--- title: "¿MCP, RAG, Agent Skills o Custom GPTs?" canonical: https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/ language: es description: "RAG es conocimiento, MCP es conectividad, Skills son procedimiento, Custom GPTs una superficie. Árbol de decisión y por qué suele convenir combinarlos." image: "https://wavect.io/img/blog/headers/header_mcp-vs-rag-vs-agent-skills-vs-custom-gpts.png" --- [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 min de lectura · 17 Jun 2026 [**Siguiente**](/es/blog/rag-vs-finetune-vs-longcontext-2026/) # MCP vs RAG vs Agent Skills vs Custom GPTs: un árbol de decisión para empresas Resumen MCP, RAG, Agent Skills y Custom GPTs no son cuatro respuestas a una pregunta. Viven en capas distintas: RAG fundamenta respuestas en sus documentos (conocimiento), MCP es un protocolo abierto que conecta un modelo a sus herramientas y datos (conectividad), los Agent Skills empaquetan conocimiento procedimental que el agente sigue (procedimiento), y los Custom GPTs son un asistente sin código dentro de ChatGPT (una superficie empaquetada y atada). Para la mayoría de empresas la respuesta es componer RAG, MCP y Skills en un agente, no elegir uno. El único verdadero dilema son los Custom GPTs, porque es una decisión de dependencia. Estos cuatro no son cuatro respuestas a la misma pregunta. Viven en capas distintas de un sistema de IA. **[RAG](/es/glossary/rag/)** es un patrón de recuperación para fundamentar respuestas en sus documentos. **[MCP](/es/glossary/mcp/)** es un protocolo abierto que permite a un modelo llamar a sus herramientas y datos. **Agent Skills** son conocimiento procedimental empaquetado que un agente carga bajo demanda. **Custom GPTs** son un asistente sin código que se ejecuta dentro de ChatGPT. El mercado los plantea como "elija uno". Para la mayoría de las empresas, el enfoque correcto es componerlos: un mismo agente puede seguir un Skill (el procedimiento), llegar a sus sistemas vía MCP (las herramientas) y traer contexto mediante RAG (el conocimiento), todo a la vez. El único verdadero dilema son los Custom GPTs, porque elegirlos es una decisión de plataforma y dependencia, no una decisión de bloques de construcción. Esta es una visión de ingeniería, no un argumentario de venta. El terreno se mueve rápido, así que las fechas importan; todo lo que sigue está vigente a mediados de 2026 y conviene contrastarlo con la documentación primaria antes de comprometerse. ## La distinción de un vistazo La forma más rápida de dejar de confundirlos es ver qué es realmente cada uno. | Dimensión | RAG | MCP | Agent Skills | Custom GPTs | | --- | --- | --- | --- | --- | | Propósito principal | Conocimiento (fundamentación) | Conexión a herramientas y datos | Procedimiento (cómo hacerlo) | Asistente empaquetado | | Abierto o propietario | Técnica abierta | Estándar abierto | Estándar abierto | Propietario (OpenAI) | | ¿Ejecuta acciones? | No (solo lectura) | Sí | Indirectamente, orquesta herramientas | Sí, vía Actions | | ¿Portable entre proveedores? | Sí | Sí (cualquier host MCP) | Sí (formato) | No (atado a ChatGPT) | | Dónde se ejecuta | El backend de su aplicación | Un servidor que usted aloja | El runtime del agente | Dentro de ChatGPT | | La "cosa" que es | Una pipeline de recuperación | Un protocolo de conexión | Una carpeta de instrucciones | Un ChatGPT configurado | Los tres primeros son capas de un mismo agente y se combinan con libertad. Los Custom GPTs son una superficie de entrega, e incluso ellos ya se apoyan en MCP por debajo. ## RAG: responder desde su conocimiento La Generación Aumentada por Recuperación recupera documentos relevantes de su fuente de conocimiento y los inyecta en el contexto del modelo antes de que responda. Existe para fundamentar respuestas en sus datos propietarios o actuales, reducir alucinaciones y mantener las respuestas frescas sin reentrenar. Lo que hay que recordar: el RAG clásico es un patrón de lectura. No llama a APIs ni cambia el estado. En el momento en que su sistema necesita actuar, está en territorio de herramientas, no de RAG. Si está sopesando RAG frente al fine-tuning o simplemente una ventana de contexto mayor, lo desarrollamos en [RAG vs fine-tuning vs long context](/es/blog/rag-vs-finetune-vs-longcontext-2026/). ## MCP: conectar el modelo a sus sistemas El Model Context Protocol es un estándar abierto, presentado por Anthropic a finales de 2024, para conectar aplicaciones de IA con herramientas y datos externos. La analogía oficial es un puerto USB-C para la IA: una forma estándar de enchufar un modelo a cualquier cosa, de modo que construye un conector una vez y cualquier host compatible puede usarlo, en lugar de escribir una integración a medida por cada herramienta. Es un protocolo cliente-servidor, y un servidor puede exponer herramientas (acciones), recursos (datos) y prompts. Necesita MCP cuando quiere que un modelo o agente llame a sus sistemas de forma reutilizable y neutral respecto al proveedor. Lo que no es: una técnica de recuperación, un modelo ni instrucciones procedimentales. Es la fontanería bajo el agente. Hoy es genuinamente multiproveedor, con OpenAI, Google y Microsoft adoptándolo, y en diciembre de 2025 fue donado a la Agentic AI Foundation de la Linux Foundation. ## Agent Skills: empaquetar el procedimiento Los Agent Skills, presentados por Anthropic en octubre de 2025 y publicados como estándar abierto más adelante ese mismo año, son carpetas organizadas de instrucciones, scripts y recursos que un agente descubre y carga solo cuando una tarea coincide. La unidad es un archivo SKILL.md: una descripción breve más un cuerpo de conocimiento procedimental, opcionalmente con scripts. La parte ingeniosa es la divulgación progresiva, donde solo el nombre y la descripción están en el contexto hasta que el skill realmente se necesita, de modo que una biblioteca de skills no cuesta casi nada hasta que se usa. El punto que más se confunde: los Skills complementan a MCP, no compiten con él. MCP es conectividad, los sistemas que un agente puede alcanzar. Los Skills son el procedimiento, el cómo hacerlo que el agente sigue, y un skill puede orquestar herramientas MCP. Trate un skill como software instalado y use solo los de fuentes de confianza. Para nosotros esto no es teoría. Publicamos un [registro público de Agent Skills](/es/skills/): seis skills SKILL.md firmados y de un solo archivo, listados en un manifiesto legible por máquina en /.well-known/agent-skills/index.json, cada uno reflejado por una página legible por humanos. Nuestro skill [qa-advisor](/es/skills/qa-advisor/), por ejemplo, codifica el procedimiento de un ingeniero de QA senior, las comprobaciones y la calificación, como conocimiento portable y versionado. No se conecta a un sistema ni recupera documentos. Le dice al agente cómo pensar. Eso es exactamente lo que es un skill, y lo que ni MCP ni RAG son. Como caso de escritura concreto, nuestra guía para [hacer que la IA escriba con más naturalidad mediante Agent Skills](/es/blog/ai-writing-agent-skills/) compara tres enfoques open source y explica cómo evaluar un flujo de equipo sin borrar la voz del autor. ## Custom GPTs: el asistente empaquetado y rápido Un Custom GPT es una versión sin código de ChatGPT, construida en el GPT Builder, que combina instrucciones, unos pocos archivos de conocimiento y acciones opcionales, ejecutándose dentro de ChatGPT. Es la forma más rápida de dar a una persona no desarrolladora un asistente útil, y está bien para un bot interno de preguntas y respuestas rápido. Los compromisos son reales: construirlo requiere un plan de pago, el conocimiento está limitado y hay una dependencia dura, porque un Custom GPT no se puede exportar, autoalojar ni ejecutar sobre otro modelo. El propio impulso de desarrolladores de OpenAI se ha movido hacia agentes portables, basados en API y MCP, y los Custom GPTs, aunque siguen soportados, ya no son la frontera. Prototipe en un GPT; construya lo real como un agente. ## El árbol de decisión Parta de lo que realmente necesita que el modelo haga. 1. **¿Responder desde sus documentos o conocimiento?** RAG. Fundamente las respuestas en sus datos, sin reentrenar. 2. **¿Llamar a sus sistemas, APIs, bases de datos, herramientas internas, de forma reutilizable y neutral respecto al proveedor?** MCP. Construya un servidor una vez; cualquier host puede usarlo. 3. **¿Seguir de forma fiable un procedimiento repetible o un flujo de trabajo de la empresa?** Agent Skills. Empaquete el conocimiento, cárguelo bajo demanda. 4. **¿Quiere un asistente rápido sin código para no desarrolladores dentro de ChatGPT, y acepta la dependencia?** Custom GPT. 5. **¿Necesita más de uno de estos (la mayoría de los sistemas reales)?** Combínelos. Un agente de soporte responde desde documentos (RAG), busca un pedido y emite un reembolso (MCP) y sigue sus reglas de escalado y tono (Skill). RAG incluso puede exponerse como una herramienta MCP, así que "RAG vs MCP" suele ser una falsa elección. ![Kevin Riedl](/img/team/kevin.webp) "RAG es conocimiento, MCP es conectividad, los Skills son procedimiento, y un Custom GPT es un asistente empaquetado. Una vez que los ve como capas distintas en lugar de productos que compiten, la pregunta deja de ser cuál y pasa a ser qué combinación." ## Preguntas frecuentes ### MCP vs RAG, ¿cuál es la diferencia? RAG recupera documentos para fundamentar una respuesta, que es conocimiento y de solo lectura. MCP es un protocolo para conectar un modelo a herramientas y datos, que es conectividad y puede actuar. Capas distintas, y a menudo usa ambos, incluso exponiendo su sistema RAG a través de MCP. ### ¿Son los Agent Skills lo mismo que MCP? No. Los Skills son conocimiento procedimental, las instrucciones y scripts que el agente sigue. MCP es conectividad, las herramientas y datos que el agente alcanza. Anthropic los posiciona como complementarios, y un skill puede orquestar herramientas MCP. ### ¿Sigo necesitando MCP si ya tengo RAG? Solo si necesita que el modelo actúe sobre sus sistemas, como llamar a una API o escribir un registro. RAG solo lee y fundamenta. Si "responder desde nuestros documentos" es todo el trabajo, RAG por sí solo basta. ### ¿Custom GPT o construir un agente? Un Custom GPT es rápido, sin código, dentro de ChatGPT, atado y limitado. Un agente real construido sobre un SDK más MCP es portable, de grado de producción y programable. Prototipe en un GPT, construya lo real como un agente. ### ¿Es MCP un reemplazo de RAG? No. MCP no define embeddings, chunking ni recuperación. Puede exponer una herramienta de recuperación, pero la lógica de recuperación sigue siendo RAG. ### ¿Pueden funcionar juntos? Sí, ese es el caso normal. Un mismo agente usa comúnmente Skills, MCP y RAG al mismo tiempo: procedimiento, conectividad y conocimiento. ### ¿OpenAI adoptó realmente el MCP de Anthropic? Sí, en 2025: soporte de MCP remoto y un asiento en el comité directivo, y su Apps SDK está construido sobre MCP. MCP es ahora multiproveedor entre Anthropic, OpenAI, Google y Microsoft, bajo la Agentic AI Foundation de la Linux Foundation. ### ¿Están los Agent Skills atados a un solo proveedor? El formato es un estándar abierto y los skills pueden referenciar herramientas MCP, aunque hoy se ejecutan principalmente en runtimes de agentes compatibles. Nuestro registro público en /.well-known/agent-skills/ muestra el formato SKILL.md abierto y portable en la práctica. ### Si construyo sobre Custom GPTs, ¿quedo atado? Sí. Los Custom GPTs no se pueden exportar ni autoalojar. Como cobertura de portabilidad, exponga sus herramientas vía MCP, que el propio Apps SDK de OpenAI usa, de modo que los mismos conectores funcionen entre hosts. ### ¿Cuál es la forma más barata de empezar? Para "responder desde nuestro contenido", una configuración pequeña de RAG o un Custom GPT. Para cualquier cosa portable, de grado de producción o multiproveedor, empiece con MCP para conectividad y Skills para procedimiento. ## Reflexiones finales La confusión en este terreno viene de tratar cuatro capas distintas como cuatro productos que compiten. RAG fundamenta, MCP conecta, los Skills codifican el procedimiento, y un Custom GPT empaqueta un asistente rápido. Así que la verdadera pregunta no es cuál elegir, es qué combinación necesita su caso de uso, y si está dispuesto a aceptar la dependencia a cambio de velocidad. Para un bot interno desechable, un Custom GPT está bien. Para cualquier cosa que quiera poseer, mantener portable y ejecutar entre proveedores, construya sobre las capas abiertas: RAG para conocimiento, MCP para herramientas, Skills para procedimiento. Construimos exactamente sobre esas, por lo que nuestros skills son públicos y firmados en lugar de quedar atrapados en el jardín amurallado de alguien. ## También te puede gustar.. [**RAG vs Fine-Tuning vs Long Context** Cuándo recuperar, cuándo hacer fine-tuning y cuándo simplemente usar una ventana de contexto mayor, y cómo cambió el cálculo de costes.](/es/blog/rag-vs-finetune-vs-longcontext-2026/) [**Habilitación de IA vs una consultora de IA genérica** Una le entrega un dossier de estrategia. La otra entrega una configuración funcional sobre su infraestructura que su equipo posee y puede operar.](/es/compare/ai-enablement-vs-generic-ai-consultancy/) Ingeniería de agentes ## Continúa por este clúster Agentes de código, MCP, contexto, evaluación y controles para automatización fiable. [Empieza por el artículo fundamental**Ingeniería de grafos para agentes de IA: ¿Cuándo compensa un knowledge graph?**](/es/blog/graph-engineering-ai-agents/) - [Por qué las ediciones de agentes necesitan identidad semántica: SEMAPRAX en Rust](/es/blog/semantic-identity-rust-agent-edits/) - [Análisis de OpenViking 2026: ¿Memoria de archivos lista para producción?](/es/blog/openviking-agent-memory-review/) - [LLM-as-a-Verifier: arquitectura, costes y uso en producción](/es/blog/llm-as-a-verifier/) - [TrueForge: análisis del agent harness open source para producción](/es/blog/trueforge-agent-harness-review/) - [Webs legibles por agentes: llms.txt, espejos en Markdown y qué se rompe](/es/blog/agent-readable-website-llms-txt-markdown-mirrors/) Tu bandeja, sin ruido ## Sigue el trabajo que te importa Recibe un correo breve cuando publiquemos algo nuevo. Sigue todo el blog o solo los temas que te interesan. [**Volver**](/es/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/es/team/kevin-riedl/) [Kevin Riedl](/es/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 min de lectura · 17 Jun 2026 [**Siguiente**](/es/blog/rag-vs-finetune-vs-longcontext-2026/) Nuevos artículos por correo × × Recibe nuevos artículos por correo Un correo breve cuando publicamos. Gratis y sin seguimiento. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/#webpage", "@type": "WebPage", "dateModified": "2026-07-07", "inLanguage": "es", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-07-07", "url": "https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "MCP, RAG, Agent Skills y Custom GPTs no son cuatro respuestas a una pregunta. Viven en capas distintas: RAG fundamenta respuestas en sus documentos (conocimiento), MCP es un protocolo abierto que conecta un modelo a sus herramientas y datos (conectividad), los Agent Skills empaquetan conocimiento procedimental que el agente sigue (procedimiento), y los Custom GPTs son un asistente sin código dentro de ChatGPT (una superficie empaquetada y atada). Para la mayoría de empresas la respuesta es componer RAG, MCP y Skills en un agente, no elegir uno. El único verdadero dilema son los Custom GPTs, porque es una decisión de dependencia.", "articleBody": " Resumen del blog/IA y agentes/Ingeniería de agentes MCP vs RAG vs Agent Skills vs Custom GPTs: un árbol de decisión para empresas Resumen MCP, RAG, Agent Skills y Custom GPTs no son cuatro respuestas a una pregunta. Viven en capas distintas: RAG fundamenta respuestas en sus documentos (conocimiento), MCP es un protocolo abierto que conecta un modelo a sus herramientas y datos (conectividad), los Agent Skills empaquetan conocimiento procedimental que el agente sigue (procedimiento), y los Custom GPTs son un asistente sin código dentro de ChatGPT (una superficie empaquetada y atada). Para la mayoría de empresas la respuesta es componer RAG, MCP y Skills en un agente, no elegir uno. El único verdadero dilema son los Custom GPTs, porque es una decisión de dependencia. Estos cuatro no son cuatro respuestas a la misma pregunta. Viven en capas distintas de un sistema de IA. RAG es un patrón de recuperación para fundamentar respuestas en sus documentos. MCP es un protocolo abierto que permite a un modelo llamar a sus herramientas y datos. Agent Skills son conocimiento procedimental empaquetado que un agente carga bajo demanda. Custom GPTs son un asistente sin código que se ejecuta dentro de ChatGPT. El mercado los plantea como \"elija uno\". Para la mayoría de las empresas, el enfoque correcto es componerlos: un mismo agente puede seguir un Skill (el procedimiento), llegar a sus sistemas vía MCP (las herramientas) y traer contexto mediante RAG (el conocimiento), todo a la vez. El único verdadero dilema son los Custom GPTs, porque elegirlos es una decisión de plataforma y dependencia, no una decisión de bloques de construcción. Esta es una visión de ingeniería, no un argumentario de venta. El terreno se mueve rápido, así que las fechas importan; todo lo que sigue está vigente a mediados de 2026 y conviene contrastarlo con la documentación primaria antes de comprometerse. La distinción de un vistazo La forma más rápida de dejar de confundirlos es ver qué es realmente cada uno. DimensiónRAGMCPAgent SkillsCustom GPTs Propósito principalConocimiento (fundamentación)Conexión a herramientas y datosProcedimiento (cómo hacerlo)Asistente empaquetado Abierto o propietarioTécnica abiertaEstándar abiertoEstándar abiertoPropietario (OpenAI) ¿Ejecuta acciones?No (solo lectura)SíIndirectamente, orquesta herramientasSí, vía Actions ¿Portable entre proveedores?SíSí (cualquier host MCP)Sí (formato)No (atado a ChatGPT) Dónde se ejecutaEl backend de su aplicaciónUn servidor que usted alojaEl runtime del agenteDentro de ChatGPT La \"cosa\" que esUna pipeline de recuperaciónUn protocolo de conexiónUna carpeta de instruccionesUn ChatGPT configurado Los tres primeros son capas de un mismo agente y se combinan con libertad. Los Custom GPTs son una superficie de entrega, e incluso ellos ya se apoyan en MCP por debajo. RAG: responder desde su conocimiento La Generación Aumentada por Recuperación recupera documentos relevantes de su fuente de conocimiento y los inyecta en el contexto del modelo antes de que responda. Existe para fundamentar respuestas en sus datos propietarios o actuales, reducir alucinaciones y mantener las respuestas frescas sin reentrenar. Lo que hay que recordar: el RAG clásico es un patrón de lectura. No llama a APIs ni cambia el estado. En el momento en que su sistema necesita actuar, está en territorio de herramientas, no de RAG. Si está sopesando RAG frente al fine-tuning o simplemente una ventana de contexto mayor, lo desarrollamos en RAG vs fine-tuning vs long context. MCP: conectar el modelo a sus sistemas El Model Context Protocol es un estándar abierto, presentado por Anthropic a finales de 2024, para conectar aplicaciones de IA con herramientas y datos externos. La analogía oficial es un puerto USB-C para la IA: una forma estándar de enchufar un modelo a cualquier cosa, de modo que construye un conector una vez y cualquier host compatible puede usarlo, en lugar de escribir una integración a medida por cada herramienta. Es un protocolo cliente-servidor, y un servidor puede exponer herramientas (acciones), recursos (datos) y prompts. Necesita MCP cuando quiere que un modelo o agente llame a sus sistemas de forma reutilizable y neutral respecto al proveedor. Lo que no es: una técnica de recuperación, un modelo ni instrucciones procedimentales. Es la fontanería bajo el agente. Hoy es genuinamente multiproveedor, con OpenAI, Google y Microsoft adoptándolo, y en diciembre de 2025 fue donado a la Agentic AI Foundation de la Linux Foundation. Agent Skills: empaquetar el procedimiento Los Agent Skills, presentados por Anthropic en octubre de 2025 y publicados como estándar abierto más adelante ese mismo año, son carpetas organizadas de instrucciones, scripts y recursos que un agente descubre y carga solo cuando una tarea coincide. La unidad es un archivo SKILL.md: una descripción breve más un cuerpo de conocimiento procedimental, opcionalmente con scripts. La parte ingeniosa es la divulgación progresiva, donde solo el nombre", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "dateModified": "2026-07-07", "datePublished": "2026-06-17", "description": "MCP, RAG, Agent Skills y Custom GPTs no son cuatro respuestas a una pregunta. Viven en capas distintas: RAG fundamenta respuestas en sus documentos (conocimiento), MCP es un protocolo abierto que conecta un modelo a sus herramientas y datos (conectividad), los Agent Skills empaquetan conocimiento procedimental que el agente sigue (procedimiento), y los Custom GPTs son un asistente sin código dentro de ChatGPT (una superficie empaquetada y atada). Para la mayoría de empresas la respuesta es componer RAG, MCP y Skills en un agente, no elegir uno. El único verdadero dilema son los Custom GPTs, porque es una decisión de dependencia.", "headline": "¿MCP, RAG, Agent Skills o Custom GPTs?", "image": "https://wavect.io/img/blog/headers/header_mcp-vs-rag-vs-agent-skills-vs-custom-gpts.svg", "inLanguage": "es", "mainEntityOfPage": { "@id": "https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/", "wordCount": 2178 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/es/", "name": "Inicio", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/overview/", "name": "Resumen del blog", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/topics/ai-agents/", "name": "IA y agentes", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/clusters/agent-engineering/", "name": "Ingeniería de agentes", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/es/blog/mcp-vs-rag-vs-agent-skills-vs-custom-gpts/", "name": "¿MCP, RAG, Agent Skills o Custom GPTs? | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "RAG recupera documentos para fundamentar una respuesta, que es conocimiento y de solo lectura. MCP es un protocolo para conectar un modelo a herramientas y datos, que es conectividad y puede actuar. Capas distintas, y a menudo usa ambos, incluso exponiendo su sistema RAG a través de MCP." }, "name": "MCP vs RAG, ¿cuál es la diferencia?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. Los Skills son conocimiento procedimental, las instrucciones y scripts que el agente sigue. MCP es conectividad, las herramientas y datos que el agente alcanza. Anthropic los posiciona como complementarios, y un skill puede orquestar herramientas MCP." }, "name": "¿Son los Agent Skills lo mismo que MCP?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Solo si necesita que el modelo actúe sobre sus sistemas, como llamar a una API o escribir un registro. RAG solo lee y fundamenta. Si \"responder desde nuestros documentos\" es todo el trabajo, RAG por sí solo basta." }, "name": "¿Sigo necesitando MCP si ya tengo RAG?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Un Custom GPT es rápido, sin código, dentro de ChatGPT, atado y limitado. Un agente real construido sobre un SDK más MCP es portable, de grado de producción y programable. Prototipe en un GPT, construya lo real como un agente." }, "name": "¿Custom GPT o construir un agente?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "No. MCP no define embeddings, chunking ni recuperación. Puede exponer una herramienta de recuperación, pero la lógica de recuperación sigue siendo RAG." }, "name": "¿Es MCP un reemplazo de RAG?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Sí, ese es el caso normal. Un mismo agente usa comúnmente Skills, MCP y RAG al mismo tiempo: procedimiento, conectividad y conocimiento." }, "name": "¿Pueden funcionar juntos?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Sí, en 2025: soporte de MCP remoto y un asiento en el comité directivo, y su Apps SDK está construido sobre MCP. MCP es ahora multiproveedor entre Anthropic, OpenAI, Google y Microsoft, bajo la Agentic AI Foundation de la Linux Foundation." }, "name": "¿OpenAI adoptó realmente el MCP de Anthropic?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "El formato es un estándar abierto y los skills pueden referenciar herramientas MCP, aunque hoy se ejecutan principalmente en runtimes de agentes compatibles. Nuestro registro público en /.well-known/agent-skills/ muestra el formato SKILL.md abierto y portable en la práctica." }, "name": "¿Están los Agent Skills atados a un solo proveedor?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Sí. Los Custom GPTs no se pueden exportar ni autoalojar. Como cobertura de portabilidad, exponga sus herramientas vía MCP, que el propio Apps SDK de OpenAI usa, de modo que los mismos conectores funcionen entre hosts." }, "name": "Si construyo sobre Custom GPTs, ¿quedo atado?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Para \"responder desde nuestro contenido\", una configuración pequeña de RAG o un Custom GPT. Para cualquier cosa portable, de grado de producción o multiproveedor, empiece con MCP para conectividad y Skills para procedimiento." }, "name": "¿Cuál es la forma más barata de empezar?" } ] } ```