跨模型LLM-MCP

Name: 跨模型LLM-MCP
Author: JamesANZ

作者：JamesANZ10 星标更新：2025-11-10

安装使用来源：spider==github.com

项目介绍

跨LLM MCP服务器

这是一个模型上下文协议（MCP）服务器，提供对多个大型语言模型（LLM）API的访问，包括ChatGPT、Claude、DeepSeek、Gemini、Grok、Kimi、Perplexity和Mistral。这允许您在任何兼容MCP的客户端中调用不同的LLM，并组合它们的响应。

功能

此MCP服务器提供了八个专门工具，用于与不同LLM提供商交互：

🤖 单个LLM工具

`call-chatgpt`

使用提示调用OpenAI的ChatGPT API。

输入：

prompt (字符串)：发送给ChatGPT的提示
model (可选，字符串)：使用的ChatGPT模型（默认：gpt-4）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的ChatGPT响应

示例：

ChatGPT 响应
模型：gpt-4

这是量子计算的全面解释...

---
使用情况：
- 提示标记：15
- 完成标记：245
- 总标记：260

`call-claude`

使用提示调用Anthropic的Claude API。

输入：

prompt (字符串)：发送给Claude的提示
model (可选，字符串)：使用的Claude模型（默认：claude-3-sonnet-20240229）
temperature (可选，数字)：响应随机性的温度（0-1，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Claude响应

`call-deepseek`

使用提示调用DeepSeek API。

输入：

prompt (字符串)：发送给DeepSeek的提示
model (可选，字符串)：使用的DeepSeek模型（默认：deepseek-chat）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的DeepSeek响应

`call-gemini`

使用提示调用Google的Gemini API。

输入：

prompt (字符串)：发送给Gemini的提示
model (可选，字符串)：使用的Gemini模型（默认：gemini-2.5-flash）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Gemini响应

`call-grok`

使用提示调用xAI的Grok API。

输入：

prompt (字符串)：发送给Grok的提示
model (可选，字符串)：使用的Grok模型（默认：grok-3）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Grok响应

`call-kimi`

使用提示调用Moonshot AI的Kimi API。

输入：

prompt (字符串)：发送给Kimi的提示
model (可选，字符串)：使用的Kimi模型（默认：moonshot-v1-8k）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Kimi响应

`call-perplexity`

使用提示调用Perplexity AI的API。

输入：

prompt (字符串)：发送给Perplexity的提示
model (可选，字符串)：使用的Perplexity模型（默认：sonar-pro）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Perplexity响应

`call-mistral`

使用提示调用Mistral AI的API。

输入：

prompt (字符串)：发送给Mistral的提示
model (可选，字符串)：使用的Mistral模型（默认：mistral-large-latest）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

包含模型信息和标记使用统计的Mistral响应

🔄 组合工具

`call-all-llms`

使用相同的提示调用所有可用的LLM API（ChatGPT、Claude、DeepSeek、Gemini、Grok、Kimi、Perplexity、Mistral），并获取组合响应。

输入：

prompt (字符串)：发送给所有LLM的提示
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

来自所有LLM的组合响应，包含每个模型的信息和使用统计
成功响应的总结和总标记使用量

示例：

多LLM响应

提示：用简单的话解释量子计算

---

## CHATGPT

模型：gpt-4

量子计算就像拥有超级计算机一样...

---

## CLAUDE

模型：claude-3-sonnet-20240229

量子计算代表了根本性的转变...

---

## DEEPSEEK

模型：deepseek-chat

量子计算利用了量子力学的原则...

---

## GEMINI

模型：gemini-2.5-flash

量子计算是一种革命性的计算方法...

---

总结：
- 成功响应：4/4
- 总标记使用量：1650

`call-llm`

通过名称调用特定的LLM提供商。

输入：

provider (字符串)：要调用的LLM提供商（"chatgpt"、"claude"、"deepseek"或"gemini"）
prompt (字符串)：发送给LLM的提示
model (可选，字符串)：使用的模型（未指定时使用提供商默认值）
temperature (可选，数字)：响应随机性的温度（0-2，默认：0.7）
max_tokens (可选，数字)：响应中的最大标记数（默认：1000）

输出：

指定LLM的响应，包含模型信息和使用统计

安装

克隆此仓库：

git clone <repository-url>
cd cross-llm-mcp

安装依赖项：

npm install

构建项目：

npm run build

获取API密钥

OpenAI/ChatGPT

访问OpenAI平台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的.env文件中作为OPENAI_API_KEY

Anthropic/Claude

访问Anthropic控制台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的.env文件中作为ANTHROPIC_API_KEY

DeepSeek

访问DeepSeek平台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的.env文件中作为DEEPSEEK_API_KEY

Google Gemini

访问Google AI Studio
注册或登录您的Google账户
创建一个新的API密钥
将其添加到您的Claude Desktop配置中作为GEMINI_API_KEY

xAI/Grok

访问xAI平台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的Claude Desktop配置中作为XAI_API_KEY

Moonshot AI/Kimi

访问Moonshot AI平台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的Claude Desktop配置中作为KIMI_API_KEY

Perplexity AI

访问Perplexity AI平台
注册或登录您的账户
在开发者控制台生成一个新的API密钥
将其添加到您的Claude Desktop配置中作为PERPLEXITY_API_KEY

Mistral AI

访问Mistral AI控制台
注册或登录您的账户
创建一个新的API密钥
将其添加到您的Claude Desktop配置中作为MISTRAL_API_KEY

使用

配置Claude Desktop

向您的Claude Desktop MCP设置添加以下配置：

{
  "cross-llm-mcp": {
    "command": "node",
    "args": ["/path/to/your/cross-llm-mcp/build/index.js"],
    "cwd": "/path/to/your/cross-llm-mcp",
    "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"
    }
  }
}

替换路径和API密钥以匹配实际值：

更新args路径指向您的build/index.js文件
更新cwd路径指向您的项目目录
将实际API密钥添加到env部分

运行服务器

当在Claude Desktop中配置后，服务器会自动运行。您也可以手动运行它：

npm start

服务器通过标准输入输出运行，可以连接到任何兼容MCP的客户端。

示例查询

这里有一些您可以使用此MCP服务器进行的示例查询：

调用ChatGPT

{
  "tool": "call-chatgpt",
  "arguments": {
    "prompt": "用简单的话解释量子计算",
    "temperature": 0.7,
    "max_tokens": 500
  }
}

调用Claude

{
  "tool": "call-claude",
  "arguments": {
    "prompt": "可再生能源有哪些好处？",
    "model": "claude-3-sonnet-20240229"
  }
}

调用所有LLM

{
  "tool": "call-all-llms",
  "arguments": {
    "prompt": "写一首关于人工智能的短诗",
    "temperature":  0.8
  }
}

调用特定LLM

{
  "tool": "call-llm",
  "arguments": {
    "provider": "deepseek",
    "prompt": "解释机器学习算法",
    "max_tokens": 800
  }
}

调用Gemini

{
  "tool": "call-gemini",
  "arguments": {
    "prompt": "写一个关于AI的创意故事",
    "model": "gemini-2.5-flash",
    "temperature": 0.9
  }
}

调用Grok

{
  "tool": "call-grok",
  "arguments": {
    "prompt": "给我讲一个关于编程的笑话",
    "model": "grok-3",
    "temperature": 0.8
  }
}

调用Kimi

{
  "tool": "call-kimi",
  "arguments": {
    "prompt": "用两句话概括《黑客帝国》的情节",
    "model": "moonshot-v1-8k",
    "temperature": 0.7
  }
}

调用Perplexity

{
  "tool": "call-perplexity",
  "arguments": {
    "prompt": "用两段话总结最新的AI研究亮点",
    "model": "sonar-medium-online",
    "temperature": 0.6
  }
}

调用Mistral

{
  "tool": "call-mistral",
  "arguments": {
    "prompt": "为利益相关者起草一份简洁的产品更新",
    "model": "mistral-large-latest",
    "temperature": 0.7
  }
}

使用案例

1. 多视角分析

使用call-all-llms从多个AI模型获得同一主题的不同视角。

2. 模型比较

比较来自不同LLM的响应，了解它们的优势和劣势。

3. 冗余和可靠性

如果一个LLM不可用，您仍然可以从其他提供商那里获得响应。

4. 成本优化

选择最适合您特定用例的最经济的LLM。

5. 质量保证

交叉引用来自多个模型的响应以验证信息。

配置

Claude Desktop设置

推荐使用方式是通过Claude Desktop，并直接在MCP设置中配置环境变量：

{
  "cross-llm-mcp": {
    "command": "node",
    "args": [
      "/Users/jamessangalli/Documents/projects/cross-llm-mcp/build/index.js"
    ],
    "cwd": "/Users/jamessangalli/Documents/projects/cross-llm-mcp",
    "env": {
      "OPENAI_API_KEY": "sk-proj-your-openai-key-here",
      "ANTHROPIC_API_KEY": "sk-ant-your-anthropic-key-here",
      "DEEPSEEK_API_KEY": "sk-your-deepseek-key-here",
      "GEMINI_API_KEY": "your-gemini-api-key-here"
    }
  }
}

环境变量

服务器读取以下环境变量：

OPENAI_API_KEY：您的OpenAI API密钥
ANTHROPIC_API_KEY：您的Anthropic API密钥
DEEPSEEK_API_KEY：您的DeepSeek API密钥
GEMINI_API_KEY：您的Google Gemini API密钥
XAI_API_KEY：您的xAI Grok API密钥
KIMI_API_KEY：您的Moonshot AI Kimi API密钥
PERPLEXITY_API_KEY：您的Perplexity AI API密钥
MISTRAL_API_KEY：您的Mistral AI API密钥
DEFAULT_CHATGPT_MODEL：默认的ChatGPT模型（默认：gpt-4）
DEFAULT_CLAUDE_MODEL：默认的Claude模型（默认：claude-3-sonnet-20240229）
DEFAULT_DEEPSEEK_MODEL：默认的DeepSeek模型（默认：deepseek-chat）
DEFAULT_GEMINI_MODEL：默认的Gemini模型（默认：gemini-2.5-flash）
DEFAULT_GROK_MODEL：默认的Grok模型（默认：grok-3）
DEFAULT_KIMI_MODEL：默认的Kimi模型（默认：moonshot-v1-8k）
DEFAULT_PERPLEXITY_MODEL：默认的Perplexity模型（默认：sonar-pro）
DEFAULT_MISTRAL_MODEL：默认的Mistral模型（默认：mistral-large-latest）

API端点

此MCP服务器使用以下API端点：

OpenAI：https://api.openai.com/v1/chat/completions
Anthropic：https://api.anthropic.com/v1/messages
DeepSeek：https://api.deepseek.com/v1/chat/completions
Google Gemini：https://generativelanguage.googleapis.com/v1/models/{model}:generateContent
xAI Grok：https://api.x.ai/v1/chat/completions
Moonshot AI Kimi：https://api.moonshot.ai/v1/chat/completions
Perplexity AI：https://api.perplexity.ai/chat/completions
Mistral AI：`https