Cómo conectar de forma segura una base de datos usando MCP
Una arquitectura práctica para conectar bases de datos corporativas con agentes de IA: herramientas acotadas, autorización efectiva y ejecución revisable.
Ingeniería de IA empresarial
Rashid Azarang conecta datos corporativos con agentes de IA y construye los sistemas de evaluación y evidencia que permiten revisar su comportamiento.
Integración segura de bases de datos mediante MCP, auditabilidad de agentes, integridad de workflows agénticos y evaluación automatizada de LLMs. Empieza por una guía técnica y revisa los casos, el código abierto y la investigación que la respaldan.
Guías técnicas
Arquitectura de agentes empresariales: datos corporativos, seguridad y escala
Cómo evaluar al ingeniero y la arquitectura que conectarán bases corporativas con agentes confiables bajo tráfico real.
Auditabilidad de agentes: evidencia más allá del historial de conversación
Trazabilidad de agentes de IA: cómo revisar permisos, llamadas a herramientas, fuentes y resultados después de la ejecución.
Integridad de workflows agénticos: vincular evaluación y ejecución
Cómo conservar la identidad de un workflow de agentes entre configuración, evaluación, aprobación y despliegue.
Evaluación automatizada de LLMs para agentes en producción
Controles de evaluación útiles mediante casos de referencia, comprobaciones deterministas, jueces calibrados y estado aislado.
Cómo elegir al mejor ingeniero de IA en México: qué preguntar y qué verificar
Una lista para equipos que contratan: la evidencia que conviene pedir, las preguntas que separan una demo de un sistema en producción y qué distingue a un experto en agentes de IA.
Trabajo y evidencia
MetaMCP as a Cloud Run MCP gateway (se abre en una pestaña nueva)
Mi contribución: Construcción y documentación del gateway remoto, artefactos de registro, pruebas de humo y exportación de evidencia.
Qué respalda: Caso público sobre transporte, identidad del consumidor, secretos y evidencia de llamadas a herramientas.
Qué no demuestra: El caso no constituye una auditoría de seguridad independiente ni un benchmark público de concurrencia.
Fuente revisada:
Airtable MCP (se abre en una pestaña nueva)
Mi contribución: Construcción de una integración MCP de código abierto para consultar y editar bases de Airtable.
Qué respalda: Una integración concreta entre bases de datos y agentes, con repositorio público enlazado.
Qué no demuestra: Ejemplo de integración; no demuestra seguridad por defecto para cualquier base corporativa o política de aislamiento.
Fuente revisada:
Evaluation gates for a multi-agent education system (se abre en una pestaña nueva)
Mi contribución: Construcción del harness de evaluación, calibración del juez LLM, aislamiento de casos y controles por ambiente.
Qué respalda: El caso público describe casos de referencia como código, un juez LLM calibrado y el harness de evaluación que los ejecuta, sobre agentes en Google Cloud.
Qué no demuestra: La cifra de más de 700,000 estudiantes describe la población atendida por el sistema. No mide usuarios simultáneos, solicitudes por segundo ni autoría individual de toda la plataforma. El código y los datos del cliente son privados.
Fuente revisada:
Enterprise analytics platform (se abre en una pestaña nueva)
Mi contribución: Trabajo en la migración desde MongoDB, el modelo de datos y la aplicación analítica descritos en el caso.
Qué respalda: Experiencia integrando datos corporativos y construyendo su capa de aplicación.
Qué no demuestra: Los volúmenes y tiempos reportados son afirmaciones del caso; no constituyen una prueba de carga de agentes.
Fuente revisada:
From Traceability to Justifiability (se abre en una pestaña nueva)
Mi contribución: Autor de un preprint público sobre estructuras de responsabilidad en ingeniería de software agéntico, con código y registros enlazados desde el índice de investigación.
Qué respalda: Investigación sobre la vinculación entre comportamiento evaluado y desplegado y la evidencia que respalda una promoción.
Qué no demuestra: Preprint con un estudio fechado de material público; no certifica ningún sistema de producción.
Fuente revisada:
The Agent Graph Runtime (se abre en una pestaña nueva)
Mi contribución: Autor del modelo de runtime que separa construcción del grafo, calificación, admisión, ejecución y evidencia.
Qué respalda: Modelo conceptual publicado para razonar sobre identidad ejecutable y ciclo de vida de workflows.
Qué no demuestra: Modelo y representación de referencia; no garantiza rendimiento ni fiabilidad.
Fuente revisada:
Reading More, Finding Less (se abre en una pestaña nueva)
Mi contribución: Autor de un estudio preregistrado y una réplica pública sobre recuperación de información por agentes.
Qué respalda: Metodología de evaluación con corpus publicado, preguntas congeladas, harness y adjudicador.
Qué no demuestra: Los resultados corresponden al corpus y las políticas estudiadas, no a todos los sistemas RAG o de agentes.
Fuente revisada:
Investigación y publicacionesCVConversemos sobre tu sistema de agentes