MCP-Saptiva
# MCP-Saptiva
MCP (Model Context Protocol) server para interactuar con los LLMs y herramientas de Saptiva AI.
## Instalación para Claude Code
### Paso 1: Obtén tu API Key
Ve a [https://lab.saptiva.com/](https://lab.saptiva.com/) y copia tu API key.
### Paso 2: Configura Claude Code
Abre tu terminal y ejecuta:
```bash
# Crear el directorio si no existe
mkdir -p ~/.claude
# Crear/editar el archivo de configuración
nano ~/.claude/settings.json
```
Pega esta configuración (reemplaza `TU_API_KEY`):
```json
{
"mcpServers": {
"saptiva": {
"command": "npx",
"args": ["-y", "github:saptiva-ai/MCP-Saptiva"],
"env": {
"SAPTIVA_API_KEY": "TU_API_KEY"
}
}
}
}
```
### Paso 3: Reinicia Claude Code
Cierra y vuelve a abrir Claude Code. El MCP estará disponible.
### Paso 4: Verifica que funciona
En Claude Code, pregunta:
```
¿Qué modelos de Saptiva tengo disponibles?
```
Claude debería usar `saptiva_list_models` y mostrarte los modelos.
---
## Herramientas Disponibles
| Herramienta | Descripción |
|-------------|-------------|
| `saptiva_chat` | Chat con cualquier modelo de Saptiva |
| `saptiva_reason` | Razonamiento paso a paso con Cortex |
| `saptiva_ocr` | Extraer texto de imágenes |
| `saptiva_embed` | Generar embeddings de texto |
| `saptiva_batch_embed` | Embeddings de múltiples textos |
| `saptiva_list_models` | Ver modelos disponibles y precios |
| `saptiva_help` | Documentación y ejemplos |
---
## Temas de Ayuda
Usa `saptiva_help` con estos temas:
```
quick_start → Inicio rápido
chat_example → Ejemplo de chat completo
reasoning_example → Usar Cortex para razonamiento
ocr_example → Extraer texto de imágenes
embedding_example → Generar embeddings
all_tools → Lista de herramientas
curl_examples → Comandos cURL
agents_sdk → Saptiva Agents SDK (Python)
```
---
## Modelos Disponibles
| Modelo | Ideal para | Precio (por M tokens) |
|--------|------------|----------------------|
| Saptiva Turbo | Respuestas rápidas | $0.20 / $0.60 |
| Saptiva Cortex | Razonamiento complejo | $0.30 / $0.80 |
| Saptiva Ops | RAG, búsqueda web | $0.20 / $0.60 |
| Saptiva OCR | Extracción de texto de imágenes | $0.15 / $0.50 |
| Saptiva Embed | Vectorización semántica | $0.01 / - |
| Saptiva KAL | Contexto legal México | $0.20 / $0.60 |
---
## Ejemplos de Uso en Claude Code
### Chat simple
```
Pregúntale a Saptiva Turbo: ¿Cuál es la capital de Francia?
```
### Razonamiento
```
Usa saptiva_reason para resolver: Si tengo 5 manzanas y como 2, ¿cuántas quedan?
```
### OCR
```
Extrae el texto de esta imagen: [URL de imagen]
```
### Embeddings
```
Genera el embedding de "Inteligencia artificial"
```
---
## Instalación Local (Desarrollo)
Si quieres modificar el MCP:
```bash
# Clonar
git clone https://github.com/saptiva-ai/MCP-Saptiva.git
cd MCP-Saptiva
# Instalar y construir
npm install
npm run build
# Configurar API key
cp .env.example .env
# Edita .env y agrega tu SAPTIVA_API_KEY
# Probar
node test-comprehensive.mjs
```
Para usar tu versión local, cambia la config:
```json
{
"mcpServers": {
"saptiva": {
"command": "node",
"args": ["/ruta/a/MCP-Saptiva/dist/index.js"],
"env": {
"SAPTIVA_API_KEY": "TU_API_KEY"
}
}
}
}
```
---
## Links
- [Saptiva API Docs](https://saptiva.gitbook.io/saptiva-docs)
- [Saptiva Agents SDK](https://saptiva.gitbook.io/saptiva-agents) - Framework Python para agentes
- [Obtener API Key](https://lab.saptiva.com/)
- [MCP Protocol](https://modelcontextprotocol.io/)
## License
MIT
TDQS
Scored across 7 tools
Each tool has a clearly distinct purpose: batch_embed and embed handle embeddings at different scales, chat and reason are for different types of model interactions, ocr is for image text extraction, list_models provides metadata, and help is for documentation. No overlap or ambiguity exists between these functions.
All tools follow a consistent 'saptiva_' prefix with descriptive snake_case names (e.g., saptiva_chat, saptiva_embed, saptiva_ocr). This pattern is uniform across all 7 tools, making them predictable and easy to identify.
With 7 tools, this server is well-scoped for an AI model service, covering core functionalities like chat, reasoning, embeddings, OCR, model listing, and help. Each tool earns its place without being overwhelming or insufficient for the domain.
The tool set covers key operations for an AI platform: chat, reasoning, embeddings (single and batch), OCR, model discovery, and help. A minor gap is the lack of tools for managing resources (e.g., deleting or updating models), but core workflows are well-supported.