Diez herramientas tipadas sobre MCP
Por qué los agentes reciben diez herramientas pequeñas, tipadas y con presupuesto de tokens sobre MCP en vez de una gran caja de búsqueda, y qué compra eso en tokens, latencia y fallas legibles.
Dale a un agente una sola herramienta gigante de búsqueda y cada problema se convierte en una consulta. MonkeyLLM les da a los agentes diez herramientas tipadas sobre MCP en su lugar: verbos pequeños, esquemas estrictos y un presupuesto de tokens en cada llamada. La forma de la caja de herramientas es la mayor parte del diseño.
Diez verbos, tres familias
Un bosque MonkeyLLM (un grafo autoalojado de notas curadas, cada una con un pasaporte: título, resumen de sesenta tokens, tags) se trabaja por completo a través de diez herramientas tipadas, y mapean limpiamente a los tres movimientos del sistema.
La familia Navegar cubre entrar y caminar: buscar un punto de entrada, leer el pasaporte de un nodo, abrir su cuerpo, seguir sus enlaces. La familia Plantar registra conocimiento: crear nodos y enlazarlos en su lugar. La familia Feromona cierra el ciclo: después de una cacería exitosa, depositar un rastro para que la ruta quede marcada y se acuñen enlaces de atajo, como los senderos de hormigas acortan un camino que sigue rindiendo.
Viajan sobre MCP, el Model Context Protocol, un estándar abierto para exponer herramientas a agentes. Eso significa que el bosque se conecta a Claude Code o a cualquier framework con MCP sin adaptadores.
Tipado le gana a ingenioso
Una herramienta de búsqueda gigante toma un string y devuelve una pared de prosa, así que el modelo tiene que ser ingenioso en todo: adivinar formulaciones de la consulta, deduplicar resultados, inferir estructura del texto. Las herramientas tipadas invierten eso. El esquema dice exactamente qué entra. El resultado dice exactamente qué volvió: un pasaporte siempre es un pasaporte, nunca un volcado de página sorpresa. Y la forma del resultado implica los próximos movimientos legales, un id que puedes abrir, enlaces que puedes seguir.
De ahí se desprenden dos cosas. Primero, los modelos modestos pueden conducirlo. En nuestro benchmark de 11 preguntas estrictamente multi-salto, el mismo modelo local 12B anota 0/11 como lector de RAG top-k y 11/11 como navegador de bosque. No se volvió más listo entre las columnas; recibió una caja de herramientas donde elegir es la única parte difícil. Segundo, la falla se vuelve legible. Cada salto es una llamada discreta y tipada, así que puedes ver qué herramienta, qué nodo, qué presupuesto y exactamente dónde una cacería se salió del sendero, en lugar de mirar un único blob malo de contexto.
El presupuesto se hace cumplir, no se pide
Cada una de las diez herramientas tiene presupuesto de tokens: una llamada nunca devuelve más de lo que su presupuesto permite. Los pasaportes son baratos, los cuerpos cuestan más, y el agente decide qué puede pagar mientras el entorno hace cumplir el techo. Eso es muy distinto de un prompt pidiéndole amablemente al modelo que sea conciso.
El efecto medido, contra una línea base de RAG iterativo: 0.58x tokens por respuesta correcta, a 8.4 s p95 contra los 17.5 s de la línea base. La comparación completa está en RAG agéntico vs navegación con presupuesto. La pantalla Models del Studio (la portada de este post) es donde viven esos presupuestos: bindings de modelos, techos y el puntaje acumulado del almacén de respuestas.
Diez puertas a una bóveda
Las herramientas pequeñas y tipadas también son una superficie de control de acceso sobre la que puedes razonar. Las claves tienen alcance por persona: una clave puede solo navegar, otra puede además plantar. Todo es autoalojado, el motor Apache-2.0, las apps AGPL, y los datos nunca salen de tu infra. Tu bosque es una bóveda (Your forest is a vault), y las diez herramientas son sus únicas puertas.
Cablea una
La pantalla Integrations imprime fragmentos de copiar y pegar para tu propio despliegue, con la dirección ya completada.
Empieza con los docs de MCP para la superficie del protocolo y la referencia de primitivas para lo que cada herramienta toma y devuelve; deploy te da un bosque en cuatro comandos. Luego apunta un agente al bosque de herramientas de https://github.com/JimmyWesley/MonkeyLLM y observa a cuáles recurre. Todo lo demás está en https://monkeyllm.com.