SJTU MCP
SJTU MCP
Inglés | 中文
Convierte tu clave de API de SJTU Zhiyuan No.1 en algo que realmente puedas usar en Claude Code y Codex.
SJTU MCP envuelve la API de modelos alojada en SJTU como un servidor MCP local, para que puedas llamar a estos modelos directamente desde tu flujo de trabajo de agente normal en lugar de escribir scripts de integración manualmente una y otra vez.
Por qué existe esto
¿Ya has solicitado una clave de API de SJTU Zhiyuan No.1, pero aún te resulta difícil usarla en la práctica?
Este proyecto existe para resolver exactamente ese problema:
ya tienes acceso a la API
quieres usarla desde
Claude CodeoCodexpero el endpoint de SJTU en sí no se conecta directamente a estas herramientas de agente de forma inmediata
no quieres reescribir la capa de integración cada vez
Related MCP server: Claude-LMStudio-Bridge
Aspectos destacados
Compatible con
Claude CodeCompatible con
CodexCompatible con tareas de texto y visión
Utiliza el endpoint de SJTU compatible con OpenAI
Se adapta de forma natural a los flujos de trabajo MCP existentes
Contenidos
Inicio rápido
Para la mayoría de los usuarios, el camino más sencillo es:
git cloneeste repositoriocdal directorio del proyectoinstalarlo una vez
añadirlo como un servidor MCP global en
Claude CodeoCodex
git clone https://github.com/EternalWavee/sjtu-mcp.git
cd sjtu-mcp
pip install -e .Después de la instalación, tu cliente MCP puede iniciar el servidor automáticamente cuando sea necesario. En el uso normal, no necesitas ejecutar manualmente el comando del servidor cada vez.
Variables de entorno
Requeridas:
SJTU_API_KEY
Opcionales:
SJTU_API_BASE_URLSJTU_DEFAULT_TEXT_MODELSJTU_DEFAULT_REASONING_MODELSJTU_DEFAULT_VISION_MODELSJTU_REQUEST_TIMEOUT
Cómo usarlas:
.env.examplees solo una plantilla que muestra qué variables necesitasen el uso real, coloca estos valores en el bloque
envde tu configuración de MCP
Claude Code
Recomendado: Ámbito de usuario
Usa esto si quieres que sjtu esté disponible en todos tus proyectos de Claude Code en esta máquina.
claude mcp add sjtu --scope user -- python -m sjtu_mcp.serverLuego:
abre
~/.claude.jsonbusca la entrada
sjtucopia la sección
envde examples/claude-project.mcp.jsonreemplaza
your-api-keycon tu clave real
Verificar:
claude mcp listÁmbito de proyecto
Usa esto si quieres confirmar una configuración compartida en el repositorio para tus compañeros de equipo.
Cómo usarlo:
copia examples/claude-project.mcp.json en la raíz de tu proyecto como
.mcp.jsonreemplaza
your-api-keycon tu clave realajusta los modelos predeterminados y el tiempo de espera si es necesario
Ejemplo para Windows / macOS:
{
"mcpServers": {
"sjtu": {
"command": "python",
"args": ["-m", "sjtu_mcp.server"],
"env": {
"SJTU_API_BASE_URL": "https://models.sjtu.edu.cn/api/v1",
"SJTU_API_KEY": "your-api-key",
"SJTU_DEFAULT_TEXT_MODEL": "deepseek-chat",
"SJTU_DEFAULT_REASONING_MODEL": "deepseek-reasoner",
"SJTU_DEFAULT_VISION_MODEL": "qwen3vl",
"SJTU_REQUEST_TIMEOUT": "180"
}
}
}
}Ámbito local
Usa esto si solo quieres el servidor para el proyecto actual y no quieres confirmar la configuración.
claude mcp add sjtu --scope local -- python -m sjtu_mcp.serverLuego añade los mismos valores env a la entrada de configuración de MCP correspondiente.
Codex
Recomendado: Configuración global
Usa esto si quieres que sjtu esté disponible en todos tus proyectos de Codex en esta máquina.
codex mcp add sjtu -- python -m sjtu_mcp.serverLuego:
abre tu propio
~/.codex/config.tomlcopia el contenido de examples/codex-config.toml
reemplaza
your-api-keycon tu clave realguarda y recarga Codex o recarga MCP
Verificar:
codex mcp listConfiguración de archivo de configuración
Si ya gestionas ~/.codex/config.toml directamente, puedes usar esta plantilla:
[mcp_servers.sjtu]
command = "python"
args = ["-m", "sjtu_mcp.server"]
[mcp_servers.sjtu.env]
SJTU_API_BASE_URL = "https://models.sjtu.edu.cn/api/v1"
SJTU_API_KEY = "your-api-key"
SJTU_DEFAULT_TEXT_MODEL = "deepseek-chat"
SJTU_DEFAULT_REASONING_MODEL = "deepseek-reasoner"
SJTU_DEFAULT_VISION_MODEL = "qwen3vl"
SJTU_REQUEST_TIMEOUT = "180"Herramientas
sjtu_modelssjtu_textsjtu_visionsjtu_cheap_task
Ejemplo
Entrada
请调用 sjtu_vision 分析图片里面的内容 .assets/test.png
Salida

Uso sugerido de modelos
deepseek-chatpredeterminado para resúmenes, reescrituras, limpieza y tareas de texto de bajo riesgo
minimaxoglm-5útil para reescritura ligera, clasificación o extracción
deepseek-reasonermejor para tareas que realmente necesitan razonamiento de varios pasos
qwen3vlun punto de partida sólido para capturas de pantalla, extracción estilo OCR y comprensión de imágenes
qwen3coderútil para tareas de utilidad relacionadas con el código
Notas
Este servidor asume actualmente que el endpoint de SJTU admite
/modelsy/chat/completionscompatibles con OpenAI.Las imágenes locales se codifican como URLs de datos antes de enviarse.
Si tu endpoint del campus tiene peculiaridades específicas del modelo, extiende el enrutamiento en src/sjtu_mcp/server.py.
Available Tools
4 toolssjtu_cheap_taskC
Route common low-risk jobs like summarize, rewrite, classify, and extract.
Inputs: task (required), content (required), image_path, image_url, +1 more. Returns: result
sjtu_modelsA
List available models from the SJTU endpoint.
Inputs: no named parameters. Returns: result
sjtu_textC
Run a plain text task against the SJTU OpenAI-compatible API.
Inputs: prompt (required), model, system_prompt, temperature, +1 more. Returns: result
sjtu_visionC
Run an image understanding task against the default vision model.
Inputs: prompt (required), image_path, image_url, model, +3 more. Returns: result
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 4 tools
sjtu_cheap_task and sjtu_text both handle text tasks, creating potential confusion. sjtu_cheap_task specifies common low-risk jobs, but the boundary with sjtu_text is unclear. sjtu_models and sjtu_vision are distinct.
All tools share the consistent 'sjtu_' prefix and snake_case naming, but the pattern varies between adjective_noun (sjtu_cheap_task) and noun-only (sjtu_models, sjtu_text, sjtu_vision), which is mostly consistent with minor deviations.
Four tools is well-scoped for the SJTU endpoint, covering essential capabilities (listing models, text, vision, and a cheap task option) without unnecessary bloat.
The set covers core functionalities, but the overlap between sjtu_cheap_task and sjtu_text suggests redundancy; missing streaming or embeddings are minor gaps for basic use.
Maintenance
Related MCP Connectors
MCP server for OpenAI API (chat completions, image generation, embeddings) via AceDataCloud
MCP server for GLM chat completions using Zhipu AI models via AceDataCloud
MCP server for AI dialogue using various LLM models via AceDataCloud
BeautySpark MCP server for ChatGPT, Claude and other MCP clients
Related MCP Servers
- AlicenseAqualityBmaintenanceLocal MCP server that wraps the headless Claude Code CLI as MCP tools, providing stateless access to Claude's coding capabilities through prompt-based interactions. It enables users to execute Claude Code commands with various prompt formats and structured outputs directly from MCP clients.3MIT
- AlicenseNot gradedqualityFmaintenanceA simple MCP server that enables Claude to communicate with locally running LLM models via LM Studio.9MIT
- AlicenseNot gradedqualityCmaintenanceMCP server that lets Claude Code delegate mechanical tasks to a local LLM for summarization, classification, extraction, and drafting.32 npm15MIT
- AlicenseBqualityDmaintenanceMCP server that proxies GPT API calls for Claude Code, supporting multiple GPT models with both standard and streaming responses.2MIT