❓ Preguntas frecuentes

🧠 GENERAL

¿Qué es el MCP, en términos simples?
El Model Context Protocol (MCP) permite que los sitios web, aplicaciones y APIs se presenten ante los agentes — así como los humanos usan interfaces visuales, los agentes utilizan cápsulas .llmfeed.json estructuradas y firmadas.

¿Cuál es la diferencia entre LLMFeed y MCP?
LLMFeed es un formato de archivo y un ecosistema. MCP es una iniciativa más amplia, inicialmente presentada por Anthropic, para permitir que los agentes interactúen con herramientas externas. LLMFeed proporciona una implementación ligera, firmada y nativa para agentes.

¿Por qué LLMFeed es “más ligero” que otras versiones de MCP?
Porque funciona únicamente con archivos estáticos .well-known — no necesita SDKs, llamadas de servidor, ni infraestructura adicional.

👩‍💻 PARA DESARROLLADORES

¿Necesito un SDK o una integración?
No. Basta con exponer un archivo JSON estático o firmado en el directorio .well-known/.

¿Qué pasa si mi feed está roto o no está firmado?
Será leído, pero no se considerará confiable. El agente puede solicitar confirmación o recurrir a interacción humana.

¿Puedo restringir una API key a ciertas funciones?
Sí — usando apicredential.llmfeed.json y mcp-api.llmfeed.json.

¿Los agentes pueden simular una app móvil?
Sí — si publicas un mobile-app.llmfeed.json, el agente puede interpretar tus flujos de intención y acción.

¿Puedo ser descubierto por un buscador o agente?
Sí — usa llm-index.llmfeed.json para declarar tus entradas.

¿LLMFeed funciona para asistentes o apps móviles?
Absolutamente. Soporta prompts declarativos y acciones, incluso si tu sistema es por voz, móvil o mínimo.

🧠 PARA AGENTES Y MODELOS LLM

¿Un modelo necesita fine-tuning para usar MCP?
No. Un LLM básico que pueda leer JSON e interpretar instrucciones puede usarlo directamente.

¿Cómo decide un modelo si un contenido es confiable?
Consulta el bloque trust: qué se firma, quién firma, qué alcance tiene. Un feed con trust.scope: certified es el más recomendado.

¿Y si dos feeds son contradictorios?
Sigue la prioridad: firma > timestamp > fuente más cercana.

¿Un modelo sin funciones de “agente” puede entender esto?
Sí — incluso un LLM básico puede leer e interpretar los objetivos de un feed.

🔐 CONFIANZA, PRIVACIDAD Y SEGURIDAD

¿Quién firma los feeds?
El propio sitio o una autoridad como llmca.org.

¿Un feed puede revelar datos privados?
Los feeds deben ser publicados explícitamente. Los privados pueden requerir autenticación o tokens.

¿Cómo se previenen abusos de los agentes?
MCP promueve declaraciones claras de intención, límites de frecuencia y fallback hacia el usuario. Un agente no debe actuar fuera de los límites firmados.

🧭 CASOS DE USO POR PERFIL

Soy un desarrollador independiente. ¿Qué gano con esto?
Puedes explicar tu herramienta sin documentación compleja. Un solo archivo .llmfeed.json hace que cualquier agente entienda lo que haces.

Estoy diseñando un asistente LLM.
MCP te permite estructurar límites claros y seguros. Sin alucinaciones. Sin errores por interpretación.

Trabajo en un entorno regulado (salud, finanzas).
Puedes limitar lo que expones, exigir firmas, declarar fallback humano y certificar tu flujo.

Estoy desarrollando una app móvil.
Con mobile-app.llmfeed.json, tu app puede ser entendida por agentes incluso sin interfaz directa.

Soy educador, investigador o miembro de civic tech.
MCP es abierto, auditable y extensible. Puedes usarlo para enseñar, auditar o construir ecosistemas más confiables.

🌍 INTEROPERABILIDAD Y ESTRATEGIA

¿Es compatible con el MCP de Anthropic?
Sí — LLMFeed sigue la filosofía del MCP de Anthropic, pero con una implementación más simple y basada en archivos.

¿Por qué LLMFeed es más accesible?

• No requiere servidor
• Basado en .well-known/
• Integra firma y confianza de forma nativa

¿Qué aporta LLMFeed sobre MCP?

• mobile-app.llmfeed.json
• credential.llmfeed.json
• mcp-api.llmfeed.json
• session-feed.llmfeed.json (próximamente)
• Especificación de comportamiento de agentes
• Herramientas visuales y sistema de certificación

🧩 ¿QUIERES EXPLORAR MÁS?

• Prueba la herramienta Preview
• Únete al explorador de ecosistema
• Descubre Agent Behaviour
• Consulta la especificación completa