SJTU MCP
SJTU MCP
Englisch | 中文
Verwandeln Sie Ihren SJTU Zhiyuan No.1 API-Schlüssel in etwas, das Sie tatsächlich in Claude Code und Codex verwenden können.
SJTU MCP kapselt die von der SJTU gehostete Modell-API als lokalen MCP-Server, sodass Sie diese Modelle direkt aus Ihrem normalen Agenten-Workflow aufrufen können, anstatt immer wieder Integrationsskripte von Hand schreiben zu müssen.
Warum gibt es das?
Haben Sie bereits einen SJTU Zhiyuan No.1 API-Schlüssel beantragt, finden es aber immer noch schwierig, ihn in der Praxis tatsächlich zu nutzen?
Dieses Projekt existiert genau, um dieses Problem zu lösen:
Sie haben bereits API-Zugriff
Sie möchten ihn von
Claude CodeoderCodexaus nutzenAber der SJTU-Endpunkt selbst lässt sich nicht direkt in diese Agenten-Tools integrieren
Sie möchten die Integrationsschicht nicht jedes Mal neu schreiben
Related MCP server: Claude-LMStudio-Bridge
Highlights
Unterstützt
Claude CodeUnterstützt
CodexUnterstützt sowohl Text- als auch Vision-Aufgaben
Verwendet den OpenAI-kompatiblen SJTU-Endpunkt
Passt sich natürlich in bestehende MCP-Workflows ein
Inhalt
Schnellstart
Für die meisten Benutzer ist der einfachste Weg:
git clonedieses Repositorycdin das ProjektverzeichnisEinmalig installieren
Als globalen MCP-Server in
Claude CodeoderCodexhinzufügen
git clone https://github.com/EternalWavee/sjtu-mcp.git
cd sjtu-mcp
pip install -e .Nach der Installation kann Ihr MCP-Client den Server bei Bedarf automatisch starten. Im normalen Gebrauch müssen Sie den Server-Befehl nicht jedes Mal manuell ausführen.
Umgebungsvariablen
Erforderlich:
SJTU_API_KEY
Optional:
SJTU_API_BASE_URLSJTU_DEFAULT_TEXT_MODELSJTU_DEFAULT_REASONING_MODELSJTU_DEFAULT_VISION_MODELSJTU_REQUEST_TIMEOUT
Wie man sie verwendet:
.env.exampleist nur eine Vorlage, die zeigt, welche Variablen Sie benötigenFügen Sie diese Werte bei der tatsächlichen Verwendung in den
env-Block Ihrer MCP-Konfiguration ein
Claude Code
Empfohlen: Benutzerbereich
Verwenden Sie dies, wenn sjtu in allen Ihren Claude Code-Projekten auf diesem Computer verfügbar sein soll.
claude mcp add sjtu --scope user -- python -m sjtu_mcp.serverDann:
Öffnen Sie
~/.claude.jsonSuchen Sie den
sjtu-EintragKopieren Sie den
env-Abschnitt aus examples/claude-project.mcp.jsonErsetzen Sie
your-api-keydurch Ihren echten Schlüssel
Überprüfung:
claude mcp listProjektbereich
Verwenden Sie dies, wenn Sie eine gemeinsame Konfiguration für Teamkollegen in das Repository einchecken möchten.
Anwendung:
Kopieren Sie examples/claude-project.mcp.json als
.mcp.jsonin Ihr ProjektstammverzeichnisErsetzen Sie
your-api-keydurch Ihren echten SchlüsselPassen Sie bei Bedarf Standardmodelle und Timeout an
Windows / macOS Beispiel:
{
"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"
}
}
}
}Lokaler Bereich
Verwenden Sie dies, wenn Sie den Server nur für das aktuelle Projekt benötigen und die Konfiguration nicht einchecken möchten.
claude mcp add sjtu --scope local -- python -m sjtu_mcp.serverFügen Sie dann dieselben env-Werte zum entsprechenden MCP-Konfigurationseintrag hinzu.
Codex
Empfohlen: Globale Einrichtung
Verwenden Sie dies, wenn sjtu in allen Ihren Codex-Projekten auf diesem Computer verfügbar sein soll.
codex mcp add sjtu -- python -m sjtu_mcp.serverDann:
Öffnen Sie Ihre eigene
~/.codex/config.tomlKopieren Sie den Inhalt aus examples/codex-config.toml
Ersetzen Sie
your-api-keydurch Ihren echten SchlüsselSpeichern und laden Sie Codex neu oder laden Sie MCP neu
Überprüfung:
codex mcp listKonfigurationsdatei-Einrichtung
Wenn Sie ~/.codex/config.toml bereits direkt verwalten, können Sie diese Vorlage verwenden:
[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"Tools
sjtu_modelssjtu_textsjtu_visionsjtu_cheap_task
Beispiel
Eingabe
请调用 sjtu_vision 分析图片里面的内容 .assets/test.png
Ausgabe

Empfohlene Modellnutzung
deepseek-chatStandard für Zusammenfassungen, Umschreibungen, Bereinigungen und risikoarme Textaufgaben
minimaxoderglm-5nützlich für leichtgewichtiges Umschreiben, Klassifizierung oder Extraktion
deepseek-reasonerbesser für Aufgaben, die wirklich mehrstufiges logisches Denken erfordern
qwen3vlein starker Ausgangspunkt für Screenshots, OCR-artige Extraktion und Bildverständnis
qwen3codernützlich für code-nahe Hilfsaufgaben
Hinweise
Dieser Server geht derzeit davon aus, dass der SJTU-Endpunkt OpenAI-kompatible
/modelsund/chat/completionsunterstützt.Lokale Bilder werden vor dem Senden als Daten-URLs kodiert.
Wenn Ihr Campus-Endpunkt modellspezifische Eigenheiten aufweist, erweitern Sie das Routing in 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.15MIT
- AlicenseBqualityDmaintenanceMCP server that proxies GPT API calls for Claude Code, supporting multiple GPT models with both standard and streaming responses.2MIT