Cerrando el ciclo: preparación de entrevistas, Docker Compose y lecciones MCP
Generación de preguntas de entrevista contextualizadas, ejecución local con Docker Compose y reflexiones tras construir un servidor MCP real.
Con el modelo de datos consolidado, las postulaciones bajo seguimiento y el análisis de compatibilidad en marcha, llegamos a la última milla del proyecto: aprovechar toda esa información contextualizada para preparar entrevistas técnicas reales, simplificar el entorno local y evaluar qué aporta verdaderamente el protocolo MCP frente a los enfoques tradicionales.
Preparando entrevistas técnicas a partir de los requisitos
El día antes de una entrevista técnica suele reinar la dispersión: repasamos conceptos al azar o buscamos listas genéricas de “las 50 preguntas más frecuentes de Java”. Sin embargo, Job Hunt Copilot tiene una ventaja competitiva: conoce la descripción exacta del puesto, la empresa y las tecnologías asociadas.
Para capitalizar esto, desarrollé InterviewPrepService. Cuando invoco la herramienta MCP generar_preguntas_entrevista, el sistema:
- Recupera la oferta, el rol y todas las competencias vinculadas, distinguiendo obligatorias y deseables.
- Construye un prompt contextualizado con Spring AI y Gemini pidiendo entre 4 y 6 preguntas técnicas sobre escenarios prácticos, trade-offs y debugging, clasificadas por dificultad (EASY, MEDIUM, HARD).
- Persiste las preguntas generadas en la tabla
InterviewPrepQuestion, junto con la competencia relacionada y los puntos de una respuesta sugerida.
El resultado es un entrenamiento hiperenfocado: si la oferta hace hincapié en concurrencia y microservicios con Spring Boot, las preguntas incidirán exactamente en esos puntos críticos.
Despliegue y configuración con Docker Compose
Para simplificar el entorno local, el proyecto incluye en docker-compose.yaml un servicio de PostgreSQL.
El despliegue orquesta:
- PostgreSQL: con un volumen persistente para conservar los datos entre reinicios.
- Servidor MCP: se ejecuta aparte con Maven (
mvnw spring-boot:runomvnw.cmd spring-boot:run) y se conecta a la base de datos local. Hibernate actualiza el esquema mediantespring.jpa.hibernate.ddl-auto=update.
services:
postgres:
image: postgres:17-alpine
container_name: job_hunt_copilot_db
environment:
POSTGRES_DB: job_hunt_copilot
POSTGRES_USER: postgres
POSTGRES_HOST_AUTH_METHOD: trust
ports:
- "5432:5432"
volumes:
- pgdata:/var/lib/postgresql/data
Con docker compose up -d queda lista la base de datos. Después, el servidor se inicia con Maven y expone el endpoint SSE en http://localhost:8080/sse, listo para conectarse a GitHub Copilot, Cursor u otro cliente MCP compatible.
Qué aprendí construyendo una aplicación MCP para un problema real
Desarrollar Job Hunt Copilot me ha dejado varias conclusiones fundamentales sobre el desarrollo de software asistido por IA:
-
MCP desacopla el cliente de la lógica: las herramientas anotadas con
@Toolse registran en Spring AI y el servidor las ofrece mediante SSE. El backend se centra en la lógica de candidaturas, mientras el cliente decide cómo interactuar con ellas. -
La persistencia relacional sigue siendo insustituible: los LLM son excelentes razonando e interactuando, pero pésimos recordando estados a largo plazo o computando agregaciones matemáticas exactas. Delegar el almacenamiento y las consultas estadísticas en PostgreSQL y dejar que el LLM actúe como orquestador y sintetizador es la combinación ganadora.
-
El valor del contexto acotado: preparar una entrevista técnica no requiere un modelo gigante con billones de parámetros que lo sepa todo; requiere un modelo competente que reciba el contexto exacto de la vacante: su rol, descripción y competencias asociadas.
Este proyecto empezó como un ejercicio de aprendizaje y se ha convertido en mi herramienta diaria de trabajo. Resolver un problema propio es siempre la mejor manera de poner a prueba la tecnología real.