any-chat-completions-mcp MCP-Server

Was macht der “any-chat-completions-mcp” MCP-Server?

Der any-chat-completions-mcp MCP-Server fungiert als Brücke zwischen KI-Assistenten und jeder OpenAI SDK-kompatiblen Chat Completion API, wie OpenAI, Perplexity, Groq, xAI und PyroPrompts. Durch die Einhaltung des Model Context Protocol (MCP) ermöglicht er die nahtlose Integration externer LLM-Anbieter in Entwicklungs-Workflows. Seine Hauptfunktion besteht darin, chatbasierte Fragen an einen konfigurierten KI-Chat-Anbieter weiterzuleiten, sodass Entwickler verschiedene LLMs als Tools in ihrer bevorzugten Umgebung nutzen können. So wird das Wechseln zwischen Anbietern oder das Skalieren der LLM-Nutzung unkompliziert, was Flexibilität und Effizienz in KI-gestützten Anwendungen fördert.

Liste der Prompts

Im Repository oder in der Dokumentation werden keine Prompt-Templates erwähnt.

Bereit, Ihr Geschäft zu erweitern?

Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.

Demo anfragen Anmelden

Liste der Ressourcen

Im Repository oder README sind keine expliziten MCP-Ressourcen dokumentiert.

Liste der Tools

• chat: Leitet eine Frage an einen konfigurierten KI-Chat-Anbieter weiter. Dies ist das Haupt- (und einzige) Tool des Servers und ermöglicht es LLMs oder Clients, chatbasierte Anfragen an jeden OpenAI-kompatiblen API-Endpunkt zu senden.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Anwendungsfälle dieses MCP-Servers

• Vereinheitlichte LLM-Integration: Entwickler können über einen einzigen MCP-Server mehrere LLM-Anbieter nutzen, ohne ihren Client-Code zu ändern – das vereinfacht das Anbietermanagement.
• Provider Switching: Wechseln Sie einfach zwischen OpenAI, PyroPrompts, Perplexity und anderen, indem Sie Umgebungsvariablen aktualisieren – nützlich für Kostenoptimierung oder Fallback-Strategien.
• Eigene Desktop-KI-Agenten: Integrieren Sie fortschrittliche chatbasierte LLMs in Desktop-Anwendungen (z.B. Claude Desktop), um erweiterte Assistentenfunktionen bereitzustellen.
• Experimentieren und Benchmarking: Vergleichen Sie schnell die Ergebnisse verschiedener LLMs in standardisierter Form für Forschung, Qualitätssicherung oder Produktentwicklung.
• API-Gateway für LLMs: Agiert als schlankes Gateway für das sichere Routing von Chat-Nachrichten an verschiedene LLM-APIs und zentralisiert die Verwaltung von API-Schlüsseln und Endpunkten.

Einrichtung

Windsurf

Für Windsurf sind im Repository oder in der Dokumentation keine plattformspezifischen Anweisungen vorhanden.

Claude

1. Voraussetzung: Stellen Sie sicher, dass Node.js und npx installiert sind.
2. Konfigurationsdatei finden: Bearbeiten Sie claude_desktop_config.json (unter MacOS: ~/Library/Application Support/Claude/claude_desktop_config.json; unter Windows: %APPDATA%/Claude/claude_desktop_config.json).
3. MCP-Server hinzufügen: Fügen Sie die MCP-Server-Konfiguration unter dem Objekt mcpServers hinzu.
4. Umgebungsvariablen setzen: Tragen Sie Provider-API-Schlüssel und weitere Informationen ins env-Objekt ein.
5. Speichern und Neustarten: Speichern Sie die Datei und starten Sie Claude Desktop neu, um die Änderungen zu übernehmen.

Beispiel-JSON:

{
  "mcpServers": {
    "chat-openai": {
      "command": "npx",
      "args": [
        "@pyroprompts/any-chat-completions-mcp"
      ],
      "env": {
        "AI_CHAT_KEY": "OPENAI_KEY",
        "AI_CHAT_NAME": "OpenAI",
        "AI_CHAT_MODEL": "gpt-4o",
        "AI_CHAT_BASE_URL": "v1/chat/completions"
      }
    }
  }
}

API-Schlüssel sichern (per Umgebungsvariablen):

"env": {
  "AI_CHAT_KEY": "IHR_PROVIDER_KEY"
}

Cursor

Für Cursor sind im Repository oder in der Dokumentation keine plattformspezifischen Anweisungen vorhanden.

Cline

Für Cline sind im Repository oder in der Dokumentation keine plattformspezifischen Anweisungen vorhanden.

Nutzung dieses MCP in Flows

Verwendung von MCP in FlowHunt

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Bereich System-MCP-Konfiguration fügen Sie Ihre MCP-Server-Daten im folgenden JSON-Format ein:

{
  "MCP-name": {
    "transport": "streamable_http",
    "url": "https://ihremcpserver.beispiel/pathtothemcp/url"
  }
}

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Möglichkeiten verwenden. Denken Sie daran, “MCP-name” durch den tatsächlichen Namen Ihres MCP-Servers zu ersetzen (z.B. “github-mcp”, “weather-api” etc.) und die URL auf Ihre eigene MCP-Server-URL anzupassen.

Übersicht

Basierend auf dem obigen ist any-chat-completions-mcp ein schlanker, fokussierter MCP-Server, ideal um generische OpenAI-kompatible Chat-APIs als Tools einzubinden. Seine Stärke liegt in Einfachheit und breiter Kompatibilität, er bietet jedoch keine Ressourcen- oder Prompt-Abstraktionen. Für Routine-LLM-Integrationen ist er robust, Power-User könnten sich mehr Features wünschen. Insgesamt würde ich diesen MCP mit 6/10 für den allgemeinen Einsatz bewerten.

MCP-Bewertung