The latest articles on Forem by Marcos Adrian Ferreira (@marcosferr). https://forem.com/marcosferr https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F1363067%2F94f9fc4a-0afb-43f0-92a3-7b3cc4f52dca.jpeg https://forem.com/marcosferr en Marcos Adrian Ferreira Wed, 21 Jan 2026 01:16:02 +0000 https://forem.com/marcosferr/como-los-mcps-de-aws-y-los-agentes-de-ia-estan-cambiando-mi-forma-de-disenar-infraestructura-2e44 https://forem.com/marcosferr/como-los-mcps-de-aws-y-los-agentes-de-ia-estan-cambiando-mi-forma-de-disenar-infraestructura-2e44 <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F7mer7mtfdlvvkfuyr5cq.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F7mer7mtfdlvvkfuyr5cq.png" alt="Imagen de Docker MCP Toolkit" width="800" height="425"></a></p> <p>La <strong>inteligencia artificial ya llegó</strong> —y no como una promesa futura, sino como una herramienta concreta que hoy tiene la capacidad de resolver problemas complejos y ejecutar tareas que antes requerían <strong>alta especialización técnica y mucho tiempo humano</strong>.</p> <p>Hoy existen modelos como <strong>Claude OPUS 4.5</strong> que pueden mantener foco y coherencia en trabajos complejos durante <strong>varias horas seguidas</strong>. Algo que parecía casi imposible allá por 2022, cuando probábamos <strong>GPT-3</strong>, o cuando <strong>Gemini aún se llamaba Bard</strong>.</p> <p>A esta altura, ya no está en duda que <strong>el código que generan estos modelos funciona</strong> y que puede ser de enorme ayuda en el día a día.<br><br> Sin embargo, siguen existiendo desafíos importantes:</p> <ul> <li>Adherencia consistente a <strong>best practices</strong> </li> <li>Uso de <strong>documentación actualizada</strong> </li> <li>Correcta adaptación a <strong>casos de uso específicos</strong> </li> <li>Seguridad y control cuando el LLM empieza a “actuar” y no solo a responder</li> </ul> <h2> AWS entra fuerte al juego: NOVA + MCP </h2> <p>Hace no más de dos meses, <strong>AWS sorprendió lanzando la familia de modelos NOVA</strong>, con capacidades <strong>SOTA (state of the art)</strong> y variantes optimizadas para distintos casos de uso. </p> <p>Pero lo más interesante no fue solo el modelo, sino el <strong>ecosistema completo</strong> que lo acompaña: una <strong>gama extensa de MCPs (Model Context Protocols)</strong>.</p> <p>Los MCPs permiten <strong>extender las capacidades de los agentes de IA</strong>, dándoles contexto, herramientas y acciones controladas sobre sistemas reales.</p> <p>👉 Repositorio oficial:<br><br> <a href="https://awslabs.github.io/mcp/" rel="noopener noreferrer">https://awslabs.github.io/mcp/</a></p> <p>Más de <strong>50 MCPs disponibles</strong>, cubriendo desde infraestructura hasta seguridad, despliegue y monitoreo.</p> <h2> MCPs que estuve probando en mi flujo AWS </h2> <p>En particular, estuve experimentando con MCPs enfocados en:</p> <ul> <li><strong>AWS Terraform</strong></li> <li><strong>AWS Core</strong></li> <li><strong>AWS Diagrams</strong></li> </ul> <p>Y quiero contarles por qué me parecieron tan potentes.</p> <h3> 🔹 AWS Terraform MCP </h3> <p>Este MCP provee:</p> <ul> <li>Documentación <strong>actualizada</strong> de cada <em>AWS resource</em> </li> <li>Mejores prácticas de: <ul> <li>Organización de módulos</li> <li>Separación por entornos</li> <li>Políticas IAM</li> <li>Uso correcto de servicios</li> </ul> </li> <li>Contexto específico de AWS (algo que suele fallar en LLMs genéricos)</li> </ul> <p>El resultado es Terraform <strong>mucho más limpio, seguro y alineado a producción real</strong>, no solo “infraestructura que compila”.</p> <h3> 🔹 AWS Diagrams MCP </h3> <p>Permite crear <strong>diagramas de arquitectura AWS</strong> de forma programática usando <strong>Python</strong>.</p> <p>Ventajas:</p> <ul> <li>Renderiza la arquitectura completa</li> <li>Documenta visualmente el flujo</li> <li>Ayuda a explicar decisiones técnicas</li> </ul> <p>Limitaciones:</p> <ul> <li>Sin mucha especificación inicial, el orden del diagrama puede no ser ideal </li> <li>Con <strong>un par de iteraciones</strong>, el resultado mejora notablemente</li> </ul> <p>Ejemplo real:</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fuojcabyuo9adrr4hdag3.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fuojcabyuo9adrr4hdag3.png" alt="Diagrama de Arquitectura AWS" width="800" height="1510"></a></p> <h2> Caso real: de script local a arquitectura AWS completa </h2> <p>Me propuse un reto personal:<br><br> Migrar un <strong>script local</strong> que orquestaba:</p> <ul> <li><strong>Chatterbox TTS Turbo</strong></li> <li><strong>Whisper</strong></li> <li><strong>GPT-5 mini</strong></li> </ul> <p>El objetivo era la <strong>traducción de materiales educativos</strong>, pasando de algo local y artesanal a una arquitectura <strong>cloud-native</strong>.</p> <h3> Decisiones clave </h3> <ul> <li>Uso de <strong>SageMaker Async Inference</strong> <ul> <li>Necesidad de GPU</li> <li>No requiere procesamiento en tiempo real</li> </ul> </li> <li>Arquitectura desacoplada</li> <li>Seguridad desde el inicio</li> </ul> <h3> Ejecución </h3> <p>Usando:</p> <ul> <li><strong>Docker MCP Gateway</strong></li> <li><strong>GitHub Copilot</strong></li> <li><strong>Claude OPUS 4.5</strong></li> </ul> <p>En <strong>menos de 10 minutos</strong> tenía:</p> <ul> <li>Terraform completo</li> <li>Separación por entornos</li> <li>Módulos bien definidos</li> <li>Arquitectura clara</li> <li>Roles IAM con permisos mínimos</li> <li>Acceso seguro</li> <li>Notificaciones SNS para el flujo</li> <li>Todo <strong>gestionado 100% por Terraform</strong> </li> </ul> <p>Literalmente, como arte de magia ✨ —pero con control y buenas prácticas.</p> <h2> Seguridad y tooling: no es solo “que funcione” </h2> <p>Algo que me gustó mucho del enfoque de AWS con MCP es que <strong>no se quedan solo en funcionalidad</strong>.</p> <p>También incluyen herramientas para:</p> <ul> <li><strong>Scanning de IaC con Checkov</strong></li> <li>Despliegue seguro</li> <li>Monitoreo</li> <li>Guardrails para agentes</li> </ul> <p>Esto es clave cuando empezamos a darle a los LLMs:</p> <ul> <li>Acceso a infraestructura</li> <li>Capacidad de escribir código</li> <li>Poder de ejecutar acciones reales</li> </ul> <h2> ¿Para quién lo recomiendo? </h2> <p>Recomiendo estas herramientas <strong>encarecidamente</strong> a cualquier persona que tenga acceso a agentes como:</p> <ul> <li>Cursor</li> <li>Antigravity</li> <li>Claude</li> <li>GitHub Copilot (con modelos avanzados)</li> </ul> <p>Y que quiera <strong>optimizar tiempo sin sacrificar calidad ni seguridad</strong>.</p> <h2> Marco de adopción que recomiendo </h2> <p>Un esquema práctico para integrar IA generativa en el trabajo diario:</p> <ul> <li><p><strong>Nivel 1 – ASK</strong><br><br> Explicar código, razonar, conversar</p></li> <li><p><strong>Nivel 2 – In-file generation</strong><br><br> Crear y optimizar código directamente en archivos</p></li> <li><p><strong>Nivel 3 – Orquestación + MCPs + Web Search</strong><br><br> Con guardrails claros para evitar sobre-permisos</p></li> <li><p><strong>Nivel 4 – Orquestación completa</strong><br><br> Idea → planificación → implementación → despliegue</p></li> </ul> <p>Espero que les haya resultado interesante 🙌 </p> <p>Si quieren, <strong>síganme</strong> y cuéntenme en los comentarios<br><br> 👉 ¿cómo está siendo su experiencia con la IA generativa en su día a día?</p> aws terraform mcp githubcopilot