Construyendo el copiloto: Spring Boot, PostgreSQL y extracción con IA

Primeros pasos en la creación de un servidor MCP con Spring Boot y Gemini: configuración del protocolo, diseño del modelo relacional y extracción automática de competencias.

Francisco Ramírez Cañadas
•
Código fuente mostrado en una pantalla durante la construcción de una aplicación de software

En esta primera etapa del proyecto tocaba resolver tres retos fundamentales: levantar la arquitectura base de Spring Boot con el starter de MCP, modelar la persistencia en PostgreSQL y aprovechar Gemini mediante Spring AI para procesar las descripciones desestructuradas de las ofertas.

Conectando el primer cliente MCP en Spring Boot

El primer paso fue configurar un proyecto con Spring Boot 4.1.1, Spring AI 2.0.1 y el starter de servidor MCP para Web MVC. Integrar el protocolo MCP en el ecosistema de Spring resulta sorprendentemente limpio gracias al soporte de herramientas (@Tool), que permite exponer métodos Java convencionales como capacidades que el modelo puede invocar de forma determinista.

El protocolo MCP permite que un asistente entienda qué funciones tiene a su alcance y con qué parámetros llamarlas. En la configuración actual, el servidor usa transporte SSE sobre Web MVC y expone el endpoint /sse. Los objetos anotados con @Tool se registran mediante MethodToolCallbackProvider, de modo que un cliente MCP compatible puede descubrir y ejecutar las capacidades del servidor.

El modelo de datos en PostgreSQL

Para no depender de texto plano o memorias volátiles de chat, diseñé un esquema relacional centrado en las necesidades de una búsqueda de empleo seria:

  • Empresas (Company): almacena la organización, sitio web e industria.
  • Habilidades (Skill y UserSkill): un catálogo normalizado de tecnologías, frameworks y conceptos (Java, Docker, Kubernetes, etc.) junto con las competencias que configuro para mi perfil.
  • Postulaciones (JobApplication): la entidad central, con el título del puesto, la URL, la descripción original, notas de seguimiento, rango salarial y estado actual.
  • Requisitos de la oferta (JobApplicationSkill): tabla intermedia que vincula cada oferta con las competencias detectadas, marcando si cada una es obligatoria o deseable.

Este diseño permite que las comparaciones futuras no dependan de búsquedas semánticas difusas, sino de relaciones explícitas en base de datos.

De texto sin formato a datos estructurados: extracción de habilidades

El problema recurrente al aplicar a ofertas de empleo es que cada empresa redacta sus descripciones como quiere: algunas usan listas de viñetas, otras párrafos densos y otras combinan requerimientos técnicos con beneficios de oficina.

Para solucionar esto sin tener que rellenar formularios infinitos a mano, implementé SkillExtractorService. Apoyándome en el cliente de chat de Spring AI y estructuración de salidas (structured output), el servicio toma el texto sin formato de la oferta y le pide al LLM:

  1. Identificar las tecnologías y habilidades clave mencionadas.
  2. Clasificar cada una entre obligatoria o secundaria.
  3. Organizar las competencias por categorías cuando el modelo las identifica.

El resultado devuelve un DTO SkillExtractionResponse. Al registrar la candidatura, las competencias obligatorias y deseables se normalizan y se guardan vinculadas al catálogo general de Skill. Con esto, registrar una oferta pasa de ser un tedioso copia-pega a una simple orden conversacional: “He encontrado esta oferta de Backend; guarda el texto y extrae sus requisitos”.

Lo que me llevo

Comenzar un proyecto de IA estructurando bien los cimientos clásicos de software (modelo relacional limpio, tipado estricto en Java y servicios bien delimitados) marca la diferencia. La IA no sustituye la arquitectura: la potencia cuando se le da un esquema claro donde escribir. En la próxima entrega, veremos cómo dotar de dinamismo a estas candidaturas mediante un ciclo de estados y cómo cruzar estos requisitos contra mi perfil técnico.