Criora

Frameworks d’agents

Le serveur MCP de Criora, à l’adresse https://criora.com/mcp, fonctionne dans tout framework d’agents qui parle le Model Context Protocol en Streamable HTTP. Il ne demande ni compte ni clé. Chaque exemple ci-dessous donne à un agent tous les outils de Criora, et chacun a été exécuté contre le serveur en production avec les versions de bibliothèques indiquées. API de données et agents IA liste les outils et ce à quoi chacun répond.

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())

Exécuté avec langchain 1.4 et langchain-mcp-adapters 0.3. Tout modèle de chat pris en charge par LangChain peut remplacer le modèle 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())

Exécuté avec llama-index-core 0.14 et 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())

Exécuté avec openai-agents 0.20. Pour que la Responses API d’OpenAI appelle elle-même le serveur, sans client MCP dans votre code, donnez plutôt à l’agent HostedMCPTool(tool_config={"type": "mcp", "server_label": "criora", "server_url": "https://criora.com/mcp", "require_approval": "never"}) dans tools.

n8n

  1. Ajoutez un nœud AI Agent et reliez-lui un modèle de chat.
  2. Sous Tool, ajoutez un MCP Client Tool.
  3. Réglez Endpoint sur https://criora.com/mcp, Server Transport sur HTTP Streamable, Authentication sur None et Tools to Include sur All.

Bon à savoir

  • Les réponses sont concises par défaut : les champs qui répondent à la question. Passez response_format: "detailed" à un outil pour obtenir tous les champs, comme la provenance de chaque bulletin ou le texte intégral d’une alerte.
  • Chaque réponse nomme ses sources, et une réponse sur les aléas donne dans credit la licence et l’attribution de chacune. Si vous publiez ce qu’un agent a trouvé, citez Criora et la source nommée, comme l’explique API de données et agents IA dans la partie sur les sources et l’attribution.
  • Le serveur est en lecture seule et gratuit selon les Conditions d’utilisation.
Voir sur la carte