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

#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 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, 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.

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:

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

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

{
  "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:

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:

{
  "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. 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.