Punteo — Video 3: ADK Agents como MCP Server

Punteo — Video 3: ADK Agents como MCP Server

Idea central

Tus 7 agentes ADK en Cloud Run pasan de ser “un sistema que tú llamas desde terminal” a ser tools que cualquier LLM puede llamar nativamente.

---

Estructura del video (borrador)

1. HOOK — El momento wow primero (0:00 - 1:30)

• Abrir Claude Desktop
• Escribir: “Build IDP for a Python FastAPI application”
• Claude Desktop llama al MCP tool → los 7 agentes en Cloud Run responden en cadena
• Mostrar el resultado completo generado
• “Eso que acaban de ver no es una skill de Claude Code. Es un MCP Server. Sus agentes en producción, llamados desde Claude Desktop.”

2. CONTEXTO — La trilogía (1:30 - 4:00)

• Video 1: 7 agentes en local, filesystem compartido
• Video 2: 7 agentes en Cloud Run via A2A
• Este video: esos mismos agentes, accesibles desde cualquier LLM
• “Cada video agrega una capa. Hoy agregamos interoperabilidad.”

3. CONCEPTO — Skills vs MCP Server (4:00 - 10:00)

• Explicar la diferencia concreta:
  • Skill: Claude ejecuta, solo funciona en Claude Code
  • MCP Server: tu infraestructura ejecuta, cualquier LLM puede llamarla
• Mostrar la tabla comparativa en pantalla
• “No es lo mismo. La arquitectura es completamente diferente.”

4. CONCEPTO — Qué es MCP en una línea (10:00 - 14:00)

• MCP = protocolo abierto de Anthropic, adoptado por toda la industria
• A2A (Google) + MCP (Anthropic) = los dos protocolos abiertos del ecosistema de agentes
• Clientes compatibles: Claude Desktop, Cursor, Windsurf, OpenAI SDK
• “Construiste con herramientas de Google. Lo expones con un protocolo de Anthropic. Cualquier LLM lo usa.”

5. IMPLEMENTACIÓN — Construir el MCP Server (14:00 - 30:00)

• Mostrar orchestrator_a2a.py existente (viene del video 2)
• Crear el wrapper MCP con FastMCP
• Configurar Claude Desktop (claude_desktop_config.json)
• Transporte stdio para local
• Deploy en Cloud Run para producción (Streamable HTTP/SSE)

6. DEMO EN VIVO (30:00 - 42:00)

• Demo 1: Claude Desktop llama a los agentes
• Demo 2: Cursor hace lo mismo — mismo MCP Server, cliente diferente
• Opcional: mostrar que es agnóstico al modelo (si OpenAI SDK lo soporta)

7. BONUS — Agentes que también CONSUMEN MCP (42:00 - 46:00)

• Mostrar que los agentes pueden usar MCP tools además de ser un MCP Server
• Platform Architect → GitHub MCP → lee el repo real antes de decidir el stack
• “Doble: tus agentes son MCP Server Y usan MCP tools”

8. CIERRE (46:00 - 48:00)

• Los 3 videos como arco completo
• “Local → Producción → Interoperabilidad. Esa es la arquitectura real de agentes en 2026.”
• Teaser: ¿qué sigue? (A2UI, Agent Engine, frontend real)

---

Momento wow candidatos

1. Claude Desktop ejecutando los 7 agentes en cadena (principal)
2. Mismo MCP Server, Cursor como cliente (prueba de interoperabilidad)
3. Mostrar que los agentes además leen datos reales via MCP tools (GitHub)

---

Decisiones técnicas pendientes

• FastMCP vs implementación low-level de MCP
• Transporte local (stdio) vs producción (Streamable HTTP) — mostrar ambos o solo uno
• ¿Agregar el ángulo de agentes consumiendo MCP tools o dejarlo para video 4?
• Auth del MCP Server en producción (API key vs IAM)

---

Checklist antes de proponer título

• ¿Hay un sistema funcionando como centro? → Sí, 7 agentes en Cloud Run
• ¿El hook muestra el resultado primero? → Sí, Claude Desktop en acción
• ¿Hay momento wow concreto y visible? → Sí, Claude Desktop llamando agentes reales
• ¿La audiencia del canal buscaría esto? → Sí, MCP + ADK + producción
• ¿El título sigue el patrón ganador? → Pendiente definir

Títulos candidatos

• “7 Agentes ADK como MCP Server — Claude Desktop, Cursor y más los usan”
• “Tus Agentes en Producción como MCP Server: Cualquier LLM puede llamarlos”
• “ADK + MCP: Agentes en Cloud Run accesibles desde Claude Desktop y Cursor”

---

Bloqueantes

1. Video 2 debe estar publicado primero — el MCP Server envuelve el orquestador del video 2
2. Cuenta GCP activa — los agentes deben estar deployados en Cloud Run