Criora

Agenten-Frameworks

Der MCP-Server von Criora unter https://criora.com/mcp funktioniert in jedem Agenten-Framework, das das Model Context Protocol über Streamable HTTP spricht. Er braucht weder Konto noch Schlüssel. Jedes Beispiel unten gibt einem Agenten alle Tools von Criora, und jedes wurde mit den genannten Bibliotheksversionen gegen den laufenden Server ausgeführt. Die Tools und was jedes beantwortet, stehen unter Daten-API und KI-Agenten.

LangChain

pip install langchain langchain-anthropic langchain-mcp-adapters
import asyncio

from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient

CRIORA = {"transport": "streamable_http", "url": "https://criora.com/mcp"}


async def main():
    tools = await MultiServerMCPClient({"criora": CRIORA}).get_tools()
    agent = create_agent("anthropic:claude-sonnet-5-5", tools)
    question = "Is it safe to travel to Manila next week?"
    answer = await agent.ainvoke({"messages": question})
    print(answer["messages"][-1].content)


asyncio.run(main())

Ausgeführt mit langchain 1.4 und langchain-mcp-adapters 0.3. Statt des Claude-Modells eignet sich jedes Chat-Modell, das LangChain unterstützt.

LlamaIndex

pip install llama-index-core llama-index-tools-mcp llama-index-llms-anthropic
import asyncio

from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.anthropic import Anthropic
from llama_index.tools.mcp import BasicMCPClient, McpToolSpec


async def main():
    criora = McpToolSpec(client=BasicMCPClient("https://criora.com/mcp"))
    tools = await criora.to_tool_list_async()
    agent = FunctionAgent(tools=tools, llm=Anthropic(model="claude-sonnet-5-5"))
    question = "Which countries face the most dangerous weather this week?"
    print(await agent.run(question))


asyncio.run(main())

Ausgeführt mit llama-index-core 0.14 und llama-index-tools-mcp 0.4.

OpenAI Agents SDK

pip install openai-agents
import asyncio

from agents import Agent, Runner
from agents.mcp import MCPServerStreamableHttp


async def main():
    params = {"url": "https://criora.com/mcp"}
    async with MCPServerStreamableHttp(name="Criora", params=params) as criora:
        agent = Agent(
            name="Risk analyst",
            instructions="Answer with Criora's data and name its sources.",
            mcp_servers=[criora],
        )
        question = "How exposed is Rotterdam to river flooding by 2050?"
        result = await Runner.run(agent, question)
        print(result.final_output)


asyncio.run(main())

Ausgeführt mit openai-agents 0.20. Soll die Responses API von OpenAI den Server selbst aufrufen, ohne MCP-Client in Ihrem Code, geben Sie dem Agenten stattdessen HostedMCPTool(tool_config={"type": "mcp", "server_label": "criora", "server_url": "https://criora.com/mcp", "require_approval": "never"}) in tools.

n8n

  1. Fügen Sie einen AI Agent-Knoten hinzu und verbinden Sie ihn mit einem Chat-Modell.
  2. Fügen Sie unter Tool ein MCP Client Tool hinzu.
  3. Setzen Sie Endpoint auf https://criora.com/mcp, Server Transport auf HTTP Streamable, Authentication auf None und Tools to Include auf All.

Gut zu wissen

  • Antworten sind standardmäßig knapp: die Felder, die die Frage beantworten. Mit response_format: "detailed" liefert ein Tool jedes Feld, etwa die Herkunft jeder Meldung oder den vollständigen Text einer Warnung.
  • Jede Antwort nennt ihre Quellen, und eine Antwort zu Gefahrenereignissen gibt in credit die Lizenz und die geforderte Namensnennung jeder Quelle an. Wenn Sie veröffentlichen, was ein Agent gefunden hat, nennen Sie Criora und die genannte Quelle, wie es Daten-API und KI-Agenten im Abschnitt zu Quellen und Namensnennung beschreibt.
  • Der Server ist schreibgeschützt und im Rahmen der Nutzungsbedingungen kostenlos nutzbar.
Auf der Karte ansehen