Un chatbot de atención al cliente con MongoDB, montado en AKS de Azure y…

1. Instalar stack MCP con mcpflix ⏱ 15m

Ejecuta el CLI de mcpflix para instalar los servidores MCP (MongoDB, Pinecone, Anthropic API) en tu entorno local. El CLI te solicitará las credenciales de cada servicio y escribirá la configuración en claude_desktop_config.json automáticamente.

Done when:

• El comando npx mcpflix install <id> completa sin errores
• claude_desktop_config.json contiene entradas para mcpServers.mongodb, mcpServers.pinecone y mcpServers.anthropic-api

Files: ~/.claude/claude_desktop_config.json

Verify:

Loading code…

1. Crear cluster MongoDB Atlas ⏱ 30m · • medium-risk

Accede a MongoDB Atlas (mongodb.com/cloud) y crea un cluster compartido o dedicado. Configura la red para permitir conexiones desde AKS usando IP whitelist o VPC peering. Anota la connection string de MongoDB.

Done when:

• El cluster está activo y accesible desde tu máquina local
• Tienes la connection string en formato mongodb+srv://user:pass@cluster.mongodb.net/dbname

Accounts: MongoDB Atlas

1. Configurar Pinecone para embeddings ⏱ 15m

Regístrate en Pinecone (pinecone.io) y crea un índice con dimensión 1536 (compatible con embeddings de Claude). Obtén tu API key. Este índice almacenará embeddings de conversaciones previas para búsqueda semántica.

Done when:

• El índice Pinecone está creado y activo
• Tienes la API key de Pinecone y el nombre del índice

Accounts: Pinecone

1. Obtener credenciales de Azure AI Foundry ⏱ 15m

Accede a Azure Portal, navega a Azure AI Foundry y crea un proyecto. Genera una API key y anota el endpoint. Estos datos permitirán que el chatbot acceda a modelos de Azure (si decides usarlos como fallback además de Claude).

Done when:

• Tienes una API key de Azure AI Foundry válida
• El endpoint del proyecto está documentado

Accounts: Azure (suscripción activa)

1. Desplegar chatbot en AKS ⏱ 60m · ⚠ high-risk

Crea un Dockerfile para tu aplicación Node.js/Python que use los servidores MCP. Construye la imagen, súbela a Azure Container Registry (ACR), y despliégala en AKS usando Helm o kubectl. Configura variables de entorno para MongoDB, Pinecone y Azure AI Foundry en los Secrets de Kubernetes.

Done when:

• El pod del chatbot está corriendo en AKS (kubectl get pods)
• Las variables de entorno MONGODB_URI, PINECONE_API_KEY y AZURE_AI_KEY están inyectadas en el contenedor

Files: Dockerfile, kubernetes/deployment.yaml, kubernetes/secrets.yaml, .env.example

Env vars: MONGODB_URI, PINECONE_API_KEY, PINECONE_INDEX_NAME, AZURE_AI_ENDPOINT, AZURE_AI_KEY, ANTHROPIC_API_KEY Services: Azure AKS cluster activo, Azure Container Registry, kubectl configurado

Verify:

Loading code…

Rollback: kubectl rollout undo deployment/chatbot-deployment

1. Implementar flujo de conversación con RAG ⏱ 120m · ⚠ high-risk

Escribe la lógica del chatbot: (1) Recibe mensaje del cliente, (2) Busca en Pinecone conversaciones similares previas, (3) Recupera contexto de MongoDB, (4) Envía a Claude (vía Anthropic API MCP) con contexto, (5) Guarda la respuesta y embedding en MongoDB y Pinecone. Usa /data-explore para validar patrones de datos.

Done when:

• El chatbot responde a mensajes de prueba con contexto relevante de conversaciones previas
• Cada conversación se persiste en MongoDB con timestamp y embedding en Pinecone

Files: src/chatbot/rag-handler.ts, src/chatbot/conversation-manager.ts, src/utils/embedding-service.ts

Services: Node.js 18+, Python 3.9+ (opcional para embeddings)

Rollback: git revert <commit-hash> && kubectl rollout restart deployment/chatbot-deployment

1. Ejecutar auditoría de seguridad ⏱ 30m

Usa /security-audit para escanear el código del chatbot en busca de secretos hardcodeados, credenciales de MongoDB/Pinecone expuestas y vulnerabilidades OWASP. Revisa y corrige cualquier hallazgo antes de desplegar a producción.

Done when:

• No hay secretos hardcodeados en el código fuente
• Todas las credenciales se cargan desde variables de entorno o Kubernetes Secrets

1. Verificar chatbot en Claude Code ⏱ 30m

Abre Claude Code, conecta a tu instancia de AKS y prueba el chatbot con mensajes de prueba. Verifica que las respuestas incluyen contexto de conversaciones previas y que los datos se persisten correctamente en MongoDB. Revisa los logs de AKS para errores.

Done when:

• El chatbot responde a mensajes dentro de 2-3 segundos
• Las conversaciones aparecen en MongoDB Atlas
• No hay errores en kubectl logs

Verify:

Loading code…