Ideas, casos de uso y guías sobre IA, programación avanzada y software a medida para optimizar tu negocio.

Introducción Parte 4 En esta entrega de la serie repasamos la evolución hacia el transporte Streamable HTTP del Model Context Protocol MCP y cómo usarlo con Spring AI en su versión 1.1.0-SNAPSHOT. Tras explorar STDIO y SSE en artículos anteriores, la adopción del transporte Streamable HTTP se consolida como la opción recomendada para servidores MCP. Este artículo explica los cambios clave en la configuración, el despliegue y las pruebas con herramientas cliente como MCP Inspector y Amazon Q Developer, y además presenta cómo Q2BSTUDIO puede ayudar a implementar soluciones profesionales de software a medida y servicios de inteligencia artificial.

Aplicación de ejemplo La aplicación de ejemplo spring-mcp-conference-search conserva la lógica mostrada en la parte 2 pero requiere ajustes en dependencias y configuración para aprovechar Streamable HTTP. Al usar Spring AI 1.1.0-SNAPSHOT es necesario añadir los repositorios snapshot en el pom y fijar la propiedad spring-ai.version a 1.1.0-SNAPSHOT. En application.properties conviene definir únicamente las opciones relacionadas con MCP Streamable HTTP y configurar el servidor en el puerto 8081 para pruebas locales.

Configuración básica Entre los ajustes importantes están habilitar el cliente MCP, elegir protocol STREAMABLE y definir el tipo de cliente SYNC o ASYNC según el caso. Para SYNC se usa el starter webmvc; para ASYNC hay que cambiar a spring-ai-starter-mcp-server-webflux y así aprovechar un flujo http streamable no bloqueante. El endpoint por defecto que expone Spring Boot para la conexión es /mcp, por lo que durante las pruebas locales se utiliza la URL https://localhost:8081/mcp. Para construir y ejecutar la aplicación se emplea mvn clean package y luego java -jar target/spring-mcp-conference-search-0.0.1-SNAPSHOT.jar.

Uso con herramientas cliente Con el servidor en marcha se puede inspeccionar la oferta de herramientas con MCP Inspector seleccionando Streamable HTTP y apuntando a https://localhost:8081/mcp. De igual forma, Amazon Q Developer se configura para comunicarse con la misma URL como transporte http y permite conversar con el servidor en lenguaje natural, invocando las herramientas que expone la aplicación. Este flujo facilita búsquedas de conferencias por tema y rango de fechas y es idéntico conceptualmente a las pruebas previas con otros transportes.

Opciones asíncronas y WebFlux Si se necesita un cliente ASYNC hay que cambiar el tipo a ASYNC en la configuración y reemplazar el starter webmvc por el starter webflux en pom. Esto permite procesar respuestas en streaming y gestionar múltiples conexiones concurrentes con menor latencia y mejor escalabilidad en entornos reactivos.

Despliegue y seguridad Para entornos productivos es imprescindible desplegar el servidor MCP en un proveedor cloud y asegurar el endpoint. En la práctica se suele desplegar en AWS usando ECS, EKS, EC2 o incluso Lambda, reemplazando la URL local por la pública. También es fundamental proteger las llamadas con mecanismos de autorización y autenticación, por ejemplo OAuth2 integrado con Spring Security. Existen guías y ejemplos para asegurar servidores Spring AI MCP con OAuth2 y para configurar políticas de acceso a las herramientas expuestas.

Cómo puede ayudar Q2BSTUDIO Q2BSTUDIO es una empresa de desarrollo de software que ofrece servicios profesionales en aplicaciones a medida, software a medida, inteligencia artificial y ciberseguridad. Nuestros equipos diseñan e implementan soluciones que integran agentes IA, servicios cloud aws y azure y plataformas de inteligencia de negocio como power bi para aportar valor real a las empresas. Si buscas crear una plataforma personalizada para exponer APIs MCP o migrar soluciones a arquitecturas cloud, podemos ayudarte desde el diseño hasta el despliegue y la seguridad.

Este y Super en Java

En Java las palabras clave este y super permiten trabajar con referencias a objetos de forma clara y segura dentro de clases y jerarquías de herencia. A continuación explicamos de manera práctica qué son, por qué se usan, cuándo y cómo aplicarlas, con ejemplos ilustrativos y recomendaciones para desarrollos profesionales.

Qué es este: la palabra clave este se refiere al objeto actual de la clase. Se usa para distinguir entre variables de instancia y parámetros con el mismo nombre, para invocar otros constructores de la misma clase con este(), para pasar la referencia del objeto actual como argumento y para devolver el propio objeto desde un método.

Cuándo usar este: cuando los parámetros de un método o constructor ocultan a las variables de instancia; cuando encadenas constructores usando este(); cuando quieres devolver la referencia al objeto actual; y siempre dentro de métodos no static y constructores. No puede usarse en contexto static porque allí no existe una instancia.

Ejemplo práctico con este: class Student { int id; String name; Student(int id, String name) { this.id = id; this.name = name; } void display() { System.out.println(this.id + this.name); } Student getStudent() { return this; } }

Qué es super: super es una referencia que apunta al objeto de la clase padre inmediata. Permite acceder a constructores, métodos y campos de la clase padre, evitar sombreado de variables y llamar a versiones sobrescritas de métodos del padre. Al invocar el constructor del padre con super() debe ser la primera instrucción en el constructor hijo.

Cuándo usar super: cuando una subclase sobrescribe un método de la clase padre pero necesita llamar a la implementación original; cuando una variable de la clase padre está oculta por una variable con el mismo nombre en la subclase; y cuando la construcción de la subclase debe inicializar primero partes definidas en la clase padre.

Ejemplo práctico con super: class Animal { String color; void sound() { /* implementación del sonido genérico */ } } class Dog extends Animal { String color; void printColor() { System.out.println(super.color); } void sound() { super.sound(); /* comportamiento adicional de Dog */ } }

Buenas prácticas: usar este para mejorar la legibilidad cuando hay nombres iguales, preferir nombres claros para evitar sombreado innecesario, y usar super con moderación para conservar la coherencia del comportamiento heredado. Evitar lógica compleja en constructores y delegar responsabilidades a métodos bien definidos.

Muchas organizaciones limitan conexiones persistentes como WebSockets, pero aun así los equipos necesitan notificaciones en tiempo real aunque la aplicación no esté abierta o enfocada. Web Push aprovecha la API Push, un Service Worker y claves VAPID para que el servidor envíe mensajes fiables sin mantener un socket abierto, incluso cuando la página está en segundo plano o cerrada.

Por qué funciona Web Push en segundo plano: un Service Worker recibe eventos push del navegador y muestra notificaciones nativas mediante la Notifications API ofreciendo una experiencia consistente a nivel de sistema. Es una solución basada en estándares, requiere HTTPS y usa claves VAPID para identificar de forma segura al servidor frente a los servicios de push.

Cómo encaja todo: 1) La aplicación registra un Service Worker y solicita permiso de notificaciones en un origen seguro. 2) La aplicación se suscribe mediante Push Manager y obtiene un endpoint único y claves para ese navegador o dispositivo. 3) El servidor guarda las suscripciones y más tarde envía cargas firmadas con VAPID mediante una librería ligera. 4) El Service Worker recibe el evento push y muestra la notificación nativa al usuario de inmediato.

Pasos prácticos y recomendaciones: pedir permiso de notificaciones en momentos relevantes para evitar fatiga de permisos y mejorar la tasa de opt in. Las suscripciones pueden expirar, por eso es importante manejar errores en los envíos, depurar endpoints inválidos y forzar re suscripciones cuando sea necesario. Mantener las claves VAPID seguras y reutilizar el mismo par de claves por entorno para evitar problemas entre despliegues.

En el servidor se suele usar una librería como web push para firmar y enviar la carga a cada endpoint guardado sin necesidad de mantener conexiones persistentes. Esto permite una huella ligera y entrega fiable para alertas criticas o mensajes tipo must know en entornos con restricciones de red.

Consejos operativos: monitorizar fallos de entrega para limpiar suscripciones, cifrar y almacenar las claves VAPID con buenas prácticas de gestión de secretos, y asegurar que todo el tráfico relacionado con push se sirve sobre HTTPS. Considerar tamaños de payload y diseño de notificaciones para optimizar la experiencia de usuario y la compatibilidad con distintos navegadores y sistemas operativos.

Cómo encaja con servicios empresariales: Web Push es ideal para notificaciones de incidencias, alertas de seguridad, avisos comerciales y recordatorios operativos. En Q2BSTUDIO diseñamos soluciones que integran notificaciones push con arquitecturas en la nube, análisis y automatización. Somos una empresa de desarrollo de software a medida y aplicaciones a medida especializada en inteligencia artificial, ciberseguridad y servicios cloud aws y azure.

La evolución de la memoria en la inteligencia artificial ha sido una de las barreras más relevantes para convertir modelos conversacionales en asistentes verdaderamente persistentes. Los modelos de lenguaje grandes suelen funcionar bien en intercambios breves gracias a ventanas de contexto que limitan la cantidad de tokens considerados. Sin embargo, esa limitación provoca olvidos de partes anteriores de la conversación, respuestas inconsistentes, repeticiones y una nula capacidad para planificar a largo plazo o aprender de la experiencia.

El objetivo de dotar a la IA de memoria a largo plazo es cerrar la brecha entre el procesamiento inmediato y la comprensión continuada. Una memoria duradera permitiría almacenar y recuperar información de forma persistente, razonar sobre nueva información en relación con conocimientos previos, adaptar el comportamiento con base en experiencias pasadas y mantener interacciones coherentes a lo largo del tiempo. Esto es esencial para tareas como la gestión de proyectos complejos, la redacción de libros, sistemas de tutoría personalizados o agentes IA que acompañen procesos empresariales.

Existen múltiples enfoques para implementar memoria a largo plazo, cada uno con ventajas y limitaciones. Las bases de datos vectoriales almacenan fragmentos de texto como embeddings para recuperarlos por similitud cuando se requiere contexto histórico. Las redes de memoria integran mecanismos de lectura y escritura que permiten un acceso más fino a recuerdos concretos. Los grafos de conocimiento representan entidades y relaciones para facilitar el razonamiento y la conexión de ideas. Por otra parte, técnicas de resumen y compresión condensan conversaciones previas en resúmenes más manejables, sacrificando a veces detalles finos a cambio de eficiencia.

Una arquitectura práctica y ya utilizada combina embeddings y bases de datos vectoriales para crear una memoria reutilizable. El flujo típico incluye segmentar documentos o diálogos en trozos manejables, generar vectores representativos mediante modelos de embeddings, almacenar esos vectores en una base de datos vectorial y, al recibir una consulta, recuperar los fragmentos más relevantes para enriquecer la entrada del modelo de lenguaje. Este patrón permite consultas informadas por histórico, mejora la coherencia y evita repeticiones innecesarias.

Además de la técnica, el valor real de la memoria proviene de integrarla con capacidades empresariales. En Q2BSTUDIO diseñamos soluciones de software a medida que incorporan memoria a largo plazo en agentes IA para empresas, combinando inteligencia artificial con buenas prácticas de ciberseguridad y despliegues en la nube. Nuestros desarrollos contemplan desde la implementación de bases de datos vectoriales y pipelines de embeddings hasta la orquestación en servicios cloud para garantizar rendimiento y escalabilidad.

Si su organización necesita una solución personalizada, podemos implementar aplicaciones a medida que integren agentes IA capaces de recordar políticas internas, preferencias de usuarios y estados de proyectos, todo dentro de una arquitectura segura y escalable. Con experiencia en software a medida y en tecnologías de inteligencia artificial, Q2BSTUDIO ofrece asesoría completa desde el prototipo hasta la puesta en producción, incluyendo integraciones con herramientas de inteligencia de negocio como power bi para enriquecer el análisis y la toma de decisiones.

¿Te has preguntado cómo desplegar un sitio web en la nube sin clicar cientos de botones Manualmente y de forma repetible Con Terraform puedes definir tu infraestructura como código y en este artículo te explico paso a paso cómo subir un servidor web simple en AWS, añadir una plantilla visual y entender los conceptos clave en el camino

Requisitos previos Instalación de Terraform desde su web oficial, AWS CLI instalado y configurado, y una cuenta de AWS activa Para conectar Terraform con AWS crea un usuario IAM dedicado y evita usar la cuenta root Crea un usuario con acceso programático y guarda la Access Key ID y Secret Access Key Luego ejecuta en tu terminal aws configure e introduce las credenciales, la región por defecto us-east-1 y el formato json

Configura un IAM user para Terraform No uses cuentas root Crea un usuario terraform-user con Programmatic access y, para pruebas, puedes adjuntar AdministratorAccess aunque en producción conviene aplicar el principio de menor privilegio Descarga las credenciales y configúralas con aws configure

Paso 1 Organización del proyecto Crea una carpeta para el proyecto y dentro coloca estos archivos provider.tf, vars.tf, keypair.tf, secgrp.tf, instance.tf, web.sh y outputs.tf Uso de un editor como VSCode facilita el trabajo

Paso 2 Configurar el proveedor provider.tf indica que vamos a trabajar con AWS y que la región se toma de la variable region Define el proveedor aws y referencia var.region para mantener flexibilidad entre entornos

Paso 3 Variables en vars.tf Define variables reutilizables como region, zone1, webuser y un mapa de amiID para diferentes regiones Esto hace que cambiar la región o la AMI sea sencillo sin tocar el resto del código

Paso 4 Par de llaves SSH Genera un par de claves con ssh-keygen y guarda los archivos dovekey y dovekey.pub Mantén dovekey a buen recaudo Copia el contenido de dovekey.pub local en un archivo con el mismo nombre y usa keypair.tf para que AWS reconozca la clave pública

Paso 5 Reglas de firewall secgrp.tf define un security group que permita SSH solo desde tu IP y HTTP desde cualquier origen Recuerda reemplazar el ejemplo de IP 197.211.58.41/32 por tu propia IP puedes encontrarla buscando what is my ip en Google Además permite todo el tráfico saliente para que la instancia descargue actualizaciones

Paso 6 Crear la instancia instance.tf describe una instancia EC2 usando la AMI adecuada, tipo t3.micro, la key dove-key y el security group creado Usa provisioners para subir web.sh al servidor, conectarte por SSH y ejecutar el script Esto automatiza la instalación del servidor web y el despliegue de la web

Paso 7 Script de aprovisionamiento web.sh Este script instala Apache, descarga una plantilla y copia los archivos al directorio web básico Ejemplos de comandos apt update, apt install wget unzip apache2 -y, systemctl start apache2, systemctl enable apache2, wget https://www.tooplate.com/zip-templates/2117_infinite_loop.zip, unzip -o 2117_infinite_loop.zip, cp -r 2117_infinite_loop/* /var/www/html/, systemctl restart apache2

Paso 8 Salidas útiles outputs.tf pide a Terraform que muestre la ID de la instancia y la IP pública con output instance_id y output public_ip así podrás abrir la IP en tu navegador y ver la web desplegada

Paso 9 Archivos de estado y buenas prácticas Terraform genera terraform.tfstate y terraform.tfstate.backup que contienen el estado de los recursos Nunca los subas a un repositorio Crea un archivo .gitignore con las líneas .terraform/, *.tfstate, *.tfstate.backup y considera en entornos avanzados usar un backend remoto como un bucket S3 para el state

Paso 10 Ejecutar el flujo abre tu terminal en la carpeta del proyecto y ejecuta terraform init para inicializar, terraform fmt para formatear, terraform validate para validar la configuración, terraform plan para ver los cambios y terraform apply para aplicarlos Cuando se te pida confirma con yes Tras probar, limpia recursos con terraform destroy para evitar cargos en AWS

Consejo de seguridad Cuando configures las reglas de SSH limita el acceso a tu IP real y evita exponer puertos innecesarios Adapta permisos IAM a roles mínimos y valora el uso de roles y perfiles de instancia para credenciales temporales

Cuando no se utiliza Sass para agrupar estilos, existen dos enfoques prácticos para compilar múltiples archivos CSS en uno compacto y eficiente. El primer método es la compilación en tiempo de construcción: concatenar y minificar todos los archivos con herramientas como PostCSS, esbuild, Gulp o webpack para generar un único archivo optimizado con sourcemaps y versionado para cache busting. Este flujo mejora el rendimiento en navegadores tradicionales y facilita la entrega a través de CDN.

El segundo método es la combinación en tiempo de ejecución o la estrategia basada en HTTP2: mantener archivos CSS separados durante el desarrollo y aprovechar la multiplexación de HTTP2 o un servidor que concatene y cachee dinámicamente los recursos en producción. Esta alternativa favorece la modularidad y la carga por demanda, útil en proyectos con componentes independientes o despliegues progresivos.

En ambos casos es recomendable aplicar minificación, eliminación de CSS no utilizado y pruebas de rendimiento para decidir la mejor estrategia según la arquitectura de la aplicación y el entorno de despliegue. Para equipos que necesitan una solución integral, Q2BSTUDIO implementa pipelines a medida que integran estas prácticas dentro del proceso de desarrollo y despliegue, asegurando que el resultado sea escalable y mantenible.

Hace 18 meses emprendimos la construcción de una solución SaaS para resolver un problema muy real: tener decenas de miles de fotos, videos y documentos y no poder encontrar un recuerdo concreto cuando lo necesitas. Esa experiencia personal fue el motor detrás de RekoSearch, un buscador semántico que indexa fotos, videos, documentos y audio para permitir búsquedas en lenguaje natural y consultas avanzadas.

RekoSearch facilita encontrar contenido con frases simples como buscar perro y montaña o una felicitación de cumpleaños, y también permite consultas complejas combinando etiquetas, texto y análisis facial mediante operadores booleanos y filtros. Por ejemplo se pueden buscar tomas que muestren un producto concreto, el nombre de la marca y excluyan rostros tristes usando operadores lógicos.

El desarrollo resultó ser mucho más complejo de lo esperado. Autenticación segura, autorización, optimización de costes, escalabilidad y manejo correcto de una arquitectura distribuida fueron solo el principio. Gestionar infraestructura, múltiples funciones backend, procesadores de archivo, colas de trabajo y un dashboard web implica coordinar cientos de piezas para que cualquier cambio se propague sin romper la plataforma.

Entre los retos técnicos destacaron escalabilidad para procesar grandes volúmenes sin latencia ni sobrecostes, seguridad para proteger datos sensibles, y problemas nicho como contar páginas de un PDF de forma segura y streaming eficiente. Lo que en un principio pensé que me llevaría tres o cuatro meses acabó requiriendo dieciocho meses de trabajo y más de sesenta mil líneas de código para llegar a la beta.

La pila tecnológica fue diseñada con rendimiento y costes en mente. Infraestructura gestionada con Terraform, servicios AWS para autenticación, almacenamiento y reconocimiento de contenido, un cluster Kubernetes en DigitalOcean para alojar el dashboard, procesadores de cola y herramientas de analítica. El backend está programado en Rust para conseguir ejecución rápida y eficiente, mientras que el frontend combina TypeScript y Python con un sitio estático en Next.js y un dashboard React escalable servido desde Kubernetes con Flask y Gunicorn.

El uso de Rust y ARM64 para funciones serverless supuso ahorros dramáticos. Las funciones en Rust son mucho más rápidas y ligeras que las equivalentes en Python, lo que reduce tanto latencia como coste por ejecución y permite ofrecer un servicio más competitivo y sostenible.

En cuanto a integración con proveedores cloud y servicios gestionados, aprendimos a coordinar servicios como reconocimiento de imágenes, extracción de texto y transcripción automática, a la vez que optimizamos dónde conviene ejecutar cada componente para reducir gastos operativos. Para orquestar el procesamiento masivo de archivos usamos colas y workers que pueden escalar dinámicamente sobre Fargate y Kubernetes.

El roadmap incluye mejoras en la sintaxis de consultas con soporte de paréntesis, un sistema de claves API para usar el motor desde fuera del panel, soporte para más tipos de archivo mediante conversiones en servidor y funcionalidades de biblioteca para organizar búsquedas, archivos y combinar trabajos en un flujo de minería de conocimiento más completo.

Blockchain es mucho más que una palabra de moda; es una revolución tecnológica que está transformando de manera silenciosa cómo intercambiamos valor, protegemos datos y redefinimos la confianza digital. En un mundo con complejidad digital creciente, comprender los principios y el potencial de blockchain deja de ser opcional para profesionales y empresas que miran hacia el futuro.

Qué es blockchain en pocas palabras: en esencia blockchain es una tecnología de registro distribuido y descentralizado que registra transacciones en múltiples nodos. A diferencia de los sistemas centralizados tradicionales, blockchain aporta transparencia, seguridad e inmutabilidad de la información mediante técnicas criptográficas.

Características clave: descentralización sin un punto único de control; transparencia porque las transacciones pueden verificarse públicamente; inmutabilidad ya que los registros no se pueden alterar retroactivamente; y seguridad mejorada gracias a la criptografía y a mecanismos de consenso.

Aplicaciones prácticas por industria: Finanzas con criptomonedas y pagos transfronterizos; Salud con gestión segura de historiales clínicos; Supply chain para trazabilidad y verificación de autenticidad de productos; Administración pública para sistemas de voto seguro y registros públicos inmutables. Estas aplicaciones pueden combinarse con soluciones de inteligencia de negocio y herramientas como power bi para extraer insights a partir de los datos que genera la propia cadena de bloques.

Hace 18 meses comencé el reto de construir una aplicación SaaS desde cero y el viaje me dejó aprendizajes prácticos sobre arquitectura, escalabilidad, seguridad y producto. Empecé con una idea clara: resolver una necesidad real del cliente con una plataforma modular, segura y eficiente.

Objetivos iniciales: entregar valor rápido con iteraciones frecuentes, garantizar escalado simple y mantener costos bajos. Para lograrlo elegimos Rust en el backend por su rendimiento y seguridad de memoria, Kubernetes para orquestación y servicios gestionados en la nube como base. Esa combinación permitió latencias bajas, despliegues confiables y un modelo de costes predecible.

Arquitectura técnica: microservicios contenedorizados desplegados en clústeres gestionados, bases de datos escalables para datos transaccionales y almacenamiento de objetos para activos. Implementamos pipelines CI CD automáticos, control de versiones de infraestructura y pruebas end to end para minimizar regresiones. Las decisiones tecnológicas siempre fueron guiadas por el objetivo de ofrecer una plataforma de software a medida que pueda evolucionar con el cliente.

Multitenancy y datos: diseñamos aislamiento lógico por cliente, encriptación en tránsito y reposo y políticas estrictas de control de acceso. La privacidad y cumplimiento normativo fueron prioridades desde el diseño. Además, integraciones con servicios de identidad y auditoría permitieron trazabilidad y gobernanza del dato.

Observabilidad y mantenimiento: instrumentación con métricas, trazas y logs centralizados para detectar cuellos de botella y anomalías. Herramientas de monitorización y alerting facilitaron SLOs y respuesta ante incidentes. También trabajamos en optimización de costes mediante escalado automático y selección de tipos de instancia según perfil de carga.