GribStream aus ChatGPT, Claude und Gemini mit MCP nutzen

Gute Wetterfragen beginnen selten als API-Requests.

Sie klingen eher so:

Wie werden Wind und Luftfeuchtigkeit morgen in Lissabon aussehen?

oder:

Zeig mir, was die letzten drei Modellläufe für dieselben Stunden gesagt haben.

Der neue GribStream-MCP-Connector ist für genau diesen Zwischenschritt gedacht: eine Wetterfrage in den exakten GribStream-Request zu übersetzen, den Sie ausführen würden. Sie können ChatGPT, Claude, Gemini CLI oder einen anderen MCP-fähigen Client auf folgende URL zeigen lassen:

https://gribstream.com/mcp

Der Connector ist nur lesend. Er führt weder /timeseries noch /runs aus und braucht keinen GribStream-API-Token. Stattdessen stellt er den Katalog und Werkzeuge zum Erstellen von Requests bereit, die ein KI-Tool braucht, um einen Request vorzubereiten, den Sie anschließend über die normale API ausführen können.

Damit kann KI bei Fragen wie diesen helfen:

• Welche Datasets unterstützt GribStream, und wie lässt sich das prüfen?
• Wie bekomme ich Temperatur, Wind und Luftfeuchtigkeit für Lissabon morgen?
• Wandeln Sie diese Punktabfrage in ein 0,5-Grad-Grid über Portugal um.
• Wie sah die Vorhersage vor 18 Stunden aus?
• Wie frage ich die letzten drei Modellläufe für dieselben gültigen Zeiten ab?
• Stellen Sie den Request von GFS auf IFS Operational um und korrigieren Sie die Selektoren.

Das Ergebnis ist ein normaler GribStream-API-Request: ein curl, ein JSON-Body, Header und eine Erklärung, was sich geändert hat.

Warum das hilft

Ein Forecast-Request kann plausibel aussehen und trotzdem falsch sein.

Ein KI-Tool kann "10-meter wind speed" verstehen, also Windgeschwindigkeit in 10 m, aber das ist im rohen Modelloutput nicht immer ein einzelnes Feld. Manchmal wird es aus den U- und V-Windkomponenten abgeleitet. Es kann "2-meter temperature" erkennen, also Temperatur in 2 m, und trotzdem den falschen Selektor für ein bestimmtes Dataset wählen. Es kann gültig aussehendes JSON erzeugen, aber gültige Zeiten und Modelllaufzeiten verwechseln.

Der MCP-Connector stellt die Bausteine bereit, die solche Fehler vermeiden:

• Dataset-Metadaten
• exakte Parameternamen und Selector-Varianten
• gemeinsame Parameter wie temperature_2m, wind_speed_10m und relative_humidity_2m
• Expression-Syntax und unterstützte mathematische Hilfsfunktionen
• Request-Builder für /timeseries und /runs
• Request-Validierung, bevor die Datenabfrage ausgeführt wird

Das baut auf den öffentlichen Katalog-Endpoints auf, die wir Anfang des Monats veröffentlicht haben.

Der Workflow

Das gehostete MCP hilft dem KI-Tool beim Aufbau des Requests. Die normale GribStream-API führt ihn weiterhin aus.

Für direkten Datenzugriff nutzen Sie weiter:

• POST /api/v2/{dataset}/timeseries für die besten verfügbaren Werte je gültiger Zeit
• POST /api/v2/{dataset}/runs für Abfragen über Laufhistorie und Forecast-Aging

Wenn Sie ein lokales KI-Coding-Tool nutzen, das Shell-Kommandos ausführen kann, setzen Sie Ihren Token in der Umgebung:

export GRIBSTREAM_API_TOKEN='YOUR_TOKEN_HERE'

Dann kann das KI-Tool das MCP nutzen, um den Request zu bauen, und den Token verwenden, um den normalen API-Aufruf auszuführen.

Für webbasierte Tools wie ChatGPT oder Claude ist das gehostete MCP vor allem eine Ebene zum Entdecken und Erstellen von Requests. Es kann den Request erzeugen, den Sie danach ausführen; die Datenabfrage bleibt ein normaler authentifizierter Aufruf an GribStream.

Vom Gespräch zur Analyse

Ein nützlicher Nebeneffekt ist, dass Wetteranalyse dialogorientierter werden kann.

Mit einem MCP-fähigen KI-Tool können Sie breit beginnen:

Welche Modelle unterstützt GribStream für globale Vorhersagen?

Dann die Aufgabe eingrenzen:

Erstelle einen Request für Temperatur, Windgeschwindigkeit und relative Luftfeuchtigkeit in Lissabon morgen.

Dann die Geometrie ändern:

Mach daraus ein Grid über Portugal mit 0,5 Grad.

Dann in Backtesting wechseln:

Wie hätte das ausgesehen, wenn ich nur Vorhersagen verwendet hätte, die vor 18 Stunden verfügbar waren?

Dann den Endpoint wechseln:

Gib mir die letzten drei Läufe, die dieselben gültigen Stunden vorhergesagt haben.

Dann Modelle vergleichen:

Jetzt mach dasselbe mit IFS statt GFS.

Von dort kann ein lokales KI-Tool mit konfiguriertem GribStream-Token die Requests ausführen und das Ergebnis analysieren: Modelle vergleichen, den mittleren absoluten Fehler gegen ein Analyse-Dataset berechnen, Schwellenwerte suchen oder zusammenfassen, wo zwei Modelle am stärksten auseinanderliegen.

Das ersetzt keine sorgfältige meteorologische Analyse. Es entfernt aber viel mechanische Arbeit zwischen der Frage und dem ersten nützlichen Dataset.

Setup

Die Setup-Anleitung steht auf der neuen Seite GribStream für KI-Tools.

Auf hoher Ebene:

• ChatGPT: einen benutzerdefinierten MCP-Connector mit Streamable HTTP und https://gribstream.com/mcp hinzufügen.
• Claude: einen benutzerdefinierten Connector mit der URL https://gribstream.com/mcp hinzufügen.
• Gemini CLI: https://gribstream.com/mcp als MCP-Server in ~/.gemini/settings.json eintragen.

Dieselbe Seite verlinkt außerdem auf die anbieterneutrale GribStream-Skill-Datei, die OpenAPI-Spezifikation, den Quickstart und den Expressions-Guide.

Was als Nächstes kommt

Schriftliche Beispiele sind nützlich, aber diese Art Feature versteht man leichter, wenn man es in Aktion sieht.

Ein kurzes Walkthrough-Video wäre ein sinnvoller nächster Schritt: MCP verbinden, ein KI-Tool einen Request bauen lassen, ihn mit einem Token ausführen und dann in einen kleinen Workflow für Modellvergleich oder Fehleranalyse iterieren.

Der Connector ist jetzt verfügbar unter:

https://gribstream.com/mcp

Und die KI-Setup-Seite ist hier:

• GribStream für KI-Tools