Just Prompt

Uma interface unificada para vários provedores de Modelos de Linguagem de Grande Escala (LLM), incluindo OpenAI, Anthropic, Google Gemini, Groq, DeepSeek e Ollama.

GitHub

738

Experimente este MCPPatrocinado

Documentação

Just Prompt - Um servidor MCP leve para provedores de LLM

just-prompt é um servidor Model Control Protocol (MCP) que fornece uma interface unificada para vários provedores de Large Language Model (LLM), incluindo OpenAI, Anthropic, Google Gemini, Groq, DeepSeek e Ollama. Veja como usamos a ferramenta ceo_and_board para tornar decisões difíceis fáceis com o3 aqui.

Ferramentas

As seguintes ferramentas MCP estão disponíveis no servidor:

prompt: Envia um prompt para vários modelos de LLM
- Parâmetros:
  - text: O texto do prompt
  - models_prefixed_by_provider (opcional): Lista de modelos com prefixos de provedor. Se não for fornecida, usa os modelos padrão.
prompt_from_file: Envia um prompt de um arquivo para vários modelos de LLM
- Parâmetros:
  - abs_file_path: Caminho absoluto para o arquivo contendo o prompt (deve ser um caminho absoluto, não relativo)
  - models_prefixed_by_provider (opcional): Lista de modelos com prefixos de provedor. Se não for fornecida, usa os modelos padrão.
prompt_from_file_to_file: Envia um prompt de um arquivo para vários modelos de LLM e salva as respostas como arquivos markdown
- Parâmetros:
  - abs_file_path: Caminho absoluto para o arquivo contendo o prompt (deve ser um caminho absoluto, não relativo)
  - models_prefixed_by_provider (opcional): Lista de modelos com prefixos de provedor. Se não for fornecida, usa os modelos padrão.
  - abs_output_dir (padrão: "."): Caminho absoluto do diretório para salvar os arquivos markdown de resposta (deve ser um caminho absoluto, não relativo)
ceo_and_board: Envia um prompt para vários modelos 'membros do conselho' e faz um modelo 'CEO' tomar uma decisão com base nas respostas deles
- Parâmetros:
  - abs_file_path: Caminho absoluto para o arquivo contendo o prompt (deve ser um caminho absoluto, não relativo)
  - models_prefixed_by_provider (opcional): Lista de modelos com prefixos de provedor para atuar como membros do conselho. Se não for fornecida, usa os modelos padrão.
  - abs_output_dir (padrão: "."): Caminho absoluto do diretório para salvar os arquivos de resposta e a decisão do CEO (deve ser um caminho absoluto, não relativo)
  - ceo_model (padrão: "openai:o3"): Modelo a ser usado para a decisão do CEO no formato "provedor:modelo"
list_providers: Lista todos os provedores de LLM disponíveis
- Parâmetros: Nenhum
list_models: Lista todos os modelos disponíveis para um provedor de LLM específico
- Parâmetros:
  - provider: Provedor para listar modelos (por exemplo, 'openai' ou 'o')

Prefixos de Provedor

todo modelo deve ser prefixado com o nome do provedor

use o nome curto para referência mais rápida

o ou openai: OpenAI
- o:gpt-4o-mini
- openai:gpt-4o-mini
a ou anthropic: Anthropic
- a:claude-3-5-haiku
- anthropic:claude-3-5-haiku
g ou gemini: Google Gemini
- g:gemini-2.5-pro-exp-03-25
- gemini:gemini-2.5-pro-exp-03-25
q ou groq: Groq
- q:llama-3.1-70b-versatile
- groq:llama-3.1-70b-versatile
d ou deepseek: DeepSeek
- d:deepseek-coder
- deepseek:deepseek-coder
l ou ollama: Ollama
- l:llama3.1
- ollama:llama3.1

Recursos

API unificada para múltiplos provedores de LLM
Suporte para prompts de texto a partir de strings ou arquivos
Executa vários modelos em paralelo
Correção automática de nomes de modelos usando o primeiro modelo da lista --default-models
Capacidade de salvar respostas em arquivos
Listagem fácil de provedores e modelos disponíveis

Instalação

# Clone the repository
git clone https://github.com/yourusername/just-prompt.git
cd just-prompt

# Install with pip
uv sync

Variáveis de Ambiente

Crie um arquivo .env com suas chaves de API (você pode copiar o arquivo .env.sample):

cp .env.sample .env

Em seguida, edite o arquivo .env para adicionar suas chaves de API (ou exporte-as no seu shell):

OPENAI_API_KEY=your_openai_api_key_here
ANTHROPIC_API_KEY=your_anthropic_api_key_here
GEMINI_API_KEY=your_gemini_api_key_here
GROQ_API_KEY=your_groq_api_key_here
DEEPSEEK_API_KEY=your_deepseek_api_key_here
OLLAMA_HOST=http://localhost:11434

Instalação no Claude Code

Em todos esses exemplos, substitua o diretório pelo caminho para o diretório just-prompt.

Modelos padrão definidos como openai:o3:high, openai:o4-mini:high, anthropic:claude-opus-4-20250514, anthropic:claude-sonnet-4-20250514, gemini:gemini-2.5-pro-preview-03-25 e gemini:gemini-2.5-flash-preview-04-17.

Se você usar o Claude Code diretamente do repositório, poderá ver no arquivo .mcp.json que definimos os modelos padrão como...

{
  "mcpServers": {
    "just-prompt": {
      "type": "stdio",
      "command": "uv",
      "args": [
        "--directory",
        ".",
        "run",
        "just-prompt",
        "--default-models",
        "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"
      ],
      "env": {}
    }
  }
}

O parâmetro --default-models define os modelos a serem usados quando nenhum é fornecido explicitamente aos endpoints da API. O primeiro modelo da lista também é usado para correção de nomes de modelos quando necessário. Esta pode ser uma lista de modelos separados por vírgulas.

Ao iniciar o servidor, ele verificará automaticamente quais chaves de API estão disponíveis no seu ambiente e informará quais provedores você pode usar. Se uma chave estiver ausente, o provedor será listado como indisponível, mas o servidor ainda será iniciado e poderá ser usado com os provedores disponíveis.

Usando `mcp add-json`

Copie isto e cole no claude code, mas NÃO execute até copiar o json

claude mcp add just-prompt "$(pbpaste)"

JSON para copiar

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt"]
}

Com um modelo padrão personalizado definido como openai:gpt-4o.

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt", "--default-models", "openai:gpt-4o"]
}

Com múltiplos modelos padrão:

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt", "--default-models", "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"]
}

Usando `mcp add` com escopo de projeto

# With default models
claude mcp add just-prompt -s project \
  -- \
    uv --directory . \
    run just-prompt

# With custom default model
claude mcp add just-prompt -s project \
  -- \
  uv --directory . \
  run just-prompt --default-models "openai:gpt-4o"

# With multiple default models
claude mcp add just-prompt -s user \
  -- \
  uv --directory . \
  run just-prompt --default-models "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"

`mcp remove`

claude mcp remove just-prompt

Executando Testes

uv run pytest

Estrutura do Codebase

.
├── ai_docs/                   # Documentation for AI model details
│   ├── extending_thinking_sonny.md
│   ├── llm_providers_details.xml
│   ├── openai-reasoning-effort.md
│   └── pocket-pick-mcp-server-example.xml
├── example_outputs/           # Example outputs from different models
├── list_models.py             # Script to list available LLM models
├── prompts/                   # Example prompt files
├── pyproject.toml             # Python project configuration
├── specs/                     # Project specifications
│   ├── init-just-prompt.md
│   ├── new-tool-llm-as-a-ceo.md
│   └── oai-reasoning-levels.md
├── src/                       # Source code directory
│   └── just_prompt/
│       ├── __init__.py
│       ├── __main__.py
│       ├── atoms/             # Core components
│       │   ├── llm_providers/ # Individual provider implementations
│       │   │   ├── anthropic.py
│       │   │   ├── deepseek.py
│       │   │   ├── gemini.py
│       │   │   ├── groq.py
│       │   │   ├── ollama.py
│       │   │   └── openai.py
│       │   └── shared/        # Shared utilities and data types
│       │       ├── data_types.py
│       │       ├── model_router.py
│       │       ├── utils.py
│       │       └── validator.py
│       ├── molecules/         # Higher-level functionality
│       │   ├── ceo_and_board_prompt.py
│       │   ├── list_models.py
│       │   ├── list_providers.py
│       │   ├── prompt.py
│       │   ├── prompt_from_file.py
│       │   └── prompt_from_file_to_file.py
│       ├── server.py          # MCP server implementation
│       └── tests/             # Test directory
│           ├── atoms/         # Tests for atoms
│           │   ├── llm_providers/
│           │   └── shared/
│           └── molecules/     # Tests for molecules
│               ├── test_ceo_and_board_prompt.py
│               ├── test_list_models.py
│               ├── test_list_providers.py
│               ├── test_prompt.py
│               ├── test_prompt_from_file.py
│               └── test_prompt_from_file_to_file.py
└── ultra_diff_review/         # Diff review outputs

Preparação de Contexto

LEIA README.md, pyproject.toml, depois execute git ls-files e 'eza --git-ignore --tree' para entender o contexto do projeto.

Esforço de Raciocínio com OpenAI o‑Series

Para modelos de raciocínio da série o da OpenAI (o4-mini, o3-mini, o3), você pode controlar quanto raciocínio interno o modelo realiza antes de produzir uma resposta visível.

Anexe um dos seguintes sufixos ao nome do modelo (após o prefixo do provedor):

:low – raciocínio interno mínimo (mais rápido, mais barato)
:medium – equilibrado (padrão se omitido)
:high – raciocínio completo (mais lento, mais tokens)

Exemplos:

openai:o4-mini:low
o:o4-mini:high

Quando um sufixo de raciocínio está presente, o just‑prompt alterna automaticamente para a API Responses da OpenAI (quando disponível) e define o parâmetro reasoning.effort correspondente. Se o SDK da OpenAI instalado for mais antigo, ele recorre graciosamente ao endpoint Chat Completions e incorpora uma instrução interna de sistema para aproximar o nível de esforço solicitado.

Tokens de Pensamento com Claude

Os modelos Anthropic Claude claude-opus-4-20250514 e claude-sonnet-4-20250514 suportam capacidades de pensamento estendido usando tokens de pensamento. Isso permite que o Claude realize processos de pensamento mais completos antes de responder.

Você pode habilitar tokens de pensamento adicionando um sufixo ao nome do modelo neste formato:

anthropic:claude-opus-4-20250514:1k - Usa 1024 tokens de pensamento para Opus 4
anthropic:claude-sonnet-4-20250514:4k - Usa 4096 tokens de pensamento para Sonnet 4
anthropic:claude-opus-4-20250514:8000 - Usa 8000 tokens de pensamento para Opus 4

Notas:

Tokens de pensamento são suportados para os modelos claude-opus-4-20250514, claude-sonnet-4-20250514 e claude-3-7-sonnet-20250219
Orçamentos válidos de tokens de pensamento variam de 1024 a 16000
Valores fora deste intervalo serão ajustados automaticamente para ficarem dentro do intervalo
Você pode especificar o orçamento com notação k (1k, 4k, etc.) ou com números exatos (1024, 4096, etc.)

Orçamento de Pensamento com Gemini

O modelo Google Gemini gemini-2.5-flash-preview-04-17 suporta capacidades de pensamento estendido usando orçamento de pensamento. Isso permite que o Gemini realize raciocínio mais completo antes de fornecer uma resposta.

Você pode habilitar o orçamento de pensamento adicionando um sufixo ao nome do modelo neste formato:

gemini:gemini-2.5-flash-preview-04-17:1k - Usa orçamento de pensamento de 1024
gemini:gemini-2.5-flash-preview-04-17:4k - Usa orçamento de pensamento de 4096
gemini:gemini-2.5-flash-preview-04-17:8000 - Usa orçamento de pensamento de 8000

Notas:

O orçamento de pensamento é suportado apenas para o modelo gemini-2.5-flash-preview-04-17
O intervalo válido de orçamento de pensamento é de 0 a 24576
Valores fora deste intervalo serão ajustados automaticamente para ficarem dentro do intervalo
Você pode especificar o orçamento com notação k (1k, 4k, etc.) ou com números exatos (1024, 4096, etc.)

Recursos

Master AI Coding

Aprenda a codar com IA com os Princípios Fundamentais de Codificação com IA

Siga o canal IndyDevDan no youtube para mais dicas e truques de codificação com IA.

Just Prompt

Documentação

Just Prompt - Um servidor MCP leve para provedores de LLM

Ferramentas

Prefixos de Provedor

Recursos

Instalação

Variáveis de Ambiente

Instalação no Claude Code

Usando mcp add-json

Usando mcp add com escopo de projeto

mcp remove

Executando Testes

Estrutura do Codebase

Preparação de Contexto

Esforço de Raciocínio com OpenAI o‑Series

Tokens de Pensamento com Claude

Orçamento de Pensamento com Gemini

Recursos

Master AI Coding

Usando `mcp add-json`

Usando `mcp add` com escopo de projeto

`mcp remove`