Skip to main content
Glama
# MCP de Word (`mcp-de-word`)

Servidor **MCP (Model Context Protocol)** diseñado para buscar información actualizada en internet y guardarla de forma estructurada en documentos de Microsoft Word (`.docx`).

**Repositorio:** https://github.com/lucas9jry456/mcp-de-word

---

## Descripción

Este proyecto implementa un servidor MCP que conecta un asistente de inteligencia artificial con herramientas de búsqueda web y generación de archivos `.docx`. Permite investigar temas en línea directamente desde el cliente de IA, recopilar hallazgos y exportarlos automáticamente a un documento de Word listo para editar, compartir o entregar.

---

## Requisitos

Antes de comenzar, asegúrate de contar con:

* **Git** instalado para clonar el repositorio.
* **Entorno de ejecución:** Python 3.10 o superior *(o Node.js v18+, según la implementación de tu archivo principal)*.
* **Cliente compatible con MCP:** Claude Desktop, Cursor, VS Code (con soporte MCP) u otro cliente compatible.
* **Aplicación de ofimática:** Microsoft Word, LibreOffice Writer o Google Docs para abrir y visualizar los archivos `.docx` generados.
* **Conexión a internet** activa para realizar las búsquedas web.

---

## Instalación paso a paso

1. **Clonar el repositorio:**
   Abre una terminal y descarga el proyecto desde GitHub:
   ```bash
   git clone [https://github.com/lucas9jry456/mcp-de-word.git](https://github.com/lucas9jry456/mcp-de-word.git)
   cd mcp-de-word
  1. Instalar las dependencias:

  • Si el proyecto es en Python:

python -m venv .venv
# En Windows:
.venv\Scripts\activate
# En macOS/Linux:
source .venv/bin/activate

pip install -r requirements.txt
  • Si el proyecto es en Node.js:

npm install
  1. Configurar variables de entorno (si aplica): Si tu servidor requiere claves de API para el buscador o una ruta de salida específica, crea un archivo .env en la raíz del proyecto:

API_KEY=tu_clave_aqui
OUTPUT_DIR=./documentos

Cómo abrir y ejecutar el programa

Los servidores MCP funcionan en segundo plano comunicándose con el cliente de IA mediante entrada/salida estándar (stdio). Puedes abrirlo de dos maneras:

1. Ejecución automática desde tu cliente MCP (Recomendado)

No necesitas dejar una terminal abierta manualmente; el cliente MCP inicia el servidor de forma automática al abrirse.

  1. Abre el archivo de configuración de tu cliente MCP (por ejemplo, en Claude Desktop: Configuración > Desarrollador > Editar configuración, que abre claude_desktop_config.json).

  2. Agrega la siguiente configuración ajustando la ruta hacia tu carpeta mcp-de-word y el nombre de tu archivo principal (server.py / main.py / index.js):

{
  "mcpServers": {
    "mcp-de-word": {
      "command": "python",
      "args": [
        "/RUTA/COMPLETA/A/mcp-de-word/server.py"
      ]
    }
  }
}

(Nota: Si usas un entorno virtual en Python, reemplaza "python" por la ruta completa al ejecutable dentro de .venv, por ejemplo: "/RUTA/COMPLETA/A/mcp-de-word/.venv/Scripts/python.exe" en Windows o "/RUTA/COMPLETA/A/mcp-de-word/.venv/bin/python" en macOS/Linux). 3. Guarda el archivo y reinicia completamente tu cliente MCP. 4. Verifica en el menú de herramientas o conectores del cliente que el servidor mcp-de-word aparece conectado y activo.

2. Ejecución manual desde la terminal (para pruebas)

Si deseas verificar que el programa arranca sin errores antes de conectarlo al cliente:

# Dentro de la carpeta mcp-de-word
python server.py

Related MCP server: ORZ MCP

Lista de herramientas

El servidor expone las siguientes herramientas al modelo de IA:

  • Herramienta de búsqueda web (buscar_web / search_web): Consulta información actualizada en internet a partir de una búsqueda o pregunta y devuelve los resultados más relevantes (títulos, enlaces y extractos).

  • Herramienta de creación de Word (crear_word / guardar_en_word): Genera un archivo .docx con título, subtítulos, listas y párrafos estructurados a partir de la información recopilada.

(Ajusta los nombres exactos entre paréntesis según cómo estén definidas las funciones en tu código).


Ejemplos de uso

Una vez conectado el servidor en tu cliente MCP, puedes usarlo escribiendo instrucciones en lenguaje natural:

  • Ejemplo 1 — Investigar un tema y crear un informe:

"Busca información actualizada sobre el impacto de la inteligencia artificial en la educación superior y guarda un resumen estructurado en un archivo Word llamado ia_educacion.docx."

Flujo de ejecución: El asistente invoca la herramienta de búsqueda web, sintetiza los hallazgos y utiliza la herramienta de Word para generar el archivo ia_educacion.docx listo para abrir.

  • Ejemplo 2 — Crear una guía de estudio:

"Investiga qué es el protocolo MCP (Model Context Protocol), cuáles son sus componentes principales y guarda una guía de estudio en guia_mcp.docx."

Flujo de ejecución: El servidor consulta las fuentes en internet y exporta el contenido organizado directamente en guia_mcp.docx.


Solución de problemas frecuentes

  • El servidor no aparece en el cliente MCP: Verifica que las rutas en claude_desktop_config.json sean rutas absolutas y que el archivo JSON no tenga errores de formato.

  • Error de dependencias no encontradas: Asegúrate de apuntar al ejecutable de Python dentro de tu entorno virtual (.venv) en la configuración del cliente.

  • No encuentro el archivo .docx generado: Si no especificaste una ruta exacta en el prompt, busca el archivo en la carpeta raíz de mcp-de-word o en tu carpeta de usuario.


Utilidad académica

¿Qué problema resuelve?

En el ámbito académico, la elaboración de informes, estados del arte y guías de estudio suele fragmentarse entre múltiples pestañas del navegador, motores de búsqueda y procesadores de texto. Gran parte del tiempo se invierte en tareas mecánicas de recopilación, filtrado inicial y estructuración de borradores en formato .docx. Este servidor MCP automatiza la transición entre la búsqueda de información en línea y la creación de un documento editable, reduciendo la fricción operativa en las fases iniciales de investigación.

¿Para quién está dirigido?

  • Estudiantes: Para levantar información preliminar, estructurar apuntes de clase y preparar borradores de trabajos prácticos o revisiones bibliográficas.

  • Docentes: Para recopilar recursos actualizados sobre una temática y generar material de apoyo o guías de lectura en formato Word de manera ágil.

  • Investigadores y ayudantes: Para realizar exploraciones rápidas sobre conceptos emergentes y documentar hallazgos preliminares en un formato estándar.

¿En qué dimensión del aprendizaje aporta?

Aporta principalmente en la gestión de la información y la síntesis documental (alfabetización informacional y organización del conocimiento). Al delegar la recopilación inicial y el formateo básico en el flujo automatizado, el estudiante o docente puede concentrar su esfuerzo cognitivo en tareas de orden superior: evaluar críticamente la calidad de las fuentes recuperadas, contrastar argumentos, verificar datos y redactar sus propias conclusiones sobre una base ya estructurada.


Declaración de uso de IA, límites conocidos y consideraciones de seguridad

Declaración de uso de IA

Para el desarrollo de este proyecto y su documentación se utilizó asistencia de inteligencia artificial generativa como herramienta de apoyo para la redacción del archivo README.md, la estructuración de ejemplos y la revisión de código. El diseño funcional, la integración del repositorio y las pruebas de funcionamiento fueron realizados y verificados por el autor del proyecto.

Límites conocidos

  • Dependencia de fuentes externas: La calidad, actualidad y disponibilidad de la información dependen de los resultados devueltos por el motor de búsqueda utilizado y de la accesibilidad de las páginas web consultadas.

  • Riesgo de imprecisiones o sesgos: El modelo de lenguaje puede resumir de forma incompleta o interpretar erróneamente información ambigua encontrada en la web, por lo que todo documento generado requiere revisión humana antes de su uso académico formal.

  • Formato básico de salida: La exportación a .docx prioriza una estructura limpia (títulos, subtítulos, párrafos y listas), sin reemplazar diseños editoriales complejos o citación bibliográfica automática avanzada.

Consideraciones de seguridad

  • Protección de credenciales: Nunca se deben subir claves de API ni archivos .env con credenciales al repositorio público de GitHub; se recomienda incluir .env dentro de .gitignore.

  • Control de escritura de archivos: El servidor debe operar sobre directorios de salida controlados para evitar la sobrescritura accidental de documentos importantes del sistema o del usuario.

  • Verificación de fuentes web: Dado que el servidor consulta contenido abierto en internet, existe el riesgo de exposición a contenido no confiable o inyección indirecta de instrucciones desde páginas externas; se recomienda revisar las URLs de origen y validar el contenido antes de compartirlo.

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    Related MCP Connectors

    Related MCP Servers