cross-llm-mcp

Um servidor Model Context Protocol (MCP) que fornece acesso a múltiplas APIs de Grandes Modelos de Linguagem (LLM), incluindo ChatGPT, Claude, Gemini e DeepSeek.

GitHub

Experimente este MCPPatrocinado

Documentação

🤖 Servidor MCP Cross-LLM

Acesse múltiplas APIs de LLM de um só lugar. Chame ChatGPT, Claude, DeepSeek, Gemini, Grok, Kimi, Perplexity, Mistral e Hugging Face Inference Router com seleção inteligente de modelos, preferências e registro de prompts.

Um servidor MCP (Model Context Protocol) que fornece acesso unificado a múltiplas APIs de Large Language Model para ambientes de codificação com IA, como Cursor e Claude Desktop.

Por que usar o Cross-LLM MCP?

🌐 9 Provedores de LLM – ChatGPT, Claude, DeepSeek, Gemini, Grok, Kimi, Perplexity, Mistral, Hugging Face
🎯 Seleção Inteligente de Modelos – Preferências baseadas em tags (codificação, negócios, raciocínio, matemática, criativo, geral)
📊 Registro de Prompts – Acompanhe todos os prompts com histórico, estatísticas e análises
💰 Otimização de Custos – Escolha modelos principais ou mais baratos com base na preferência
⚡ Configuração Fácil – Instalação com um clique no Cursor ou configuração manual simples
🔄 Chame Todos os LLMs – Obtenha respostas de todos os provedores simultaneamente

Início Rápido

Pronto para acessar múltiplos LLMs? Instale em segundos:

Instalar no Cursor (Recomendado):

🔗 Instalar no Cursor

Ou instale manualmente:

npm install -g cross-llm-mcp
# Or from source:
git clone https://github.com/JamesANZ/cross-llm-mcp.git
cd cross-llm-mcp && npm install && npm run build

Recursos

🤖 Ferramentas Individuais de LLM

call-chatgpt – API ChatGPT da OpenAI
call-claude – API Claude da Anthropic
call-deepseek – API DeepSeek
call-gemini – API Gemini do Google
call-grok – API Grok da xAI
call-kimi – API Kimi da Moonshot AI
call-perplexity – API Perplexity AI
call-mistral – API Mistral AI
call-huggingface – Hugging Face Inference Router (modelos Hub compatíveis com OpenAI)

🔄 Ferramentas Combinadas

call-all-llms – Chame todos os LLMs com o mesmo prompt
call-llm – Chame um provedor específico pelo nome

⚙️ Preferências e Seleção de Modelos

get-user-preferences – Obtenha as preferências atuais
set-user-preferences – Defina modelo padrão, preferência de custo e preferências baseadas em tags
get-models-by-tag – Encontre modelos por tag (codificação, negócios, raciocínio, matemática, criativo, geral)

📝 Registro de Prompts

get-prompt-history – Veja o histórico de prompts com filtros
get-prompt-stats – Obtenha estatísticas sobre os registros de prompts
delete-prompt-entries – Exclua entradas de registro por critérios
clear-prompt-history – Limpe todos os registros de prompts

Instalação

Cursor (Um Clique)

Clique no link de instalação acima ou use:

cursor://anysphere.cursor-deeplink/mcp/install?name=cross-llm-mcp&config=eyJjcm9zcy1sbG0tbWNwIjp7ImNvbW1hbmQiOiJucHgiLCJhcmdzIjpbIi15IiwiY3Jvc3MtbGxtLW1jcCJdfX0=

Após a instalação, adicione suas chaves de API nas configurações do Cursor (veja Configuração abaixo).

Instalação Manual

Requisitos: Node.js 18+ e npm

# Clone and build
git clone https://github.com/JamesANZ/cross-llm-mcp.git
cd cross-llm-mcp
npm install
npm run build

Claude Desktop

Adicione em claude_desktop_config.json:

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "cross-llm-mcp": {
      "command": "node",
      "args": ["/absolute/path/to/cross-llm-mcp/build/index.js"],
      "env": {
        "OPENAI_API_KEY": "your_openai_api_key_here",
        "ANTHROPIC_API_KEY": "your_anthropic_api_key_here",
        "DEEPSEEK_API_KEY": "your_deepseek_api_key_here",
        "GEMINI_API_KEY": "your_gemini_api_key_here",
        "XAI_API_KEY": "your_grok_api_key_here",
        "KIMI_API_KEY": "your_kimi_api_key_here",
        "PERPLEXITY_API_KEY": "your_perplexity_api_key_here",
        "MISTRAL_API_KEY": "your_mistral_api_key_here",
        "HF_TOKEN": "your_huggingface_token_here"
      }
    }
  }
}

Reinicie o Claude Desktop após a configuração.

Configuração

Chaves de API

Defina variáveis de ambiente para os provedores de LLM que deseja usar:

export OPENAI_API_KEY="your_openai_api_key"
export ANTHROPIC_API_KEY="your_anthropic_api_key"
export DEEPSEEK_API_KEY="your_deepseek_api_key"
export GEMINI_API_KEY="your_gemini_api_key"
export XAI_API_KEY="your_grok_api_key"
export KIMI_API_KEY="your_kimi_api_key"
export PERPLEXITY_API_KEY="your_perplexity_api_key"
export MISTRAL_API_KEY="your_mistral_api_key"
export HF_TOKEN="your_huggingface_token"
# Or: HUGGINGFACE_API_KEY (same as HF_TOKEN)
# Optional: DEFAULT_HUGGINGFACE_MODEL, HUGGINGFACE_INFERENCE_BASE_URL (default https://router.huggingface.co/v1)

Obtendo Chaves de API

OpenAI: https://platform.openai.com/api-keys
Anthropic: https://console.anthropic.com/
DeepSeek: https://platform.deepseek.com/
Google Gemini: https://makersuite.google.com/app/apikey
xAI Grok: https://console.x.ai/
Moonshot AI: https://platform.moonshot.ai/
Perplexity: https://www.perplexity.ai/hub
Mistral: https://console.mistral.ai/
Hugging Face: Crie um token de granularidade fina com acesso Inference (serverless / Inference Providers) em https://huggingface.co/settings/tokens. Veja Chat Completion para modelos suportados.

Executando modelos Hub localmente (fora deste MCP)

Este servidor chama o Inference Router hospedado da Hugging Face; ele não baixa pesos nem executa PyTorch/GGUF dentro do Node. Para executar modelos na sua máquina, use ferramentas como Ollama, llama.cpp, Text Generation Inference ou Inference Endpoints da Hugging Face, e então aponte outros clientes para esses serviços se eles expuserem uma API.

Exemplos de Uso

Chamar ChatGPT

Obtenha uma resposta da OpenAI:

{
  "tool": "call-chatgpt",
  "arguments": {
    "prompt": "Explain quantum computing in simple terms",
    "temperature": 0.7,
    "max_tokens": 500
  }
}

Chamar Hugging Face

Obtenha uma resposta de um modelo Hub via Inference Router (model é o ID do repositório Hub, ex.: Qwen/Qwen2.5-7B-Instruct):

{
  "tool": "call-huggingface",
  "arguments": {
    "prompt": "Reply with exactly: ok",
    "model": "Qwen/Qwen2.5-7B-Instruct",
    "temperature": 0.3,
    "max_tokens": 32
  }
}

Chamar Todos os LLMs

Obtenha respostas de todos os provedores:

{
  "tool": "call-all-llms",
  "arguments": {
    "prompt": "Write a short poem about AI",
    "temperature": 0.8
  }
}

Definir Preferências Baseadas em Tags

Use automaticamente o melhor modelo para cada tipo de tarefa:

{
  "tool": "set-user-preferences",
  "arguments": {
    "defaultModel": "gpt-4o",
    "costPreference": "cheaper",
    "tagPreferences": {
      "coding": "deepseek-r1",
      "general": "gpt-4o",
      "business": "claude-3.5-sonnet-20241022",
      "reasoning": "deepseek-r1",
      "math": "deepseek-r1",
      "creative": "gpt-4o"
    }
  }
}

Obter Histórico de Prompts

Veja seus registros de prompts:

{
  "tool": "get-prompt-history",
  "arguments": {
    "provider": "chatgpt",
    "limit": 10
  }
}

Tags de Modelos

Os modelos são marcados por seus pontos fortes:

codificação: deepseek-r1, deepseek-coder, gpt-4o, claude-3.5-sonnet-20241022
negócios: claude-3-opus-20240229, gpt-4o, gemini-1.5-pro
raciocínio: deepseek-r1, o1-preview, claude-3.5-sonnet-20241022
matemática: deepseek-r1, o1-preview, o1-mini
criativo: gpt-4o, claude-3-opus-20240229, gemini-1.5-pro
geral: gpt-4o-mini, claude-3-haiku-20240307, gemini-1.5-flash

Casos de Uso

Análise Multi-Perspectiva – Obtenha diferentes perspectivas de múltiplos LLMs
Comparação de Modelos – Compare respostas para entender pontos fortes e fracos
Otimização de Custos – Escolha o modelo mais econômico para cada tarefa
Garantia de Qualidade – Faça referência cruzada de respostas de múltiplos modelos
Seleção Inteligente – Use automaticamente o melhor modelo para codificação, negócios, raciocínio, etc.
Análise de Prompts – Acompanhe uso, custos e padrões com registro automático

Detalhes Técnicos

Construído com: Node.js, TypeScript, MCP SDK
Dependências: @modelcontextprotocol/sdk, superagent, zod
Plataformas: macOS, Windows, Linux

Armazenamento de Preferências:

Unix/macOS: ~/.cross-llm-mcp/preferences.json
Windows: %APPDATA%/cross-llm-mcp/preferences.json

Armazenamento de Registros de Prompts:

Unix/macOS: ~/.cross-llm-mcp/prompts.json
Windows: %APPDATA%/cross-llm-mcp/prompts.json

Contribuindo

⭐ Se este projeto ajudar você, dê uma estrela no GitHub! ⭐

Contribuições são bem-vindas! Abra uma issue ou envie um pull request.

Licença

Licença MIT – veja LICENSE.md para detalhes.

Suporte

Se você achar este projeto útil, considere apoiá-lo:

⚡ Lightning Network

lnbc1pjhhsqepp5mjgwnvg0z53shm22hfe9us289lnaqkwv8rn2s0rtekg5vvj56xnqdqqcqzzsxqyz5vqsp5gu6vh9hyp94c7t3tkpqrp2r059t4vrw7ps78a4n0a2u52678c7yq9qyyssq7zcferywka50wcy75skjfrdrk930cuyx24rg55cwfuzxs49rc9c53mpz6zug5y2544pt8y9jflnq0ltlha26ed846jh0y7n4gm8jd3qqaautqa

₿ Bitcoin: bc1ptzvr93pn959xq4et6sqzpfnkk2args22ewv5u2th4ps7hshfaqrshe0xtp

Ξ Ethereum/EVM: 0x42ea529282DDE0AA87B42d9E83316eb23FE62c3f