com, guarda cada página en ./knowledge/, luego indexa títulos en la tabla docs de postgres.' Observa las llamadas a herramientas en los registros.✓ Copiado

→ La tarea se completa, los datos llegan donde se espera

Resultado: Un agente scriptable que puedas programar, desplegar o incrustar — no ligado a un cliente de escritorio.

Errores comunes

El agente entra en bucle entre servidores, gastando tokens — Configura max_iterations estricto y usa un LLM que siga bien las instrucciones — GPT-4o-mini suele entrar en bucle en cadenas complejas, usa un modelo más potente
Servidores stdio zombificados tras un fallo — Siempre usa el patrón del gestor de contexto asincrónico — maneja la limpieza; no gestiones el proceso tú mismo

Combinar con: fastmcp · mcp-agent

Llama herramientas MCP desde Python sin un LLM

👤 Ingenieros automatizando tareas de operaciones ⏱ ~20 min intermediate

Cuándo usarlo: Quieres invocar una herramienta MCP como parte de una tubería Python más grande, determinísticamente.

Flujo

Conecta el cliente directamente

Usa MCPClient para conectarte a mi MCP del sistema de archivos. Lista las herramientas disponibles.✓ Copiado

→ Nombres de herramientas + esquemas impresos
Llama una herramienta con argumentos tipados

Llama write_file con path='./out.txt' y content='hello'. Confirma el valor de retorno.✓ Copiado

→ Archivo escrito, sin participación del LLM
Encadena en tu lógica de negocio

Envuelve esto en una función save_report(df) que llame a la herramienta MCP — integra en mi ETL Python existente.✓ Copiado

→ Función reutilizable

Resultado: MCP como librería: los mismos servidores usados por Claude Desktop también callables desde Python puro.

Errores comunes

Los errores no suben naturalmente — los errores MCP vienen como objetos de resultado con isError: true — Verifica result.isError después de cada llamada; no asumas el éxito

Construye un agente enrutador que elija el MCP correcto para cada solicitud

👤 Equipos que lanzan productos de agentes ⏱ ~60 min advanced

Cuándo usarlo: Los usuarios envían solicitudes mixtas (código, datos, web) — un prompt monolítico con 50 herramientas se degrada; quieres enrutamiento.

Flujo

Define grupos de servidores

Divide mis servidores MCP en 3 grupos: 'code' (git, github), 'data' (postgres, bigquery), 'web' (firecrawl, playwright).✓ Copiado

→ 3 configuraciones de agentes separadas
Añade una capa de enrutador

Escribe un prompt clasificador que elija un grupo basado en la intención del usuario. Úsalo para instanciar el MCPAgent correspondiente bajo demanda.✓ Copiado

→ El clasificador retorna uno de {code, data, web}
Prueba con tráfico mixto

Ejecuta 10 solicitudes variadas a través del enrutador. Registra qué grupo manejó cada una y si la respuesta fue correcta.✓ Copiado

→ Tabla de precisión + estadísticas de latencia

Resultado: Un sistema de agentes modular donde cada solicitud solo ve las herramientas relevantes para ella — mejor precisión, menor costo de tokens.

Errores comunes

Casos límite donde la solicitud necesita dos grupos (p. ej., 'raspar + guardar en BD') — Define un cuarto grupo 'cross' o retrocede al patrón Orquestador vía mcp-agent

Combinar con: mcp-agent

Combinaciones

Combínalo con otros MCPs para multiplicar por 10

mcp-use + mcp-agent

Usa mcp-use para conectar servidores, mcp-agent para patrones de flujo de trabajo (orquestador/evaluador)

Construye un bucle evaluador-optimizador donde un agente escritor usa mcp-use para acceder al sistema de archivos + git, y un agente cr��tico revisa la salida usando los mismos servidores.✓ Copiado

mcp-use + fastmcp

Escribe un servidor con FastMCP, luego escriptalo con mcp-use — pila de agentes Python de extremo a extremo

Servidor: expone nuestra API de precios vía FastMCP. Cliente: usa mcp-use para llamarla en un script de simulación de precios.✓ Copiado

Herramientas

Lo que expone este MCP

Herramienta	Entradas	Cuándo llamar	Coste
MCPClient(config)	configuración de servidor dict/ruta	Punto de entrada para cualquier script de mcp-use	gratuito
MCPAgent(llm, client, max_steps)	modelo de chat LangChain + MCPClient	Cuando quieres selección de herramientas impulsada por LLM	solo llamadas LLM
client.list_tools()	nombre_servidor?	Inspecciona lo que está disponible antes de llamar	gratuito
client.call_tool(name, args)	nombre_herramienta, dict	Invocación determinística directa — sin LLM	depende de la herramienta
MCPServer decorator API	@server.tool() en funciones	Menos común; FastMCP suele ser más limpio para construir servidores	gratuito

Coste y límites

Lo que cuesta ejecutarlo

Cuota de API: Ninguna de mcp-use en sí; depende del LLM y MCPs posteriores
Tokens por llamada: Las llamadas impulsadas por LLM gastan tokens — el modelo de costo usual del agente LangChain
Monetario: La librería es gratuita, el uso de LLM no
Consejo: Para flujos determinísticos, usa client.call_tool directamente — salta el LLM. Reserva MCPAgent para tareas genuinamente ambiguas.

Seguridad

Permisos, secretos, alcance

Almacenamiento de credenciales: Por MCP subyacente — mcp-use no añade una capa

Salida de datos: Proveedor LLM + todo MCP conectado

Resolución de problemas

Errores comunes y soluciones

ConnectionError al iniciar servidor stdio

El command en tu configuración no está en PATH o el paquete no está instalado. Prueba manualmente: ejecuta el mismo npx -y ... en una terminal primero.

Verificar: which npx && npx -y @modelcontextprotocol/server-filesystem --help

El agente llama herramientas correctamente pero la respuesta es incorrecta

Usualmente un problema de LLM — prueba un modelo más potente. GPT-4o-mini y modelos de código abierto de 7B suelen malinterpretar resultados de herramientas.

Error de bucle de eventos ya en ejecución

Estás llamando una API síncrona desde dentro de un contexto asincrónico. Usa await y los métodos de cliente asincrónico en todas partes.

Las herramientas del servidor A sombrean nombres en el servidor B

Prefija nombres de herramientas por servidor en tu configuración, o confía en el manejo de espacios de nombres integrado de la librería (configura namespace=True).

Alternativas

mcp-use vs otros

Alternativa	Cuándo usarla	Contrapartida
mcp-agent	Quieres patrones de flujo de trabajo (orquestador, enrutador, evaluador) integrados	Más opinado; menos flexible si quieres LangChain puro
Official Python MCP SDK	Quieres el cliente de más bajo nivel — sin LangChain, sin abstracciones	Más código de fontanería
LangGraph + MCP	Necesitas gráficos multiturno con estado y puntos de control	Curva de aprendizaje más pronunciada; excesivo para agentes simples

Más

Recursos

📖 Lee el README oficial en GitHub

🐙 Ver issues abiertas

🔍 Ver todos los 400+ servidores MCP y Skills