# Darle a tu agente de IA acceso a tus PDF sin subirlos: MCP local

**Respuesta corta.** Un servidor MCP es un proceso que expone herramientas a un
agente de IA. Si ese servidor corre en tu máquina y no abre conexiones de red, el
agente puede leer, clasificar y extraer datos de tus PDF sin que el archivo salga
del equipo: lo que viaja al modelo es el texto que tú decides, ya anonimizado si
lo pides. Se instala con una línea y a partir de ahí Claude Code, Claude Desktop,
Cursor o cualquier cliente MCP tratan tus documentos como una fuente más.

---

## Qué es MCP, sin rodeos

**Model Context Protocol** es un protocolo abierto para que un agente de IA
descubra y use herramientas. El agente no sabe leer un PDF; sabe llamar a una
herramienta llamada `read_document` y recibir una respuesta estructurada. Quién
implementa esa herramienta, y **dónde corre**, es la decisión que importa.

Hay dos familias de servidores MCP para documentos:

- **Los que envuelven una API en la nube.** El servidor corre en tu máquina, sí,
  pero lo primero que hace con tu archivo es subirlo al servicio del proveedor.
  El archivo sale igual; solo cambia quién lo sube.
- **Los que procesan en tu máquina.** El servidor abre el PDF, lo lee, extrae el
  texto y devuelve el resultado sin abrir una sola conexión.

La diferencia no se ve en la interfaz del agente. Se ve en la pestaña de red, o
poniendo la máquina sin internet.

## Por qué cambia lo que puedes pedir

Con el archivo subido al chat, hay cosas que simplemente no se preguntan. Un
abogado no sube el contrato del cliente. Un médico no sube la historia clínica.
No por desconfianza técnica, sino porque el documento está sujeto a secreto y
subirlo es, en sí mismo, la transferencia que no debía ocurrir.

Con un servidor local, el reparto cambia:

| Lo que ocurre | Dónde |
|---|---|
| Abrir el PDF, OCR si hace falta | Tu máquina |
| Identificar el tipo de documento | Tu máquina |
| Extraer campos con su página y su posición | Tu máquina |
| Anonimizar los datos personales | Tu máquina |
| Razonar sobre el texto ya anonimizado | El modelo |

Lo único que viaja al proveedor del modelo es el texto que la herramienta
devuelve, que tú controlas y que puedes pedir anonimizado. Y si además usas un
modelo local con Ollama o LM Studio, no viaja nada.

## Lo que un agente puede hacer con esto

La diferencia práctica no es «leer un PDF». Es que el agente puede encadenar
pasos sin preguntarte a cada rato:

- «Lee todas las facturas de esta carpeta, saca el total y el NIT de cada una, y
  ponlas en un CSV.» El agente llama a la herramienta por archivo, recibe campos
  con su página de origen, y arma la tabla.
- «Este escaneo de 80 páginas son varios documentos pegados; sepáralos.» Detectar
  dónde empieza un documento nuevo es una heurística sobre el texto de cada
  página, no un trabajo para un modelo de visión.
- «Convierte estos contratos en un dataset para afinar, sin datos personales.» La
  cadena completa corre en local.
- «¿Qué tipo de documento es este y qué puedo hacer con él?» Clasificación por
  reglas visibles, con las señales que la sostienen, para que el agente no
  invente.

La clave de diseño es que **cada dato venga con su procedencia**: qué página,
qué línea, qué caja en la página. Un agente que cita puede ser comprobado; uno
que resume no.

## Un ejemplo con fecha: el MCP de iLovePDF

El 27 de septiembre de 2026 revisamos el servidor MCP que publica iLovePDF
([`ilovepdf/ilovepdf-mcp`](https://github.com/ilovepdf/ilovepdf-mcp), paquete
`@ilovepdf/mcp` 0.1.0). Es un buen ejemplo de la primera familia, y lo dice él
mismo: su documento de arquitectura explica que cada llamada «uploads them to the
iLovePDF v1 REST API, triggers processing, downloads the produced file». Corre en
tu máquina por stdio, pero el archivo viaja a su servicio.

| | `@ilovepdf/mcp` | `@sirdaspdf/mcp` |
|---|---|---|
| Dónde se procesa el PDF | En los servidores de iLovePDF | En tu máquina |
| Cuenta o clave | Exige «an iLovePDF public API key» | Ninguna |
| Herramientas | 10 en su documento de arquitectura; 9 activas (desbloquear, «temporarily disabled») | 27 |
| Office a PDF | Sí | No (solo Office a texto) |
| Funciona con la red apagada | No | Sí; se prueba en cada cambio con `docker run --network none` |

Donde el suyo es mejor: convierte Word, Excel y PowerPoint **a PDF**, y detrás
hay un servicio maduro con muchas más herramientas web. Si el documento puede
salir de tu equipo, es una opción razonable. Si no puede, la pregunta no es qué
servidor tiene más herramientas, sino dónde se abre el archivo.

Tampoco somos el único MCP de PDF que procesa en local: existen otros, como
`mcp-pdf` o `pdf-toolbox-mcp`. Compruébalo con cualquiera de ellos igual: mira
si pide una clave de API y si funciona sin internet.

## Cómo instalarlo

Para Claude Code, una línea:

```bash
claude mcp add sirdas -- npx -y @sirdaspdf/mcp@0.4.3
```

Para Claude Desktop, Cursor, VS Code o Windsurf, la configuración estándar de
MCP:

```json
{
  "mcpServers": {
    "sirdas": { "command": "npx", "args": ["-y", "@sirdaspdf/mcp@0.4.3"] }
  }
}
```

Y para comprobar que de verdad es local, la prueba que no admite discusión:

```bash
docker run --rm --network none -v "$PWD:/work" sirdas factura.pdf
```

`--network none` deja el contenedor sin interfaz de red. Si el comando devuelve
el documento leído, el trabajo ocurrió sin red.

## Una llamada que hace todo

El patrón que funciona con agentes no es exponer veinte herramientas pequeñas y
esperar que el modelo acierte la secuencia. Es una herramienta que haga el
trabajo completo y devuelva, además del resultado, **qué ofrecer después**:

```json
{
  "status": "ok",
  "document_type": "factura",
  "steps": ["Extracted text from 2 page(s).", "Identified as factura.",
            "Extracted 8 field(s) with page citations."],
  "fields": [
    { "name": "total", "value": "1.428.000", "page": 2,
      "evidence": "Total a pagar: $ 1.428.000" }
  ],
  "next_steps": [{ "tool": "pdf_tables", "why": "Export the line items to CSV." }],
  "bytes_sent": 0
}
```

Tres detalles pensados para agentes: `steps` explica qué se hizo, para que el
agente pueda contárselo al usuario; `evidence` permite citar en vez de afirmar; y
`next_steps` evita que el modelo tenga que adivinar cuál es la herramienta
siguiente.

## Lo que no hace

- **No lee escritura a mano** ni detecta una casilla marcada a bolígrafo sobre un
  escaneo. Eso necesita un modelo de visión.
- **No convierte gráficos en datos.**
- **No reproduce la maquetación** de Word, Excel o PowerPoint: los lee por su
  contenido, que es lo que un modelo necesita.

Decirlo importa, porque un agente que espera una capacidad que no existe falla de
forma confusa, no con un error claro.

## Por dónde empezar

La documentación completa, en Markdown para que la lea tu propio agente, está en
[la sección de desarrolladores](/es/desarrolladores/). Si quieres que el agente
se instale solo, pégale esto:

> Quiero que uses Sırdaş para leer y procesar mis documentos en mi propio equipo,
> sin subirlos a ningún servicio. Lee https://www.sirdaspdf.com/llms.txt, instala el
> servidor MCP, pruébalo con un PDF y dime qué puedes hacer ahora con mis
> archivos. Pídeme permiso antes de escribir o modificar archivos.