Rizel Scarlett lideró las relaciones con desarrolladores open-source en Block, donde Goose sigue siendo la implementación de referencia para nuevas funciones del protocolo. De MCP UI a MCP Apps, Goose es donde los estándares se topan con la realidad.

Este artículo está adaptado de una entrevista con Rizel Scarlett, entonces Tech Lead de Relaciones con Desarrolladores Open-Source en Block.

Antes de que MCP tuviera nombre, Block ya tenía un problema. La empresa atravesaba una reestructuración y un agente de AI interno llamado Goose ayudaba a los equipos a avanzar más rápido. Pero su sistema de extensiones exigía conocimientos de Python e integración personalizada para cada nueva herramienta.

Block contactó a Anthropic por esa fricción, solo para descubrir que Anthropic ya trabajaba en una solución llamada “Model Context Protocol”, es decir, MCP. Block se volvió contribuidor de la especificación antes de que saliera al público. Y Goose fue el primer cliente MCP disponible para todos.

Esa participación temprana marcó un patrón que sigue vigente. Cuando nuevas funciones de MCP necesitan una implementación de referencia, Goose suele ser el primer destino. Por eso tiene sentido que Block donara Goose junto con la donación de MCP por parte de Anthropic a la Agentic AI Foundation (AAIF) en noviembre de 2025.

Qué hace que un agente sea un agente

“La forma en que yo describiría [un agente] es software que hace tareas por ti”, le dijo Rizel Scarlett a RL Nabors durante una entrevista para la serie MCP MVP de Arcade. “A diferencia de algo como ChatGPT o Claude.ai, donde llevas una conversación de ida y vuelta: le preguntas algo, te sugiere algo, tienes que copiar y pegar. Con algo como Goose, puede hacer la tarea de verdad. Puede editar el código en tu IDE. Incluso puede tocar la configuración de tu sistema.”

Un agente es más que un modelo de lenguaje. Se puede decir que solo es tan bueno como el armazón que rodea al modelo. El LLM aporta el razonamiento, pero el armazón provee el ciclo, las herramientas y la capacidad de actuar. LLM, ciclo y herramientas juntos forman un agente, y son las interacciones entre esos tres elementos las que determinan su utilidad y calidad.

Rizel usó una analogía con los videojuegos retro: el LLM es el cartucho. Tiene el conocimiento, pero sin la consola, la fuente de poder y el control, no puede hacer nada útil. Goose es ese armazón. Conectas el modelo que quieras (Claude, GPT, Gemini o incluso modelos locales como Llama o Qwen), y Goose se encarga del ciclo agéntico: envía la entrada del usuario al modelo, recibe un plan, ejecuta herramientas e itera hasta completar la tarea.

“Somos open source”, dijo Rizel. “Puedes decir: me gusta Llama, me gusta Qwen, conéctalo. Así puedes tener un agente corriendo completamente de forma local.”

El Firefox de los agentes

Block es cofundador de la Agentic AI Foundation junto con Anthropic y OpenAI. Eso convierte a Goose en infraestructura neutral, no en un producto que puede quedar obsoleto por capricho corporativo.

“Una cosa que priorizamos con Goose es asegurarnos de que sea la implementación de referencia para MCP”, dijo Rizel. “Cualquier novedad que salga en la especificación debe poder probarse en Goose, ya sean elicitaciones, sampling o MCP Apps.”

Eso posiciona a Goose como campo de pruebas para funciones de MCP antes de que se finalicen. Los desarrolladores que construyen servidores MCP pueden probarlos contra Goose para ver cómo se comportarán sus herramientas en un cliente compatible.

De MCP UI a MCP Apps

El recorrido de MCP UI a MCP Apps muestra cómo evoluciona el ecosistema. MCP UI fue una función experimental que permitía a los agentes renderizar interfaces interactivas, no solo respuestas de texto. “Tu agente puede responder con más que texto”, explicó Rizel. “En lugar de decir ‘quiero comprar esta camisa’ y que Goose solo diga ‘Sí, puedes comprar una camisa azul’, te muestra una interfaz que dice: así se ve la camisa azul, puedes agregarla a tu carrito.”

Andrew Harvard, ingeniero de diseño en el equipo de Goose, vio el potencial e implementó el soporte para MCP UI rápidamente. La respuesta de la comunidad fue tan entusiasta que MCP UI evolucionó hacia MCP Apps, ahora parte de la especificación oficial.

La diferencia clave: MCP Apps puede hacer llamadas directas a herramientas. Con MCP UI, hacer clic en un botón solo podía volver a invocar la interfaz. Con MCP Apps, hacer clic en un botón puede invocar una herramienta. Puedes mostrar una lista de tweets, hacer clic en “responder” y que esa acción llame a la herramienta de respuesta sin romper la interfaz ni regresar al texto.

“Es una diferencia sutil”, señaló Nabors durante la demo, pero cambia mucho la experiencia: pasa de un chatbot a algo que se siente como una aplicación real.

MCP Apps ya tiene soporte en Goose, Claude, ChatGPT, Postman y MCP Jam. El patrón de alojar componentes de UI en endpoints, ya sea de forma local o pública, abre posibilidades que se sienten como la próxima generación de sistemas de diseño.

Tareas programadas, modelos líder-trabajador y flexibilidad local

Goose incluye funciones que ni siquiera los niveles de pago de los agentes comerciales siempre ofrecen. Las tareas programadas te permiten ejecutar agentes con un temporizador. El modelo líder-trabajador te permite asignar distintos modelos a distintos roles: uno para planear, otro para ejecutar y un tercero para revisar el código.

“Yo lo hago seguido cuando quiero que revisen mi código”, dijo Rizel. “Quiero que uno ejecute con la planificación y que el otro revise el código. Así hay menos sesgo.”

Para los desarrolladores que usan modelos locales, esta flexibilidad importa. Los modelos pequeños como Qwen pueden tener dificultades con el tool calling, pero ejecutan bien. Los modelos más grandes razonan mejor, pero son más lentos. Dividir responsabilidades entre modelos te permite optimizar tanto la velocidad como la calidad.

El setup personal de Rizel usa Claude Opus 4.5 como modelo principal, con Gemini o GPT-5.2 como alternativas. Para experimentación local, ha visto a desarrolladores obtener buenos resultados con Qwen 2.5 30B, aunque el tool calling sigue siendo un punto débil para la mayoría de los modelos locales.

Construye tu propio Claude Code

“Si quisieras construir tu propio Claude Code desde cero, podrías empezar con Goose”, dijo Rizel. “Es open source, forma parte de la Linux Foundation. No sería tan difícil tomar Goose, abrirlo, personalizar sus entrañas y hacerlo tuyo.”

Este es el argumento de Goose como infraestructura: no un producto que usas tal cual, sino una base sobre la que construyes, como Electron construye sobre Chrome para el desarrollo de apps. Y como Goose corre localmente, puedes integrarlo en flujos de trabajo que los agentes comerciales no pueden tocar: herramientas internas, sistemas aislados, requisitos de seguridad personalizados.

Cómo participar

El desarrollo de Goose ocurre en abierto. El equipo está activo en Discord, donde los usuarios hacen preguntas y proponen funciones. Las GitHub Discussions incluyen el roadmap de 2026, e issues disponibles para que los colaboradores los tomen.

“Lo mejor es que puedes usar Goose para ayudarte a resolver muchos de esos issues”, dijo Rizel. “Estamos abiertos a usar AI siempre que revises lo que se generó y lo pruebes.”

Encuentra Goose en YouTube para lives y tutoriales. Sigue a Rizel en redes sociales como @blackgirlbytes (“bytes” con Y).

MCP MVP es una serie de videos de Arcade con RL Nabors que destaca a los creadores que dan forma al ecosistema agéntico. Mira la entrevista completa con Rizel Scarlett →