Criora

Frameworks de agentes

El servidor MCP de Criora en https://criora.com/mcp funciona en cualquier framework de agentes que hable el Model Context Protocol mediante Streamable HTTP. No necesita cuenta ni clave. Cada ejemplo de abajo da a un agente todas las herramientas de Criora, y cada uno se ejecutó contra el servidor en producción con las versiones de biblioteca que indica. API de datos y agentes de IA enumera las herramientas y lo que responde cada una.

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())

Ejecutado con langchain 1.4 y langchain-mcp-adapters 0.3. Cualquier modelo de chat que admita LangChain puede ocupar el lugar del modelo de Claude.

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())

Ejecutado con llama-index-core 0.14 y 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())

Ejecutado con openai-agents 0.20. Para que la Responses API de OpenAI llame al servidor por sí misma, sin cliente MCP en tu código, pasa al agente HostedMCPTool(tool_config={"type": "mcp", "server_label": "criora", "server_url": "https://criora.com/mcp", "require_approval": "never"}) en tools.

n8n

  1. Añade un nodo AI Agent y conéctale un modelo de chat.
  2. En Tool, añade un MCP Client Tool.
  3. Pon Endpoint en https://criora.com/mcp, Server Transport en HTTP Streamable, Authentication en None y Tools to Include en All.

Conviene saber

  • Las respuestas son concisas por defecto: los campos que responden a la pregunta. Pasa response_format: "detailed" a una herramienta para obtener todos los campos, como la procedencia de cada informe o el texto completo de un aviso.
  • Cada respuesta nombra sus fuentes, y una respuesta sobre peligros indica en credit la licencia y la atribución de cada una. Cuando publiques lo que encontró un agente, cita a Criora y a la fuente que nombra, como explica API de datos y agentes de IA en el apartado de fuentes y atribución.
  • El servidor es de solo lectura y su uso es gratuito según los Términos de servicio.
Verlo en el mapa