Usar OGR Slip2D con un agente de IA

Edita claude_desktop_config.json, que está en %APPDATA%\Claude\ en Windows y en ~/Library/Application Support/Claude/ en macOS; la versión de Microsoft Store lo guarda en %LOCALAPPDATA%\Packages\Claude_<id>\LocalCache\Roaming\Claude\. Después, reinicia Claude.

{
  "mcpServers": {
    "ogr-slip2d": {
      "command": "ogr-slip2d-mcp",
      "args": ["--workdir", "C:\\path\\to\\projects"]
    }
  }
}

Si Claude no encuentra el comando, escribe en command la ruta completa de ogr-slip2d-mcp.exe (dentro de la carpeta Scripts de tu entorno virtual).

Un solo comando registra el servidor en Claude Code:

claude mcp add ogr-slip2d -- ogr-slip2d-mcp --workdir "C:\path\to\projects"

Claude Code pide confirmación antes de cada llamada a una herramienta. Mantenla activada para python_exec (ver Seguridad).

LM Studio lee los servidores MCP de sus modelos locales en %USERPROFILE%\.lmstudio\mcp.json en Windows, o en ~/.lmstudio/mcp.json en macOS y Linux:

{
  "mcpServers": {
    "ogr-slip2d": {
      "command": "ogr-slip2d-mcp",
      "args": ["--profile", "compact", "--workdir", "C:\\path\\to\\projects"]
    }
  }
}

Con modelos pequeños, usa --profile compact. Este perfil publica 14 herramientas en lugar de 74: model_define construye la geometría en una sola llamada y python_exec cubre el resto. Un modelo pequeño se pierde entre muchas herramientas, y la descripción de cada una ocupa contexto en todas las peticiones.

Ollama sirve modelos, pero no habla MCP: de eso se encarga el cliente que usa el modelo. Con mcp-client-for-ollama, o con cualquier cliente MCP que acepte el formato mcpServers, la entrada es la misma que en LM Studio:

{
  "mcpServers": {
    "ogr-slip2d": {
      "command": "ogr-slip2d-mcp",
      "args": ["--profile", "compact", "--workdir", "C:\\path\\to\\projects"]
    }
  }
}

Open WebUI solo se conecta a servidores MCP por HTTP (Streamable HTTP, Open WebUI 0.6.31 o posterior). Arranca el servidor con un token:

ogr-slip2d-mcp --transport http --port 8765 --token-file token.txt --workdir "C:\path\to\projects"

Después, en Open WebUI, ve a Settings → Admin → Integrations → External Tool Servers → + Add Connection y elige el tipo MCP (Streamable HTTP), la URL http://127.0.0.1:8765/mcp y la autenticación Bearer, con el token como clave.

Sin --token-file ni OGR_MCP_TOKEN, el servidor genera un token y lo muestra al arrancar. Si Open WebUI se ejecuta en Docker, usa http://host.docker.internal:8765/mcp y arranca el servidor con --host 0.0.0.0 y un token explícito; con ese host y sin token, el servidor no arranca.

1. Arranca el servidor en la interfaz local (loopback) con un token de al menos 32 caracteres y la dirección pública de tu túnel:

ogr-slip2d-mcp --transport http --port 8765 --token-file token.txt --public-url https://YOUR-TUNNEL.example --workdir "C:\path\to\projects"

2. Pon delante de http://127.0.0.1:8765 un túnel que termine la conexión HTTPS. Por ejemplo, cloudflared tunnel --url http://127.0.0.1:8765 te da la dirección para --public-url (reinicia el servidor con ella).

3. En ChatGPT, activa el modo desarrollador y crea un conector con la dirección https://YOUR-TUNNEL.example/mcp y autenticación OAuth.

4. ChatGPT te lleva a la página /approve del servidor, donde compruebas que el cliente es el que esperas y escribes el token de token.txt. El servidor hace de su propio servidor de autorización OAuth 2.1 (PKCE, registro dinámico). Los tokens de acceso duran una hora y solo se guardan en memoria.

Con el Agents SDK de OpenAI para Python, el servidor se usa como servidor MCP por stdio:

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

async with MCPServerStdio(
    params={"command": "ogr-slip2d-mcp",
            "args": ["--workdir", r"C:\path\to\projects"]},
    client_session_timeout_seconds=60,   # an analysis can take a while
) as ogr:
    agent = Agent(name="geotechnics", mcp_servers=[ogr],
                  instructions="Analyse slopes with OGR Slip2D.")
    result = await Runner.run(agent, "Build and analyse the slope ...")

Fija client_session_timeout_seconds de forma explícita. El SDK espera por defecto unos pocos segundos, mientras que analysis_run espera hasta 30 s (su valor por defecto) antes de devolver una tarea cuyo estado se consulta con job_get.

Los clientes que integran herramientas mediante OpenAPI (por ejemplo, BionicGPT) pueden usar mcpo, que convierte un servidor MCP en un servicio OpenAPI. Instálalo en un entorno aparte, con la versión 1.x del SDK de MCP, que es para la que está hecho:

python -m venv mcpo-env
mcpo-env\Scripts\pip install mcpo "mcp<2"
mcpo-env\Scripts\mcpo --port 8000 --api-key "your-key" -- ogr-slip2d-mcp --workdir "C:\path\to\projects"

La especificación queda entonces en http://localhost:8000/openapi.json y la documentación interactiva, en /docs. model_render devuelve la imagen como URI de datos; pasa save_path si además quieres el PNG en disco.