NOTAS · 9 NOV 2026 · POR TECH BENDERS
Cómo construimos el Agente de Datos Abiertos
Un agente de Claude que consulta datos públicos en tiempo real sin que el servidor pague un solo token. Arquitectura, nueve herramientas y concesiones.
Casi toda función de IA esconde una pregunta: ¿quién paga el razonamiento? Cuando una empresa pone un agente frente a sus usuarios, cada pregunta que hacen se convierte en tokens de modelo, y esos tokens caen en la factura de la empresa. Para una herramienta interna puede estar bien. Para un servicio público construido sobre datos públicos, puede hundir el proyecto.
El Agente de Datos Abiertos es nuestra respuesta a esa pregunta. Es una arquitectura que deja a un agente de Claude consultar datos públicos en tiempo real (movilidad, calidad del aire, seguridad) sin que el servidor que hospeda la conexión vea ni pague un solo token de modelo. No es un caso de cliente: es una prueba de rango técnico, construida sobre datos abiertos de la Ciudad de México. Este artículo explica cómo funciona, qué decisiones importaron y a qué renunciamos para llegar ahí.
La idea en un párrafo
El razonamiento vive siempre en la cuenta de la persona que usa el asistente. Nuestro servidor nunca llama a un modelo. Solo hace dos cosas: traduce una petición estructurada a una llamada a una fuente pública de datos, y regresa el resultado como JSON. La factura de infraestructura (un servidor pequeño y las fuentes públicas, que no cuestan nada) y la factura de inteligencia (los tokens del modelo) nunca se mezclan, ni la paga el mismo lado.
Por qué funciona: la forma de MCP
La arquitectura se apoya en el Model Context Protocol (MCP), un protocolo abierto para conectar aplicaciones de IA con herramientas y datos. MCP separa tres roles:
El host es la aplicación de IA que usa la persona, como Claude Desktop o Claude Code. Corre el modelo con la cuenta de la propia persona y decide cuándo llamar a una herramienta.
El cliente vive dentro del host y mantiene una conexión con cada servidor.
El servidor expone herramientas, recursos y prompts. Puede ser un proceso local o un servicio remoto.
Uno de los principios de diseño del protocolo importa mucho aquí: los servidores no deben poder leer la conversación completa. En palabras de la especificación, los servidores "reciben solo la información de contexto necesaria" y el "historial completo de la conversación se queda en el host". Así que nuestro servidor recibe el nombre de una herramienta y sus parámetros, nada más. Nunca ve la conversación y nunca necesita una llave de API de un modelo.
MCP también tiene una función llamada sampling, que permite a un servidor pedirle una respuesta al modelo del cliente. A propósito no la usamos. Aunque la usáramos, la especificación hace pasar esas peticiones por el cliente, con una persona que puede rechazarlas, así que el costo seguiría en la cuenta de la persona.
Las nueve herramientas
El agente ve nueve herramientas. El modelo elige entre ellas según lo que la persona pregunta.
list_datasets busca en el catálogo del portal de datos abiertos de la ciudad, con texto libre y paginación.
describe_dataset regresa el esquema real de un conjunto de datos: columnas, tipos y total de filas.
query_records trae filas usando parámetros estructurados (filtros, columnas elegidas, orden, límite y desplazamiento) que el servidor convierte en una consulta al endpoint de búsqueda SQL del portal.
aggregate hace la agrupación del lado del portal, para que el agente reciba conteos en vez de miles de filas.
crime_hotspots es una receta sobre los registros públicos de delitos: las colonias o alcaldías con más casos, con filtros por año, alcaldía o categoría.
ecobici_status lee el feed en vivo del sistema público de bicicletas (publicado en GBFS, el estándar abierto para datos de bicicletas compartidas): bicis y anclajes libres por estación, con búsqueda por radio.
air_quality_now regresa el índice de calidad del aire más reciente por zona.
denue_near lista unidades económicas del directorio nacional de negocios alrededor de un punto. Es la única que necesita un token, y ese token es gratuito.
cache_stats es una herramienta de depuración: cuántas respuestas hay en caché y con qué vigencia.
El servidor también publica dos guías cortas como recursos, que el asistente puede leer por dirección cuando necesita contexto sobre cómo está armado un conjunto de datos.
Las decisiones que importaron
Resultados pequeños
"El servidor no paga tokens" no significa que los tokens sean gratis. Cada fila que regresa el servidor se vuelve tokens de entrada en la cuenta de la persona. Por eso las herramientas están diseñadas para regresar lo menos posible: la agregación ocurre en el portal, las consultas seleccionan solo las columnas necesarias y toda consulta tiene un límite. Aquí, una buena herramienta es la que responde la pregunta con una carga pequeña y precisa.
Es la misma disciplina que mantiene costeable a cualquier agente. La arquitectura lleva la factura al lugar correcto; el diseño de las herramientas la mantiene pequeña una vez que llega ahí.
Describir antes de consultar
Los modelos adivinan nombres de columnas cuando no los conocen, y las adivinanzas producen resultados vacíos o respuestas equivocadas. El flujo recomendado es llamar primero a describe_dataset para que el modelo vea el esquema real antes de consultar. Cuesta una llamada extra y ahorra varias fallidas.
Parámetros estructurados en vez de SQL libre
El portal acepta SQL, pero la herramienta no le pide al modelo que escriba SQL directo. Recibe parámetros estructurados y arma la consulta en el servidor. Las entradas estructuradas son más fáciles de validar, más fáciles de registrar y más difíciles de usar mal. Además, según la documentación de CKAN DataStore, el endpoint de búsqueda acepta una sola sentencia SELECT y aplica su propio tiempo límite y tope de filas, lo que da una segunda capa de protección.
Todas las herramientas leen, ninguna escribe
Las nueve herramientas leen. No hay nada que crear, actualizar o borrar. Eso mantiene muy pequeño el daño posible de un modelo confundido o de un prompt malicioso.
Caché con vigencia
Las fuentes públicas son infraestructura compartida. Saturarlas no le sirve a nadie, y muchas se actualizan cada hora o cada día de todos modos. El servidor guarda las respuestas por un tiempo limitado, lo que reduce la carga y acelera las preguntas repetidas. El costo es explícito: una respuesta en caché puede tener algunos minutos. Para la disponibilidad de bicis en vivo esa ventana tiene que ser corta; para una búsqueda en el catálogo puede ser más larga.
La frescura es un dato, no una nota al pie
Los datos abiertos varían mucho en qué tan recientes son. La demo pública de este proyecto ordena los conjuntos de datos en cinco dimensiones (impacto, datos, factibilidad, accesibilidad y frescura), y la frescura se calcula contra la fecha actual cada vez que se abre el tablero. Un agente que responde con datos viejos sin decirlo es peor que no tener agente.
A qué renunciamos
Toda arquitectura es un conjunto de concesiones. Estas son las nuestras.
No controlamos el modelo. El razonamiento ocurre en el asistente de la persona, así que no podemos fijar un modelo, ajustar un prompt del lado del servidor ni garantizar cómo se redacta la respuesta. Lo que controlamos es la calidad de las herramientas: sus nombres, descripciones, parámetros y salidas. Eso convierte el diseño de herramientas en la palanca principal.
La persona necesita un asistente compatible con MCP. Este patrón sirve para quien ya trabaja en un asistente de IA. No sirve para un visitante anónimo de un sitio público sin cuenta.
Los tokens le siguen costando a alguien. Movimos el costo a la persona que hace la pregunta, lo cual es justo en muchos casos, pero no es cero. Las cargas pequeñas son nuestra forma de respetarlo.
Las fuentes públicas tienen sus propios límites. La disponibilidad, los límites de uso y los esquemas cambian sin aviso. El servidor tiene que fallar con mensajes claros, y la caché no puede esconder una caída para siempre.
Cuándo encaja este patrón
Úsalo cuando los datos son públicos o ya pertenecen a quien pregunta, cuando los usuarios ya trabajan dentro de un asistente de IA y cuando quieres que el costo de la inteligencia crezca con las personas que la usan y no con tu infraestructura. Evítalo cuando necesitas una experiencia fija y con tu marca para usuarios anónimos, o cuando cada respuesta debe seguir un guion que controlas de punta a punta.
En ambos casos, la persona sigue en el ciclo: cada llamada a una herramienta queda visible en la conversación, con sus parámetros, y la persona decide qué hacer con la respuesta.
Construye uno
En el taller Construye un agente que consulta datos abiertos sin pagar tokens armamos, paso a paso, un servidor MCP como este, con herramientas, contratos, límites y el costo del lado del cliente. La ruta Agentes de IA en producción va más lejos, y si quieres una arquitectura así para tus propios datos, hablemos.