Crea agentes de IA reales con el servidor MCP de Famulor: uso de herramientas que realmente ejecutan

El siguiente nivel de la automatización con IA: cómo construir tu propio asistente de negocio con el servidor MCP de Famulor

Imagina que pudieras preguntarle simplemente a tu chatbot de IA, ya sea ChatGPT, Claude u otro modelo de lenguaje extenso (LLM): “¿Cuál fue el último lead captado en mi sistema?”. O podrías decirle: “Busca todas las agencias de publicidad en Kempten y añádelas a mi campaña de prospección en frío”. Y la IA simplemente lo haría. Sin búsquedas manuales, sin copiar y pegar, sin clics tediosos en interfaces complejas. Solo una frase en lenguaje natural que activa una acción de negocio compleja.

Lo que parece ciencia ficción ya es una realidad. La mayoría de los LLM genéricos son brillantes entendiendo y generando lenguaje, pero están desconectados de tus procesos de negocio y datos internos. Pueden escribir una estrategia, pero no pueden ejecutarla. Ahí es donde el servidor MCP (Model-Controller-Package) de Famulor cierra la brecha. Actúa como un puente inteligente entre las capacidades conversacionales de un LLM y la potencia orientada a la acción de la plataforma Famulor.

En este artículo, no solo explicaremos qué es el servidor MCP, sino que también te guiaremos paso a paso a través de su implementación. Aprenderás a convertir un chatbot estándar en un asistente proactivo y orientado a tareas que realiza acciones reales en tu cuenta de Famulor, cambiando tu forma de trabajar.

¿Qué es exactamente el servidor MCP de Famulor y cómo funciona?

El servidor MCP de Famulor es una herramienta de middleware de código abierto que puedes alojar tú mismo. Su función principal es exponer las capacidades de la plataforma Famulor, como listar leads, añadir contactos a una campaña o iniciar llamadas, como “herramientas” para un modelo de lenguaje extenso. Cuando envías una solicitud al LLM, ocurre un proceso fascinante en segundo plano.

La idea central: de la intención a la acción

El flujo se puede resumir en cuatro pasos:

1. Detección de intención: Introduces un comando en lenguaje natural, por ejemplo: “Muéstrame el último lead de la campaña ‘Campaña de ejemplo’”. El LLM analiza la frase y entiende tu intención: quieres datos específicos de tu cuenta de Famulor.

2. Selección de herramientas: El LLM hace coincidir la intención detectada con las herramientas que proporciona el servidor MCP. Identifica Flist_leads como la herramienta adecuada para cumplir tu solicitud.

3. Ejecución y recuperación: El LLM crea una solicitud precisa para el servidor MCP, incluyendo los parámetros necesarios (por ejemplo, campaign_name: "Example Campaign", per_page: 1). El servidor MCP valida la llamada, se comunica de forma segura con tu instancia de Famulor a través de la API y recibe los datos brutos (en formato JSON).

4. Generación de respuesta: El servidor MCP devuelve la respuesta JSON al LLM. El LLM interpreta los datos estructurados y los convierte en una respuesta en lenguaje natural fácil de leer: “El último lead en tu ‘Campaña de ejemplo’ es Example Lead con el correo lead@example.com”.

Este flujo fluido transforma una conversación pasiva en una acción activa que genera valor. Para profundizar en los conceptos subyacentes de MCP, consulta nuestro artículo introductorio: Introducción a la funcionalidad MCP de Famulor.

La arquitectura en detalle

Para entender por qué esto es potente, veamos los tres componentes principales:

• El modelo de lenguaje extenso (LLM): Este es el “cerebro”. Puede ser GPT-4, Claude 3, Google Gemini o cualquier modelo que admita llamadas a funciones o uso de herramientas. Su trabajo es entender la solicitud del usuario, razonar sobre ella y decidir qué herramienta llamar y con qué parámetros.

• El servidor MCP de Famulor: Este es el “sistema nervioso central”, que conecta el cerebro con el cuerpo. Alojado en tu infraestructura, proporciona una interfaz segura. Traduce las llamadas a herramientas del LLM en solicitudes API concretas a Famulor, y viceversa. Tú controlas totalmente qué funciones expones.

• La plataforma Famulor: Este es el “cuerpo” que ejecuta las acciones. Tus datos (leads, campañas, registros de llamadas) residen aquí, y los comandos se llevan a cabo: añadir contactos, iniciar campañas de salida o activar flujos de trabajo.

Guía práctica: construye tu propio asistente de Famulor

Ahora vamos a lo práctico. Usando los ejemplos de la introducción, verás cómo configurar y usar tu propio asistente.

Paso 1: Requisitos previos y configuración

Antes de empezar, necesitarás:

• Una cuenta de Famulor activa con una clave API.

• Acceso a un LLM que admita el uso de herramientas (por ejemplo, a través de las API de OpenAI o Anthropic).

• El servidor MCP de Famulor, que puedes clonar desde GitHub.

La configuración es sencilla: clona el repositorio del servidor, instala las dependencias y configura las variables de entorno con tus claves API. Para conocer los pasos exactos, consulta el README.md en el repositorio oficial de GitHub.

Paso 1a: Instalar MCP: inicio rápido (en línea) o servidor local

Puedes usar el servidor MCP de Famulor de dos maneras: sin instalación mediante el servidor en línea alojado o de forma local/autohospedada. Ambas opciones permiten que tu LLM llame a las herramientas de Famulor (por ejemplo, iniciar llamadas, gestionar asistentes, obtener transcripciones de llamadas).

Opción 1 (recomendada): Servidor MCP en línea, sin configuración local

Si quieres empezar rápido, utiliza el servidor MCP alojado:

• Servidor: https://mcp.famulor.io

• Punto de conexión SSE: https://mcp.famulor.io/sse

• Comprobación de estado: https://mcp.famulor.io/health

Pasos:

1. Crea una clave API: En tu cuenta de Famulor, genera una nueva clave API en API Keys y cópiala.

2. Configura tu cliente MCP: Dependiendo del cliente (ChatGPT Desktop, Cursor, Claude Desktop, Claude Code), añade una pequeña configuración (ejemplos a continuación).

3. Reinicia el cliente: Ciérralo completamente y vuelve a abrirlo para que se cargue el MCP.

4. Prueba: Pregunta algo como “Muéstrame mis asistentes de Famulor” o “Lista mis llamadas recientes”.

Opción 2: Ejecuta tu propio servidor MCP local (autohospedado)

Si prefieres un control total o una instalación local, puedes ejecutar el servidor MCP en tu máquina. Requisito: Node.js >= 20.

Pasos:

1. Clona el repositorio:

   git clone https://github.com/bekservice/Famulor-MCP.git && cd Famulor-MCP

2. Instala las dependencias:

   npm install

3. Compila:

   npm run build

4. Crea una clave API (como se indicó arriba), luego configura tu cliente MCP (abajo).

5. Reinicia el cliente y prueba.

Importante: En tu configuración de MCP para el servidor local, utiliza siempre una ruta absoluta hacia dist/index.js (no relativa). En Windows, prefiere barras inclinadas hacia adelante o barras invertidas correctamente escapadas.

Paso 1b: Configuración del cliente MCP (ChatGPT Desktop, Cursor, Claude)

Dependiendo del cliente, la ruta del archivo de configuración y el tipo de conexión varían. Aquí tienes ejemplos listos para usar con marcadores de posición (reemplaza your-api-key-here y las rutas según sea necesario).

Aplicación ChatGPT Desktop

Archivo de configuración:

• macOS: ~/Library/Application Support/ChatGPT/mcp.json

• Windows: %APPDATA%\\ChatGPT\\mcp.json (por ejemplo, C:\\Users\\YourUsername\\AppData\\Roaming\\ChatGPT\\mcp.json)

• Linux: ~/.config/ChatGPT/mcp.json

Ejemplo de servidor en línea:

{"mcpServers":{"famulor":{"url":"https://mcp.famulor.io/sse","env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Ejemplo de servidor local:

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Luego cierra completamente y vuelve a abrir ChatGPT Desktop.

Cursor

En línea (HTTP/SSE), recomendado: En Cursor, en Settings → Tools & Integrations → “New MCP Server”, normalmente se abre ~/.cursor/mcp.json. Ejemplo:

{"mcpServers":{"famulor":{"type":"http","url":"https://mcp.famulor.io/sse","headers":{"Authorization":"Bearer your-api-key-here"}}}}

Local (comando):

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Luego actualiza MCP en Cursor o reinicia Cursor.

Claude Desktop

Nota: Claude Desktop suele admitir la configuración del servidor MCP basada en comandos (local), no URL/HTTP (dependiendo de la versión/configuración). Archivo de configuración:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\\Claude\\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

Ejemplo:

{"mcpServers":{"famulor":{"command":"node","args":["/absolute/path/to/Famulor-MCP/dist/index.js"],"env":{"FAMULOR_API_KEY":"your-api-key-here"}}}}

Luego reinicia completamente Claude Desktop.

Claude Code (Terminal)

En línea:

claude mcp add-json "famulor" "{\"type\":\"http\",\"url\":\"https://mcp.famulor.io/sse\",\"headers\":{\"Authorization\":\"Bearer your-api-key-here\"}}"

Local:

claude mcp add-json "famulor" "{\"command\":\"node\",\"args\":[\"/absolute/path/to/Famulor-MCP/dist/index.js\"],\"env\":{\"FAMULOR_API_KEY\":\"your-api-key-here\"}}"

Seguridad (no te saltes esto)

• Nunca subas claves API a Git: tu configuración de MCP que contiene una clave API no debe ir a Git.

• Nunca compartas tu clave API (tampoco en capturas de pantalla o registros de soporte).

• Si es posible, establece la clave como una variable de entorno y elimínala del JSON (dependiendo del cliente/configuración).

Lista de verificación rápida para solucionar problemas

• “Server not found”: asegúrate de que npm run build se ejecutó y que dist/index.js existe; la ruta debe ser absoluta.

• “API key error”: verifica que la clave sea correcta y válida.

• “MCP server not recognized”: valida el JSON, reinicia completamente el cliente, revisa los registros.

• Versión de Node: node --version debe ser >= 20 (para local).

Paso 2: Caso de uso 1: consultar el último lead

Este es el caso clásico de recuperación de datos. Quieres información rápida sin hacer clic en menús.

Tu solicitud al asistente:
what was last lead bei famulor?

Razonamiento del LLM:
“El usuario quiere el ‘último lead’. Eso implica un orden cronológico y limitar el resultado a uno. Tengo una herramienta llamada Flist_leads. Para obtener solo el lead más nuevo, la llamaré con page: 1 y per_page: 1.”

La llamada a la función resultante (enviada al servidor MCP):

Request{`page`:1,`per_page`:1}

La respuesta de la API de Famulor (devuelta por el servidor MCP):

Response{"current_page":1,"data":[{"id":1234567,"customer_name":"Example Lead","email":"lead@example.com","campaign":{"name":"Example Campaign"}}]}

La respuesta final legible por humanos:
“Estoy comprobando el último lead en tu cuenta de Famulor. El último lead es Example Lead de la campaña ‘Campaña de ejemplo’.”

Este sencillo diálogo demuestra un cambio fundamental: interactúas con los datos de negocio tan naturalmente como con un colega humano.

Paso 3: Caso de uso 2: investigar leads y añadirlos a una campaña

Este caso de uso va mucho más allá de la simple recuperación y muestra el verdadero poder de la automatización mediante el encadenamiento de herramientas.

Tu solicitud al asistente:
Find ad agencies in Kempten and add them to my cold-call campaign in Famulor.

Razonamiento del LLM:
“Esta es una tarea de dos pasos. Primero, necesito encontrar ‘agencias de publicidad en Kempten’. Eso requiere una herramienta de búsqueda web (suponiendo que se añadió al servidor MCP). Segundo, para cada resultado debo usar Fadd_lead para añadirlo a la campaña ‘Cold Call’. Necesito extraer información como el nombre de la empresa y el número de teléfono y asignarla a los parámetros correctos.”

Secuencia conceptual de llamadas a herramientas:

1. Búsqueda web: El LLM llama a una herramienta (hipotética) WebSearch con query="ad agencies with phone numbers in Kempten".

2. Extracción de datos: De los resultados, el LLM extrae una lista de agencias con nombres y detalles de contacto.

3. Añadir leads: Para cada entrada, el LLM realiza un bucle y llama repetidamente a Fadd_lead:

   • Fadd_lead(campaign_name="Cold Call", variables={"customer_name":"Agency A","phone_number":"+49..."})

   • Fadd_lead(campaign_name="Cold Call", variables={"customer_name":"Agency B","phone_number":"+49..."})

   • ...y así sucesivamente.

La respuesta final legible por humanos:
“Encontré varias agencias de publicidad en Kempten y las añadí correctamente a tu campaña ‘Cold Call’. La campaña está lista para comenzar.”

Esto muestra la verdadera fortaleza: automatizar la investigación, la preparación de datos y la entrada en el sistema desde una sola frase. Es un gran ejemplo de integraciones profundas que van mucho más allá de la pequeña charla superficial.

La ventaja clave: posibilidades ilimitadas mediante una integración profunda

La verdadera magia del servidor MCP de Famulor no es solo ejecutar acciones predefinidas, sino la extensibilidad ilimitada y la integración con el ecosistema más amplio de Famulor.

De acciones a flujos de trabajo complejos:
Detrás de cada función como Fadd_lead, Famulor puede ejecutar un flujo de trabajo de automatización completo. Añadir un lead podría enviar automáticamente un correo electrónico de confirmación, crear una tarea en el CRM, notificar a un vendedor en Slack y programar una primera llamada de presentación para el día siguiente. Tu asistente por voz se convierte en un disparador para procesos de toda la empresa, similar a lo que es posible al conectar con plataformas como Make.com.

Control total y seguridad:
Debido a que el servidor MCP es de código abierto y autohospedado, mantienes el control. Tú decides qué puede hacer tu asistente de IA. Puedes restringirlo a operaciones de solo lectura o permitir cambios de datos. Todos los datos fluyen a través de tu infraestructura y están protegidos mediante tu clave API de Famulor.

Extensible a través de toda tu pila de herramientas:
El servidor MCP no se limita a las funciones de Famulor. Puedes ampliarlo para proporcionar herramientas para cualquier sistema con una API: tu CRM, calendario, herramienta de gestión de proyectos o bases de datos internas. Tu asistente puede convertirse en el centro neurálgico de tu negocio, controlado por voz.

Conclusión: bienvenido a la era de la IA que actúa

El servidor MCP de Famulor marca el fin de las aplicaciones de IA aisladas. Une la capacidad lingüística de los LLM modernos con acciones reales que generan valor y hacen avanzar tu negocio. En lugar de solo proporcionar información, la IA se convierte en un participante activo en tus procesos.

Automatizar tareas rutinarias, acelerar la investigación y la entrada de datos, y crear una interfaz natural para tus sistemas ya no es una visión lejana. Con Famulor, puedes usar una potente plataforma de agentes de voz con IA no solo para llamar, sino también como la columna vertebral de la automatización interna.

¿Listo para llevar la productividad de tu equipo al siguiente nivel y construir tu propio asistente de negocio con IA a medida? Explora el servidor MCP de Famulor en GitHub y contáctanos para saber cómo Famulor puede convertirse en la plataforma de automatización central para toda la comunicación de tu empresa.

Preguntas frecuentes sobre el servidor MCP de Famulor

¿Qué es el servidor MCP de Famulor?

El servidor MCP de Famulor es un puente de middleware de código abierto entre modelos de lenguaje extensos (LLM como ChatGPT o Claude) y tu cuenta de Famulor. Permite que el LLM ejecute acciones, como consultar datos o añadir leads, directamente en la plataforma Famulor mediante lenguaje natural.

¿Necesito conocimientos de programación para usar el servidor MCP?

Para la configuración inicial, es útil tener conocimientos técnicos básicos (GitHub, línea de comandos, variables de entorno). Para ampliar el servidor con herramientas personalizadas, normalmente necesitarás conocimientos de programación (comúnmente JavaScript/TypeScript para este repositorio). Sin embargo, el uso diario del asistente configurado ocurre puramente a través del lenguaje natural y no requiere programación.

¿Qué LLM son compatibles con el servidor MCP?

Cualquier modelo moderno que admita “uso de herramientas” o “llamada a funciones” es compatible. Esto incluye los modelos GPT de OpenAI, los modelos Claude de Anthropic y Gemini de Google.

¿Es seguro usar el servidor MCP?

Sí. Debido a que alojas el servidor en tu propia infraestructura, controlas el flujo de datos y la seguridad. Tú decides qué funciones se exponen a la IA, y la comunicación con Famulor se gestiona a través de tu clave API segura.

¿Puedo conectar herramientas distintas a Famulor?

Absolutamente. Una de las mayores ventajas de un servidor MCP de código abierto es la extensibilidad. Puedes añadir herramientas para cualquier aplicación con una API: tu CRM (por ejemplo, Salesforce, HubSpot), calendario (Google Calendar, Outlook) o sistemas internos, convirtiendo a tu asistente en una capa de control central para muchos flujos de trabajo.