Skip to main content
Glama

sparkit-mcp

MCP-Server für SPARKIT — rufen Sie den wissenschaftlichen Forschungsagenten aus Claude Desktop, Cursor, Claude Code oder einem anderen MCP-kompatiblen Client auf.

Zwei Tools werden bereitgestellt:

  • research — eine wissenschaftliche Frage einreichen. SPARKIT durchsucht die Literatur, liest die relevanten Arbeiten und gibt einen zitierten Markdown-Bericht zurück. Blockiert, bis der Auftrag abgeschlossen ist (Standard 4 Min.), und gibt den vollständigen Bericht inline zurück.

  • get_job_status — einen zuvor eingereichten Auftrag anhand der ID abrufen. Nützlich, wenn research zurückkehrte, bevor der Auftrag abgeschlossen war, oder um einen früheren Bericht erneut aufzurufen.

Installation

uv tool install sparkit-mcp

Oder mit pip:

pip install sparkit-mcp

Beides installiert ein sparkit-mcp-Konsolenskript. (Vorabversion: Installieren Sie direkt von GitHub mit uv tool install "git+https://github.com/SPARKIT-science/sparkit-mcp.git" bis die erste PyPI-Version erscheint.)

Related MCP server: scholar-memory

API-Schlüssel erhalten

  1. Registrieren Sie sich unter https://app.sparkit.science/signup (Try-it kostet 10 $ für 5 Abfragen; Abonnements beginnen bei 50 $/Monat).

  2. Besuchen Sie https://app.sparkit.science/keys und erstellen Sie einen Schlüssel.

  3. Kopieren Sie den Schlüssel — er wird nur einmal angezeigt.

Konfigurieren Sie Ihren MCP-Client

Claude Desktop

Bearbeiten Sie claude_desktop_config.json:

  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

  • Windows: %APPDATA%\Claude\claude_desktop_config.json

Fügen Sie hinzu:

{
  "mcpServers": {
    "sparkit": {
      "command": "sparkit-mcp",
      "env": {
        "SPARKIT_API_KEY": "sk_sparkit_..."
      }
    }
  }
}

Starten Sie Claude Desktop neu. Sie sollten sparkit im Tool-Symbol neben der Chateingabe sehen.

Wenn sparkit-mcp nicht im PATH von Claude Desktop enthalten ist (häufig bei uv tool), verwenden Sie den absoluten Pfad:

"command": "/Users/you/.local/bin/sparkit-mcp"

(Finden Sie den Pfad mit which sparkit-mcp nach uv tool install.)

Cursor

Bearbeiten Sie ~/.cursor/mcp.json (oder .cursor/mcp.json in Ihrem Projekt):

{
  "mcpServers": {
    "sparkit": {
      "command": "sparkit-mcp",
      "env": {
        "SPARKIT_API_KEY": "sk_sparkit_..."
      }
    }
  }
}

Laden Sie Cursor neu (Cmd+Shift+P → "Reload Window").

Claude Code

claude mcp add sparkit -e SPARKIT_API_KEY=sk_sparkit_... -- sparkit-mcp

Ausprobieren

Fragen Sie nach der Konfiguration das LLM:

Verwende SPARKIT, um die aktuellste Literatur zur Rolle von WRNIP1 als synthetisch-letales Ziel bei Krebs zu recherchieren.

Das LLM ruft research auf. Erwarten Sie eine Wartezeit von 60-180 Sekunden, gefolgt von einem Markdown-Bericht mit Inline-Zitaten und einer nummerierten Quellenliste.

Konfiguration

Umgebungsvariable

Standard

Beschreibung

SPARKIT_API_KEY

(erforderlich)

Bearer-Schlüssel von https://app.sparkit.science/keys.

SPARKIT_API_BASE

https://jlsteenwyk--sparkit-api-web.modal.run

Überschreiben der API-Basis-URL. Nützlich für Staging oder selbst gehostete Bereitstellungen.

SPARKIT_API_TIMEOUT_SECONDS

30

Timeout pro HTTP-Anfrage. Beeinflusst nicht die Gesamtwartezeit für research; das ist max_wait_seconds.

Tool-Referenz

research(question, response_format?, include_citations?, max_wait_seconds?)

Argument

Typ

Standard

Beschreibung

question

string

—

Die wissenschaftliche Frage. Erforderlich. Seien Sie spezifisch.

response_format

"full" oder "brief"

"full"

Länge des zurückgegebenen Markdown-Berichts.

include_citations

boolean

true

Auf true lassen für Berichte mit Quellenangaben.

max_wait_seconds

int (30-540)

240

Wie lange gewartet werden soll, bevor die job_id mit Anweisungen zum Abrufen zurückgegeben wird.

Gibt Markdown zurück. Bei einem Timeout wird eine Statuszeile mit der job_id zurückgegeben, damit das LLM später get_job_status aufrufen kann.

get_job_status(job_id)

Gibt den zitierten Markdown-Bericht zurück, wenn der Auftrag abgeschlossen ist, eine Statuszeile, wenn er noch läuft, oder andernfalls eine Fehlermeldung.

Fehlerbehebung

Authentifizierung fehlgeschlagen — SPARKIT_API_KEY ist nicht gesetzt oder ungültig. Überprüfen Sie claude_desktop_config.json auf Tippfehler; starten Sie Claude Desktop nach Änderungen neu.

Kontingent erschöpft — keine monatlichen Abfragen / Try-it-Guthaben mehr verfügbar. Besuchen Sie https://app.sparkit.science/billing.

Tool erscheint nicht in Claude Desktop — überprüfen Sie das Claude Desktop-Protokoll:

  • macOS: ~/Library/Logs/Claude/mcp-server-sparkit.log

  • Windows: %LOCALAPPDATA%\Claude\Logs\mcp-server-sparkit.log

Das häufigste Problem ist, dass command: sparkit-mcp nicht im PATH ist; ersetzen Sie es durch den absoluten Pfad von which sparkit-mcp.

Auftrag läuft ab (Timeout) — das Limit für max_wait_seconds beträgt 540s (9 Min.). Bei sehr tiefgreifenden Fragen reichen Sie den Auftrag ein und rufen Sie dann get_job_status ab, anstatt inline zu warten. SPARKIT bricht Aufträge, die sein eigenes internes Limit überschreiten, ebenfalls automatisch ab.

Lizenz

MIT.

Available Tools

2 tools
get_job_statusA

Fetch the current status (and result if done) of a SPARKIT job.

Use this when research returned before the job finished, or to revisit a previous result by id.

Args: job_id: The id returned by a prior research call.

Returns the cited Markdown report if the job has completed, a status line if it's still running, or a failure message otherwise.

Inputs: job_id (required). Returns: result

researchA

Submit a scientific question to the SPARKIT research agent.

SPARKIT searches the literature, reads relevant papers, and returns a cited Markdown report. Best for questions where a correct answer requires synthesizing across multiple primary sources.

Args: question: Free-text scientific question. Be specific — "Which kinases are upregulated in pancreatic cancer with evidence from human tissue?" works better than "tell me about pancreatic cancer." response_format: "full" (default) for a multi-paragraph Markdown report, or "brief" for a tighter summary. include_citations: Keep True (default) so the report is usable for downstream work; only set False if you specifically want unsourced prose. max_wait_seconds: How long to block waiting for the job before returning the job_id with instructions to poll via get_job_status. Default 240s (4 min). Range 30-540.

Returns the cited Markdown report on success. If the job is still running at the wait limit, returns the job_id and status so the caller can resume with get_job_status.

Inputs: question (required), response_format, include_citations, max_wait_seconds. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A4.5/5.0

    Scored across 2 tools

    Disambiguation5/5

    The two tools have clearly distinct purposes: 'research' submits a scientific question and returns either a report or a job ID, while 'get_job_status' retrieves the status or result of a previously submitted job. There is no overlap in functionality.

    Naming Consistency4/5

    Both tool names use snake_case, but 'research' is a single-word noun while 'get_job_status' follows a verb_noun pattern. This minor inconsistency prevents a perfect score.

    Tool Count4/5

    With only two tools, the server covers the essential workflow of submitting a research job and checking its status. While minimal, the count is appropriate for the narrow scope of a scientific research agent.

    Completeness3/5

    The tool set covers the primary use case (submit and retrieve results), but lacks features like job listing, cancellation, or retry. For a simple agent this may suffice, but there are notable gaps in lifecycle management.

    Maintenance

    ActivityInactive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      D
      maintenance
      Enables scientific literature research through multi-agent search, analysis, and semantic memory, exposing 9 MCP tools for querying, storing, and retrieving research findings.
      15 PyPI
      2
      MIT
    • F
      license
      Not graded
      quality
      C
      maintenance
      Enables AI agents to search and retrieve academic papers from arXiv and PubMed with citation-grade extraction, providing clean citations and summaries.
      -
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables AI agents to run reproducible, high-recall literature search across seven source families with RRF fusion, fetch open-access full texts (falling back to abstracts), expand citations, export BibTeX/RIS, and audit reference coverage — all without any LLM API key, leaving query planning and writing to the agent. Multiple agent clients share one accumulating literature pool and background search jobs that keep running after sessions close.
      3
      MIT