Conjunto de ejercicios para que el alumno configure, consuma y construya MCP Servers desde Kiro, trabajando en modo Vibe coding. Cada ejercicio asume que el alumno ya tiene Kiro abierto en un workspace y sabe editar .kiro/settings/mcp.json.
Objetivo global: que el alumno entienda el ciclo completo de un MCP Server en Kiro — configurar → consumir desde el chat → construir uno propio → publicarlo.
Utilizando el MCP Server de Gradio Docs, construir una interfaz gráfica que muestre el funcionamiento de los principales widgets de Gradio (Textbox, Slider, Dropdown, Radio, Checkbox, File, Image, Dataframe).
Objetivo: que el alumno configure el MCP Server de Gradio Docs y lo use para asistir a Kiro en generar la aplicación en modo Vibe coding, pidiéndole que consulte el schema exacto de cada componente antes de escribir código.
Entregable: app_widgets.py ejecutable con uv run python app_widgets.py.
Utilizando el MCP Server de Tavily, construir un programa en Python que use como fuente la documentación de Statsmodels para que asista a Kiro en entender cómo generar código para estudiar la estadística del dataset NFL Statistics de Kaggle.
Pedirle a Kiro que, vía Tavily, consulte:
- Cómo hacer un test de normalidad (Shapiro, Jarque-Bera).
- Cómo ajustar una regresión OLS e interpretar
summary(). - Cómo construir un ANOVA de un factor.
Entregable: un script que produzca 3 reportes de texto con las interpretaciones.
Utilizar el MCP Server de Kaggle para integrarlo con Kiro. Pedir al alumno que explore el uso del MCP Server desde el chat de Kiro y le permita buscar datasets, modelos y competencias sobre tópicos indicados por el instructor (por ejemplo: "predicción de churn", "clasificación de imágenes médicas", "series temporales de energía").
Actividades mínimas:
- Buscar 3 datasets del tópico y listar licencias.
- Buscar 2 modelos publicados del mismo tópico.
- Buscar 1 competencia activa o pasada relacionada.
- Descargar el dataset que el alumno considere más limpio y justificar la decisión.
Referencia: documentación MCP Server Kaggle.
Utilizar el MCP Server de Hugging Face para integrarlo con Kiro. Pedir al alumno que explore el uso del MCP Server en el chat de Kiro y realice las siguientes actividades:
- Buscar y explorar recursos del Hub: modelos, datasets, Spaces y papers.
- Buscar en la documentación de Hugging Face con consultas en lenguaje natural (por ejemplo: "PEFT LoRA fine-tuning").
- Ejecutar herramientas de la comunidad vía apps de Gradio compatibles con MCP alojadas en Spaces.
- Traer los resultados de vuelta al asistente con metadata, enlaces y contexto.
Referencia: documentación MCP Server Hugging Face.
Entregable: un hallazgos.md con tabla de modelo/dataset/Space candidato para un caso de uso que el alumno elija.
Usando las capacidades de Gradio para exponer la UI como MCP Server, crear un MCP Server que se utilice en Kiro. Sugerir un escenario sencillo y didáctico con 5 Tools.
Escenario propuesto: "Asistente de CSV local". Tools a exponer:
list_csvs(folder)— Lista los CSV de una carpeta con tamaño y número de filas.describe_csv(path)— Devuelvedf.describe()en formato markdown.column_stats(path, column)— Estadísticos de una columna (media, mediana, std, nulos).plot_histogram(path, column)— Genera un PNG del histograma y lo devuelve como archivo.filter_rows(path, column, operator, value)— Filtra y devuelve las primeras 20 filas.
Exponer con gr.Interface.launch(mcp_server=True) y registrar en .kiro/settings/mcp.json.
Si es necesario, utilizar Kiro en modo Vibe para generar el código del MCP Server
Entregable: servidor funcional + 3 prompts de ejemplo usándolo desde el chat de Kiro.
Construir el mismo MCP Server del ejercicio 2.1 pero utilizando Spec Driven Development y con el fin de entender el ciclo de construcción que va de Requerimientos a Diseño a Tareas de construcción.
Considerar que este ejercicio va a tomar tiempo y atención del alumno.
Entregable: servidor funcional + 3 prompts de ejemplo usándolo desde el chat de Kiro. Los documentos generados por Kiro para cada fase de Requerimientos a Diseño a Tareas de construcción.
- Usar siempre
uvcomo gestor de entorno y paquetes (uv init,uv add,uv run). Nuncapip installdirecto. - Placeholders de credenciales en
mcp.jsondeben serYOUR_XXX_API_KEY, nunca el valor real. - Cada ejercicio se entrega en una carpeta propia dentro del workspace con su
README.md.