Usa GribStream desde ChatGPT, Claude y Gemini con MCP

Las buenas preguntas meteorológicas rara vez empiezan como solicitudes API.

Empiezan más parecido a:

¿Cómo estarán el viento y la humedad en Lisboa mañana?

o:

Muéstrame qué decían las últimas tres ejecuciones del modelo para esas mismas horas.

El nuevo conector MCP de GribStream está pensado para ese paso intermedio: convertir una pregunta meteorológica en la solicitud exacta de GribStream que ejecutarías. Puedes configurar ChatGPT, Claude, Gemini CLI u otro cliente compatible con MCP para usar:

https://gribstream.com/mcp

El conector es de solo lectura. No ejecuta /timeseries ni /runs, y no necesita un token de API de GribStream. En cambio, expone el catálogo y las herramientas de construcción de solicitudes que una IA necesita para preparar una solicitud que luego puedes ejecutar con la API normal.

Eso permite que la IA ayude con preguntas como:

• ¿Qué datasets soporta GribStream y cómo puedo comprobarlo?
• ¿Cómo obtengo temperatura, viento y humedad para Lisboa mañana?
• ¿Puedes convertir esa consulta puntual en una grilla de 0,5 grados sobre Portugal?
• ¿Cómo se veía el pronóstico hace 18 horas?
• ¿Cómo consulto las últimas tres ejecuciones del modelo para esas mismas horas válidas?
• ¿Puedes cambiar la solicitud de GFS a IFS Operational y corregir los selectores?

El resultado es una solicitud normal a la API de GribStream: un curl, un body JSON, headers HTTP y una explicación de qué cambió.

Por qué ayuda

Una solicitud de pronóstico puede verse razonable y aun así estar mal.

Una IA puede entender "velocidad del viento a 10 metros", pero eso no siempre es un solo campo en la salida cruda del modelo. A veces se deriva de los componentes U y V del viento. Puede reconocer "temperatura a 2 metros", pero elegir de todos modos el selector incorrecto para un dataset específico. Puede producir JSON con apariencia válida, pero confundir tiempos válidos con tiempos de ejecución del modelo.

El conector MCP expone las piezas necesarias para evitar esos errores:

• metadatos de datasets
• nombres exactos de parámetros y variaciones de selectores
• parámetros compartidos como temperature_2m, wind_speed_10m y relative_humidity_2m
• sintaxis de expresiones y funciones matemáticas soportadas
• constructores de solicitudes para /timeseries y /runs
• validación de solicitudes antes de ejecutar la consulta de datos

Esto se apoya en los endpoints públicos de catálogo que publicamos a comienzos de este mes.

El workflow

El MCP alojado ayuda a la IA a construir la solicitud. La API normal de GribStream sigue siendo la que ejecuta la consulta de datos.

Para acceso directo a datos, sigues usando:

• POST /api/v2/{dataset}/timeseries para los mejores valores disponibles por tiempo válido
• POST /api/v2/{dataset}/runs para consultas de historial de ejecuciones y envejecimiento del pronóstico

Si usas una herramienta local de IA para programación que puede ejecutar comandos de shell, configura tu token en el entorno:

export GRIBSTREAM_API_TOKEN='YOUR_TOKEN_HERE'

Entonces la IA puede usar el MCP para construir la solicitud y usar el token para ejecutar la llamada normal a la API.

Para herramientas web como ChatGPT o Claude, el MCP alojado funciona principalmente como una capa de descubrimiento y construcción de solicitudes. Puede producir la solicitud para que la ejecutes; la consulta de datos sigue siendo una llamada normal autenticada a GribStream.

Conversar hasta llegar a un análisis

Un efecto útil es que el análisis meteorológico puede volverse más conversacional.

Con una herramienta de IA compatible con MCP, puedes empezar amplio:

¿Qué modelos soporta GribStream para pronósticos globales?

Luego acotar la tarea:

Construye una solicitud para temperatura, velocidad del viento y humedad relativa en Lisboa mañana.

Luego cambiar la geometría:

Hazlo como una grilla sobre Portugal a 0,5 grados.

Luego entrar en backtesting:

¿Cómo se habría visto esto si solo hubiera usado pronósticos disponibles hace 18 horas?

Luego cambiar de endpoint:

Dame las últimas tres ejecuciones que pronosticaban esas mismas horas válidas.

Luego comparar modelos:

Ahora haz lo mismo con IFS en lugar de GFS.

A partir de ahí, una herramienta local de IA con un token de GribStream configurado puede ejecutar las solicitudes y analizar el resultado: comparar modelos, calcular error absoluto medio contra un dataset de análisis, buscar umbrales o resumir dónde dos modelos discrepan más.

Eso no reemplaza el análisis meteorológico cuidadoso. Sí elimina mucho trabajo mecánico entre la pregunta y el primer dataset útil.

Configuración

Las instrucciones de configuración están en la nueva página GribStream para herramientas de IA.

En términos generales:

• ChatGPT: agrega un conector MCP personalizado usando Streamable HTTP y https://gribstream.com/mcp.
• Claude: agrega un conector personalizado con la URL https://gribstream.com/mcp.
• Gemini CLI: agrega https://gribstream.com/mcp como servidor MCP en ~/.gemini/settings.json.

La misma página también enlaza al archivo de skill GribStream independiente del proveedor, la especificación OpenAPI, la guía de inicio rápido y la guía de expresiones.

Qué sigue

Los ejemplos escritos son útiles, pero este tipo de función se entiende mejor cuando se la ve en acción.

Un video corto sería un buen próximo paso: conectar el MCP, pedirle a una IA que construya una solicitud, ejecutarla con un token y luego iterar hacia un workflow pequeño de comparación de modelos o análisis de error.

Por ahora, el conector está disponible en:

https://gribstream.com/mcp

Y la página de configuración para IA está aquí:

• GribStream para herramientas de IA