Probador de indicaciones MCP

Un servidor MCP simple que permite a los agentes probar los mensajes LLM con diferentes proveedores.

Características

Indicaciones de prueba con OpenAI y modelos antrópicos
Configurar indicaciones del sistema, indicaciones del usuario y otros parámetros
Obtener respuestas formateadas o mensajes de error
Configuración sencilla del entorno con soporte para archivos .env

Related MCP server: MCP Anthropic Server

Instalación

# Install with pip pip install -e . # Or with uv uv install -e .

Configuración de la clave API

El servidor requiere claves API para los proveedores que desea utilizar. Puede configurarlas de dos maneras:

Opción 1: Variables de entorno

Establezca las siguientes variables de entorno:

OPENAI_API_KEY : su clave API de OpenAI
ANTHROPIC_API_KEY - Su clave API antrópica

Opción 2: Archivo .env (recomendado)

Cree un archivo llamado .env en el directorio de su proyecto o directorio de inicio
Agregue sus claves API en el siguiente formato:

OPENAI_API_KEY=your-openai-api-key-here ANTHROPIC_API_KEY=your-anthropic-api-key-here

El servidor detectará y cargará automáticamente estas claves.

Para mayor comodidad, se incluye una plantilla de muestra como .env.example .

Uso

Inicie el servidor utilizando stdio (predeterminado) o el transporte SSE:

# Using stdio transport (default) prompt-tester # Using SSE transport on custom port prompt-tester --transport sse --port 8000

Herramientas disponibles

El servidor expone las siguientes herramientas para agentes habilitados para MCP:

1. lista_de_proveedores

Recupera los proveedores LLM disponibles y sus modelos predeterminados.

Parámetros:

No se requiere ninguno

Ejemplo de respuesta:

{ "providers": { "openai": [ { "type": "gpt-4", "name": "gpt-4", "input_cost": 0.03, "output_cost": 0.06, "description": "Most capable GPT-4 model" }, // ... other models ... ], "anthropic": [ // ... models ... ] } }

2. comparación de pruebas

Compara múltiples indicaciones una al lado de la otra, lo que le permite probar diferentes proveedores, modelos y parámetros simultáneamente.

Parámetros:

comparisons (matriz): una lista de 1 a 4 configuraciones de comparación, cada una de las cuales contiene:
- provider (cadena): el proveedor LLM que se utilizará ("openai" o "anthropic")
- model (cadena): El nombre del modelo
- system_prompt (cadena): El mensaje del sistema (instrucciones para el modelo)
- user_prompt (cadena): El mensaje/mensaje del usuario
- temperature (número, opcional): controla la aleatoriedad
- max_tokens (entero, opcional): Número máximo de tokens a generar
- top_p (número, opcional): controla la diversidad mediante el muestreo del núcleo

Ejemplo de uso:

{ "comparisons": [ { "provider": "openai", "model": "gpt-4", "system_prompt": "You are a helpful assistant.", "user_prompt": "Explain quantum computing in simple terms.", "temperature": 0.7 }, { "provider": "anthropic", "model": "claude-3-opus-20240229", "system_prompt": "You are a helpful assistant.", "user_prompt": "Explain quantum computing in simple terms.", "temperature": 0.7 } ] }

3. prueba_conversación_multiturno

Administra conversaciones de múltiples turnos con proveedores de LLM, lo que le permite crear y mantener conversaciones con estado.

Modos:

start : inicia una nueva conversación
continue : continúa una conversación existente
get : recupera el historial de conversaciones
list : enumera todas las conversaciones activas
close : cierra una conversación

Parámetros:

mode (cadena): Modo de operación ("inicio", "continuar", "obtener", "listar" o "cerrar")
conversation_id (cadena): ID único para la conversación (obligatorio para los modos continuar, obtener y cerrar)
provider (cadena): el proveedor LLM (obligatorio para el modo de inicio)
model (cadena): el nombre del modelo (obligatorio para el modo de inicio)
system_prompt (cadena): El indicador del sistema (necesario para el modo de inicio)
user_prompt (cadena): El mensaje del usuario (utilizado en los modos de inicio y continuación)
temperature (número, opcional): parámetro de temperatura para el modelo
max_tokens (entero, opcional): Máximo de tokens a generar
top_p (número, opcional): parámetro de muestreo top-p

Ejemplo de uso (para iniciar una conversación):

{ "mode": "start", "provider": "openai", "model": "gpt-4", "system_prompt": "You are a helpful assistant specializing in physics.", "user_prompt": "Can you explain what dark matter is?" }

Ejemplo de uso (para continuar una conversación):

{ "mode": "continue", "conversation_id": "conv_12345", "user_prompt": "How does that relate to dark energy?" }

Ejemplo de uso para agentes

Al utilizar el cliente MCP, un agente puede utilizar las herramientas de la siguiente manera:

import asyncio import json from mcp.client.session import ClientSession from mcp.client.stdio import StdioServerParameters, stdio_client async def main(): async with stdio_client( StdioServerParameters(command="prompt-tester") ) as (read, write): async with ClientSession(read, write) as session: await session.initialize() # 1. List available providers and models providers_result = await session.call_tool("list_providers", {}) print("Available providers and models:", providers_result) # 2. Run a basic test with a single model and prompt comparison_result = await session.call_tool("test_comparison", { "comparisons": [ { "provider": "openai", "model": "gpt-4", "system_prompt": "You are a helpful assistant.", "user_prompt": "Explain quantum computing in simple terms.", "temperature": 0.7, "max_tokens": 500 } ] }) print("Single model test result:", comparison_result) # 3. Compare multiple prompts/models side by side comparison_result = await session.call_tool("test_comparison", { "comparisons": [ { "provider": "openai", "model": "gpt-4", "system_prompt": "You are a helpful assistant.", "user_prompt": "Explain quantum computing in simple terms.", "temperature": 0.7 }, { "provider": "anthropic", "model": "claude-3-opus-20240229", "system_prompt": "You are a helpful assistant.", "user_prompt": "Explain quantum computing in simple terms.", "temperature": 0.7 } ] }) print("Comparison result:", comparison_result) # 4. Start a multi-turn conversation conversation_start = await session.call_tool("test_multiturn_conversation", { "mode": "start", "provider": "openai", "model": "gpt-4", "system_prompt": "You are a helpful assistant specializing in physics.", "user_prompt": "Can you explain what dark matter is?" }) print("Conversation started:", conversation_start) # Get the conversation ID from the response response_data = json.loads(conversation_start.text) conversation_id = response_data.get("conversation_id") # Continue the conversation if conversation_id: conversation_continue = await session.call_tool("test_multiturn_conversation", { "mode": "continue", "conversation_id": conversation_id, "user_prompt": "How does that relate to dark energy?" }) print("Conversation continued:", conversation_continue) # Get the conversation history conversation_history = await session.call_tool("test_multiturn_conversation", { "mode": "get", "conversation_id": conversation_id }) print("Conversation history:", conversation_history) asyncio.run(main())

Integración del agente MCP

Para los agentes con MCP, la integración es sencilla. Cuando su agente necesite probar las indicaciones de LLM:

Descubrimiento : el agente puede usar list_providers para descubrir los modelos disponibles y sus capacidades
Pruebas simples : para pruebas rápidas, utilice la herramienta test_comparison con una única configuración
Comparación : cuando el agente necesita evaluar diferentes indicaciones o modelos, puede usar test_comparison con múltiples configuraciones
Interacciones con estado : para conversaciones de múltiples turnos, el agente puede administrar una conversación utilizando la herramienta test_multiturn_conversation

Esto permite a los agentes:

Pruebe variantes de indicaciones para encontrar la redacción más eficaz
Comparar diferentes modelos para tareas específicas
Mantener el contexto en conversaciones de varios turnos
Optimizar parámetros como la temperatura y max_tokens
Seguimiento del uso y los costos de los tokens durante el desarrollo

Configuración

Puede configurar claves API y configuraciones de seguimiento opcionales mediante variables de entorno:

Claves API requeridas

OPENAI_API_KEY : su clave API de OpenAI
ANTHROPIC_API_KEY - Su clave API antrópica

Seguimiento de Langfuse opcional

El servidor admite Langfuse para el seguimiento y la observabilidad de las llamadas LLM. Estas configuraciones son opcionales:

LANGFUSE_SECRET_KEY - Su clave secreta de Langfuse
LANGFUSE_PUBLIC_KEY - Su clave pública de Langfuse
LANGFUSE_HOST : URL de su instancia de Langfuse

Si no desea utilizar el seguimiento de Langfuse, simplemente deje esta configuración vacía.

MCP Prompt Tester

Probador de indicaciones MCP

Características

Instalación

Configuración de la clave API

Opción 1: Variables de entorno

Opción 2: Archivo .env (recomendado)

Uso

Herramientas disponibles

1. lista_de_proveedores

2. comparación de pruebas

3. prueba_conversación_multiturno

Ejemplo de uso para agentes

Integración del agente MCP

Configuración

Claves API requeridas

Seguimiento de Langfuse opcional

Resources

Appeared in Searches

New MCP Servers

Latest Blog Posts

MCP directory API