Primate Intelligence

Análisis de video en tiempo real para agentes de IA: envía una URL de video, haz una pregunta en inglés sencillo, y obtén una respuesta determinista de sí/no con puntuación de confianza y marcas de tiempo del clip.

GitHub

Documentación

@primate-intelligence/mcp

Servidor MCP (Model Context Protocol) para la API de análisis de video Primate Vision — una API de comprensión de video de Primate Intelligence (docs · llms.txt).

Proporciona a los agentes de IA comprensión de escenas de video como herramientas: registrar un video, hacer una pregunta en inglés sencillo, obtener una respuesta determinista con una puntuación de confianza y marcas de tiempo de clip. Sin descripciones alucinadas — la respuesta es yes / no / indeterminate con evidencia.

Pruébalo gratis

Una clave de prueba gratuita no requiere correo electrónico, ni tarjeta, ni registro:

curl -X POST https://api.primateintelligence.ai/v1/sandbox

Tu agente de IA puede hacer esto por ti — directamente desde Claude. Apúntalo a primateintelligence.ai/llms.txt y puede descubrir, aprovisionar, integrar y auto-verificar con cero pasos humanos.

Dos formas de conectarse

1. Servidor remoto (recomendado) — OAuth, nada que instalar

Endpoint HTTP con streaming con OAuth 2.1 completo + Registro Dinámico de Clientes + PKCE:

https://api.primateintelligence.ai/mcp

En Claude.ai / Claude Desktop: Configuración → Conectores → Añadir conector personalizado, pega la URL, inicia sesión. Sin manejo de claves API — el flujo OAuth emite y rota los tokens por ti.

2. Servidor stdio local

// claude_desktop_config.json · .mcp.json · mcp.json · .cursor/mcp.json
{
  "mcpServers": {
    "primate-intelligence": {
      "command": "npx",
      "args": ["-y", "@primate-intelligence/mcp"],
      "env": { "PRIMATE_API_KEY": "pv_live_…" }
    }
  }
}

Herramientas

Herramienta	Función	Solo lectura
`create_video_from_url`	Registrar un video desde una URL https pública (`POST /v1/videos`)	—
`create_analysis`	Hacer una pregunta sobre un video (`POST /v1/analyses`)	—
`validate_analysis`	Simular un prompt: evaluabilidad + estimación de coste, cero créditos (`validate_only: true`)	✓
`create_analysis_batch`	2–10 prompts en un video; cada uno después del primero facturado al 50% (`POST /v1/analyses/batch`)	—
`get_analysis`	Obtener estado/resultado del análisis (`GET /v1/analyses/{id}`)	✓
`wait_for_analysis`	Consultar hasta estado terminal; devuelve `{ analysis, retry }`	✓
`list_models`	Listar modelos disponibles (`GET /v1/models`)	✓
`get_usage`	Saldo de créditos + medidores de período (`GET /v1/usage`)	✓
`get_credits`	Saldo + libro mayor de transacciones por análisis (`GET /v1/credits`)	✓
`get_test_fixture`	Fixture estable para auto-verificación de integración (`GET /v1/test-fixture`)	✓

Cada herramienta lleva anotaciones MCP (title, readOnlyHint, destructiveHint, idempotentHint, openWorldHint), declara un outputSchema, y devuelve structuredContent conforme a él. Ninguna herramienta elimina datos. Las descripciones y esquemas de las herramientas reflejan el documento OpenAPI en GET /v1/openapi.json — la especificación es la fuente de verdad.

Flujo típico del agente

get_test_fixture → verificar que la integración funciona (las claves de prueba devuelven resultados deterministas, sin consumo de cuota)
create_video_from_url con la URL del video
validate_analysis → confirmar que el prompt es evaluable + previsualizar estimated_cost_usd (gratis)
create_analysis con la pregunta — "¿Hay una persona en este video?" — o create_analysis_batch para varias
wait_for_analysis → result.answer (yes | no | indeterminate) + result.confidence + result.clips + result.detected_count (consultas de recuento) + result.indeterminate_reason
En insufficient_credits: llamar a get_credits, informar del saldo + débitos recientes, señalar al humano la facturación

Contrato de seguridad

La clave API se lee de la variable de entorno PRIMATE_API_KEY únicamente. Ninguna herramienta acepta una clave, token o secreto como argumento — así las credenciales nunca llegan a las transcripciones del agente, los registros de llamadas de herramientas o el contexto del modelo. Esto se aplica mediante una prueba unitaria que falla la compilación si algún esquema de herramienta incorpora un parámetro con forma de credencial.

Los errores muestran el error legible por máquina code, un docs_url, y el request_id para que un agente pueda autocorregirse sin intervención humana.

Configuración

Var	Requerido	Predeterminado
`PRIMATE_API_KEY`	sí	—
`PRIMATE_BASE_URL`	no	`https://api.primateintelligence.ai`

Desarrollo

npm install
npm test        # vitest — tool surface, security contract, polling, error shape
npm run build   # tsc → dist/

Enlaces

Inicio rápido para agentes de IA — la ruta de integración sin intervención humana
Documentación de la API
Especificación OpenAPI 3.1
Registro de errores
llms.txt — índice legible por máquina para agentes
Política de privacidad · Términos