Just Prompt - A lightweight MCP server for LLM providers

Just Prompt - LLM プロバイダー向けの軽量 MCP サーバー

just-prompt は、OpenAI、Anthropic、Google Gemini、Groq、DeepSeek、Ollama など、さまざまな大規模言語モデル（LLM）プロバイダーに統一されたインターフェースを提供する Model Control Protocol（MCP）サーバーです。ceo_and_board ツールを使って、o3 で難しい意思決定を簡単にする方法はこちらをご覧ください。

ツール

サーバーでは、次の MCP ツールを利用できます。

• prompt：複数の LLM モデルにプロンプトを送信します

  • パラメーター：
    • text：プロンプトのテキスト
    • models_prefixed_by_provider（任意）：プロバイダーのプレフィックスが付いたモデルのリストです。指定しない場合は、デフォルトのモデルを使用します。

• prompt_from_file：ファイルから複数の LLM モデルにプロンプトを送信します

  • パラメーター：
    • abs_file_path：プロンプトを含むファイルの絶対パス（相対パスではなく、絶対パスを指定する必要があります）
    • models_prefixed_by_provider（任意）：プロバイダーのプレフィックスが付いたモデルのリストです。指定しない場合は、デフォルトのモデルを使用します。

• prompt_from_file_to_file：ファイルから複数の LLM モデルにプロンプトを送信し、応答を Markdown ファイルとして保存します

  • パラメーター：
    • abs_file_path：プロンプトを含むファイルの絶対パス（相対パスではなく、絶対パスを指定する必要があります）
    • models_prefixed_by_provider（任意）：プロバイダーのプレフィックスが付いたモデルのリストです。指定しない場合は、デフォルトのモデルを使用します。
    • abs_output_dir（デフォルト：「.」）：応答の Markdown ファイルを保存するディレクトリの絶対パス（相対パスではなく、絶対パスを指定する必要があります）

• ceo_and_board：「取締役」モデルにプロンプトを送信し、その応答に基づいて「CEO」モデルが判断を下します

  • パラメーター：
    • abs_file_path：プロンプトを含むファイルの絶対パス（相対パスではなく、絶対パスを指定する必要があります）
    • models_prefixed_by_provider（任意）：取締役として動作する、プロバイダーのプレフィックスが付いたモデルのリストです。指定しない場合は、デフォルトのモデルを使用します。
    • abs_output_dir（デフォルト：「.」）：応答ファイルと CEO の判断を保存するディレクトリの絶対パス（相対パスではなく、絶対パスを指定する必要があります）
    • ceo_model（デフォルト：「openai:o3」）：CEO の判断に使用するモデル。「provider:model」の形式で指定します。

• list_providers：利用可能なすべての LLM プロバイダーを一覧表示します

  • パラメーター：なし

• list_models：特定の LLM プロバイダーで利用可能なすべてのモデルを一覧表示します

  • パラメーター：
    • provider：モデルを一覧表示するプロバイダー（例：「openai」または「o」）

プロバイダーのプレフィックス

すべてのモデルには、プロバイダー名のプレフィックスを付ける必要があります

よりすばやく指定するには、短縮名を使用します

• o または openai：OpenAI
  • o:gpt-4o-mini
  • openai:gpt-4o-mini
• a または anthropic：Anthropic
  • a:claude-3-5-haiku
  • anthropic:claude-3-5-haiku
• g または gemini：Google Gemini
  • g:gemini-2.5-pro-exp-03-25
  • gemini:gemini-2.5-pro-exp-03-25
• q または groq：Groq
  • q:llama-3.1-70b-versatile
  • groq:llama-3.1-70b-versatile
• d または deepseek：DeepSeek
  • d:deepseek-coder
  • deepseek:deepseek-coder
• l または ollama：Ollama
  • l:llama3.1
  • ollama:llama3.1

機能

• 複数の LLM プロバイダーに対応する統一 API
• 文字列またはファイルからのテキストプロンプトに対応
• 複数のモデルを並列実行
• --default-models リストの最初のモデルを使用したモデル名の自動補正
• 応答をファイルに保存可能
• 利用可能なプロバイダーとモデルを簡単に一覧表示

インストール

# Clone the repository
git clone https://github.com/yourusername/just-prompt.git
cd just-prompt

# Install with pip
uv sync

環境変数

API キーを含む .env ファイルを作成します（.env.sample ファイルをコピーして使用できます）。

cp .env.sample .env

次に、.env ファイルを編集して API キーを追加します（またはシェルで環境変数としてエクスポートします）。

OPENAI_API_KEY=your_openai_api_key_here
ANTHROPIC_API_KEY=your_anthropic_api_key_here
GEMINI_API_KEY=your_gemini_api_key_here
GROQ_API_KEY=your_groq_api_key_here
DEEPSEEK_API_KEY=your_deepseek_api_key_here
OLLAMA_HOST=http://localhost:11434

Claude Code のインストール

これらの例ではすべて、ディレクトリを just-prompt ディレクトリへのパスに置き換えてください。

デフォルトモデルは openai:o3:high、openai:o4-mini:high、anthropic:claude-opus-4-20250514、anthropic:claude-sonnet-4-20250514、gemini:gemini-2.5-pro-preview-03-25、gemini:gemini-2.5-flash-preview-04-17 に設定されています。

リポジトリからそのまま Claude Code を使用する場合、.mcp.json ファイルでデフォルトモデルが次のように設定されていることを確認できます。

{
  "mcpServers": {
    "just-prompt": {
      "type": "stdio",
      "command": "uv",
      "args": [
        "--directory",
        ".",
        "run",
        "just-prompt",
        "--default-models",
        "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"
      ],
      "env": {}
    }
  }
}

--default-models パラメーターは、API エンドポイントに明示的に指定されていない場合に使用するモデルを設定します。リストの最初のモデルは、必要に応じてモデル名を補正する際にも使用されます。モデルはカンマ区切りで複数指定できます。

サーバーの起動時に、環境で利用可能な API キーが自動的に確認され、使用できるプロバイダーが通知されます。キーが見つからない場合、そのプロバイダーは利用不可として表示されますが、サーバーは起動し、利用可能なプロバイダーを使用できます。

mcp add-json を使用する

これをコピーして Claude Code に貼り付けます。ただし、JSON をコピーするまでは実行しないでください。

claude mcp add just-prompt "$(pbpaste)"

コピーする JSON

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt"]
}

カスタムデフォルトモデルを openai:gpt-4o に設定した場合。

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt", "--default-models", "openai:gpt-4o"]
}

デフォルトモデルを複数設定する場合：

{
    "command": "uv",
    "args": ["--directory", ".", "run", "just-prompt", "--default-models", "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"]
}

プロジェクトスコープで mcp add を使用する

# With default models
claude mcp add just-prompt -s project \
  -- \
    uv --directory . \
    run just-prompt

# With custom default model
claude mcp add just-prompt -s project \
  -- \
  uv --directory . \
  run just-prompt --default-models "openai:gpt-4o"

# With multiple default models
claude mcp add just-prompt -s user \
  -- \
  uv --directory . \
  run just-prompt --default-models "openai:o3:high,openai:o4-mini:high,anthropic:claude-opus-4-20250514,anthropic:claude-sonnet-4-20250514,gemini:gemini-2.5-pro-preview-03-25,gemini:gemini-2.5-flash-preview-04-17"

mcp remove

claude mcp remove just-prompt

テストの実行

uv run pytest

コードベースの構成

.
├── ai_docs/                   # Documentation for AI model details
│   ├── extending_thinking_sonny.md
│   ├── llm_providers_details.xml
│   ├── openai-reasoning-effort.md
│   └── pocket-pick-mcp-server-example.xml
├── example_outputs/           # Example outputs from different models
├── list_models.py             # Script to list available LLM models
├── prompts/                   # Example prompt files
├── pyproject.toml             # Python project configuration
├── specs/                     # Project specifications
│   ├── init-just-prompt.md
│   ├── new-tool-llm-as-a-ceo.md
│   └── oai-reasoning-levels.md
├── src/                       # Source code directory
│   └── just_prompt/
│       ├── __init__.py
│       ├── __main__.py
│       ├── atoms/             # Core components
│       │   ├── llm_providers/ # Individual provider implementations
│       │   │   ├── anthropic.py
│       │   │   ├── deepseek.py
│       │   │   ├── gemini.py
│       │   │   ├── groq.py
│       │   │   ├── ollama.py
│       │   │   └── openai.py
│       │   └── shared/        # Shared utilities and data types
│       │       ├── data_types.py
│       │       ├── model_router.py
│       │       ├── utils.py
│       │       └── validator.py
│       ├── molecules/         # Higher-level functionality
│       │   ├── ceo_and_board_prompt.py
│       │   ├── list_models.py
│       │   ├── list_providers.py
│       │   ├── prompt.py
│       │   ├── prompt_from_file.py
│       │   └── prompt_from_file_to_file.py
│       ├── server.py          # MCP server implementation
│       └── tests/             # Test directory
│           ├── atoms/         # Tests for atoms
│           │   ├── llm_providers/
│           │   └── shared/
│           └── molecules/     # Tests for molecules
│               ├── test_ceo_and_board_prompt.py
│               ├── test_list_models.py
│               ├── test_list_providers.py
│               ├── test_prompt.py
│               ├── test_prompt_from_file.py
│               └── test_prompt_from_file_to_file.py
└── ultra_diff_review/         # Diff review outputs

コンテキストの事前読み込み

プロジェクトのコンテキストを把握するために、README.md、pyproject.toml を読み込み、その後 git ls-files と 'eza --git-ignore --tree' を実行してください。

OpenAI o シリーズでの推論の強度

OpenAI o シリーズの推論モデル（o4-mini、o3-mini、o3）では、目に見える回答を生成する前にモデルが行う 内部 推論の量を制御できます。

モデル名の末尾に、次のいずれかのサフィックスを追加します（プロバイダーの接頭辞の後に指定します）。

• :low   – 内部推論を最小限にします（高速で低コスト）。
• :medium – バランスの取れた推論です（省略した場合のデフォルト）。
• :high  – 徹底的に推論します（低速で、より多くのトークンを使用）。

例：

• openai:o4-mini:low
• o:o4-mini:high

推論サフィックスが指定されている場合、just‑prompt は自動的に OpenAI Responses API（利用可能な場合）に切り替え、対応する reasoning.effort パラメーターを設定します。インストールされている OpenAI SDK が古い場合は、Chat Completions エンドポイントに適切にフォールバックし、指定された推論の強度を近似するための内部システム指示を埋め込みます。

Claude での思考トークン

Anthropic Claude モデルの claude-opus-4-20250514 と claude-sonnet-4-20250514 は、思考トークンを使用した拡張思考機能をサポートしています。これにより、Claude は回答する前に、より徹底的に思考できます。

モデル名に次の形式でサフィックスを追加すると、思考トークンを有効にできます。

• anthropic:claude-opus-4-20250514:1k - Opus 4 で 1024 個の思考トークンを使用します
• anthropic:claude-sonnet-4-20250514:4k - Sonnet 4 で 4096 個の思考トークンを使用します
• anthropic:claude-opus-4-20250514:8000 - Opus 4 で 8000 個の思考トークンを使用します

注意：

• 思考トークンは、claude-opus-4-20250514、claude-sonnet-4-20250514、claude-3-7-sonnet-20250219 モデルでサポートされています
• 有効な思考トークンの予算は 1024～16000 です
• この範囲外の値は、自動的に範囲内に調整されます
• 予算は k 表記（1k、4k など）または正確な数値（1024、4096 など）で指定できます

Gemini の思考予算

Google Gemini モデル gemini-2.5-flash-preview-04-17 は、思考予算を使用した拡張思考機能をサポートしています。これにより、Gemini は回答を返す前に、より詳細な推論を行えます。

モデル名に次の形式でサフィックスを追加すると、思考予算を有効にできます。

• gemini:gemini-2.5-flash-preview-04-17:1k - 思考予算を 1024 に設定します
• gemini:gemini-2.5-flash-preview-04-17:4k - 思考予算を 4096 に設定します
• gemini:gemini-2.5-flash-preview-04-17:8000 - 思考予算を 8000 に設定します

注意：

• 思考予算は gemini-2.5-flash-preview-04-17 モデルでのみサポートされています
• 有効な思考予算の範囲は 0 から 24576 です
• 範囲外の値は、自動的に有効範囲内に調整されます
• 予算は k 表記（1k、4k など）または正確な数値（1024、4096 など）で指定できます

リソース

• https://docs.anthropic.com/en/api/models-list?q=list+models
• https://github.com/googleapis/python-genai
• https://platform.openai.com/docs/api-reference/models/list
• https://api-docs.deepseek.com/api/list-models
• https://github.com/ollama/ollama-python
• https://github.com/openai/openai-python

AI コーディングを極める

AI コーディングの基礎となるAI コーディングの原則を学びましょう。

AI コーディングのヒントやコツをさらに知りたい方は、IndyDevDan の YouTube チャンネルをフォローしてください。