Breaking the Model Context Protocol

Obra especializada de Thejes Sree Satheesh Kumar y Srinivasan Sekar publicada por Apress (2026) que aborda de lleno la seguridad ofensiva y defensiva en sistemas de inteligencia artificial integrados con el estándar Model Context Protocol (MCP). El texto se fundamenta en la especificación de MCP promovida originalmente por Anthropic y transferida a la Agentic AI Foundation de la Linux Foundation. Está dirigido a ingenieros de seguridad, especialistas en pruebas de penetración (pentesting), equipos de Red Team y Blue Team, y arquitectos de software de nivel intermedio que ya entienden la interacción con modelos de lenguaje mediante llamadas a funciones o herramientas (tool calling) y necesitan dominar los vectores de vulnerabilidad inherentes a los flujos agentic autónomos.

El recorrido técnico descompone minuciosamente las fronteras de confianza del protocolo y la cadena de ataque (kill chain) específica para agentes de IA. Enseña a identificar y ejecutar ataques de envenenamiento avanzado de herramientas (Advanced Tool Poisoning Attacks o ATPA), ocultamiento de firmas maliciosas mediante parámetros invisibles, abusos basados en muestreo (sampling abuse) y técnicas de elicitación que instrumentalizan formularios y páginas web comunes. Asimismo, profundiza en vectores a nivel de red y entorno como la revinculación de DNS (DNS rebinding) contra redes internas, la inserción de servidores MCP maliciosos, problemas de autorización del diputado confundido (confused deputy) por propagación implícita de privilegios, y el modelo de WebMCP donde el propio navegador web opera como servidor autenticado. En el frente defensivo, instruye sobre validación estricta de esquemas, contratos de capacidades, telemetría y auditoría en tiempo real, junto con políticas de mínimo privilegio para limitar el radio de impacto (blast radius).

A lo largo de sus doce capítulos organizados en seis partes temáticas, el libro plantea una estructura de confrontación activa entre Red Team y Blue Team apoyada en laboratorios prácticos de explotación y respuesta, compilando las contramedidas en la guía de referencia Defender's Pocket Playbook. Su principal valor radica en ser uno de los primeros recursos dedicados a la seguridad de la capa de integración de agentes, demostrando cómo un atacante ya no necesita vulnerar el servidor si puede subvertir el razonamiento probabilístico del modelo mediante herramientas envenenadas. No enseña a programar agentes desde cero ni profundiza en matemáticas de deep learning, por lo que se requiere experiencia previa en seguridad de aplicaciones web, redes y consumo de APIs bajo formatos REST y JSON-RPC.