mcp-sparkit
Officialsparkit-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, wennresearchzurückkehrte, bevor der Auftrag abgeschlossen war, oder um einen früheren Bericht erneut aufzurufen.
Installation
uv tool install sparkit-mcpOder mit pip:
pip install sparkit-mcpBeides 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
Registrieren Sie sich unter https://app.sparkit.science/signup (Try-it kostet 10 $ für 5 Abfragen; Abonnements beginnen bei 50 $/Monat).
Besuchen Sie https://app.sparkit.science/keys und erstellen Sie einen Schlüssel.
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.jsonWindows:
%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-mcpAusprobieren
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 |
| (erforderlich) | Bearer-Schlüssel von https://app.sparkit.science/keys. |
|
| Überschreiben der API-Basis-URL. Nützlich für Staging oder selbst gehostete Bereitstellungen. |
|
| Timeout pro HTTP-Anfrage. Beeinflusst nicht die Gesamtwartezeit für |
Tool-Referenz
research(question, response_format?, include_citations?, max_wait_seconds?)
Argument | Typ | Standard | Beschreibung |
| string | — | Die wissenschaftliche Frage. Erforderlich. Seien Sie spezifisch. |
|
|
| Länge des zurückgegebenen Markdown-Berichts. |
| boolean |
| Auf |
| int (30-540) |
| 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.logWindows:
%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 toolsget_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
Scored across 2 tools
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.
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.
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.
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
Related MCP Connectors
Open scientific and engineering knowledge for AI agents: search, evidence, document publishing.
Research papers for AI agents: PubMed, arXiv, Crossref; citations, references, open access texts
Academic papers, reference verification and research data for AI agents.
Search peer-reviewed papers and research methodology guidance from your AI agent.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceTurn any AI agent into an academic researcher that can search, read, cite, and write full literature reviews autonomously.14MIT
- AlicenseNot gradedqualityDmaintenanceEnables scientific literature research through multi-agent search, analysis, and semantic memory, exposing 9 MCP tools for querying, storing, and retrieving research findings.15 PyPI2MIT
- FlicenseNot gradedqualityCmaintenanceEnables AI agents to search and retrieve academic papers from arXiv and PubMed with citation-grade extraction, providing clean citations and summaries.-
- AlicenseNot gradedqualityBmaintenanceEnables 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.3MIT