MCPでChatGPT、Claude、GeminiからGribStreamを使う

有用な気象の質問は、最初からAPIリクエストとして始まることはあまりありません。

たとえば、最初は次のような質問に近いはずです。

明日のリスボンの風と湿度はどうなりそうですか？

あるいは:

同じ時間帯について、直近3つのモデル実行は何を示していましたか？

新しいGribStream MCPコネクターは、この中間段階を担当するためのものです。つまり、気象の質問を、実際に実行できる正確なGribStreamリクエストへ変換します。ChatGPT、Claude、Gemini CLI、またはMCP対応クライアントを次のURLに向けることができます。

https://gribstream.com/mcp

このコネクターは読み取り専用です。/timeseriesや/runsを実行せず、GribStream APIトークンも必要ありません。その代わり、AIツールがリクエストを組み立てるために必要なカタログとリクエスト作成ツールを公開します。完成したリクエストは、通常のAPIでお客様が実行できます。

これにより、AIツールは次のような作業を支援できます。

• GribStreamはどのデータセットをサポートしていて、それをどう確認できますか？
• 明日のリスボンについて、気温、風、湿度をどう取得しますか？
• その地点クエリを、ポルトガル上の0.5度格子に変更できますか？
• 18時間前をモデル実行時刻の基準にすると、同じ時間帯はどう見えますか？
• 同じ有効時刻について、直近3つのモデル実行をどう取得しますか？
• リクエストをGFSからIFS Operationalに切り替え、セレクタを解決し直せますか？

結果は通常のGribStream APIリクエストです。curl、JSON本文、HTTPヘッダー、そして何を変更したかの説明が返ります。

なぜ役立つのか

予報リクエストは一見正しそうに見えても、実際には間違っていることがあります。

AIは「10 m風速」という意味を理解できますが、それがモデルの生出力では必ずしも1つのフィールドとして存在するとは限りません。U/V風成分から導出する必要がある場合があります。「2 m気温」を知っていても、特定データセットのセレクタを間違えることがあります。有効なJSONのように見えても、有効時刻とモデル実行時刻を取り違えることがあります。

MCPコネクターは、そうした間違いを避けるために必要な部品を公開します。

• データセットメタデータ
• 正確なパラメータ名と、利用できるセレクタの組み合わせ
• temperature_2m、wind_speed_10m、relative_humidity_2mなどの共通パラメータ
• 計算式の構文と対応する数学ヘルパー
• /timeseriesと/runs向けのリクエスト作成機能
• データ取得リクエストを実行する前のリクエスト検証

これは、今月初めに公開した公開カタログエンドポイントの上に構築されています。

ワークフローの考え方

ホスト型MCPは、AIツールによるリクエスト作成を支援します。実際にデータを取得するのは、引き続き通常のGribStream APIです。

データに直接アクセスする場合は、これまで通り次を使います。

• POST /api/v2/{dataset}/timeseries: 各有効時刻で条件に合う最良値
• POST /api/v2/{dataset}/runs: モデル実行履歴や、予報が古くなる過程を比較するクエリ

シェルコマンドを実行できるローカルAIコーディングツールを使っている場合は、環境変数にトークンを設定します。

export GRIBSTREAM_API_TOKEN='YOUR_TOKEN_HERE'

その後、AIはMCPでリクエストを組み立て、トークンを使って通常のAPI呼び出しを実行できます。

ChatGPTやClaudeのようなブラウザ上のAIツールでは、ホスト型MCPは主にリクエスト作成とデータセット発見のための層として機能します。実行用リクエストを生成できますが、実際のデータ取得はGribStreamへの通常の認証付きAPI呼び出しです。

会話から分析へ進む

副次的な利点として、気象分析を会話から始めやすくなります。

MCP対応のAIツールでは、まず広く聞くことができます。

全球予報に使えるGribStreamのモデルは何ですか？

そこから範囲を絞ります。

明日のリスボンについて、気温、風速、相対湿度のリクエストを作ってください。

次に対象範囲を変えます。

0.5度の格子でポルトガル上を対象にしてください。

さらにバックテストへ進めます。

18時間前をモデル実行時刻の基準にすると、これはどう見えていましたか？

次にエンドポイントを切り替えます。

同じ有効時刻を予報していた直近3つのモデル実行をください。

最後にモデルを比較します。

GFSではなくIFSでも同じことをしてください。

そこから、GribStreamトークンを設定したローカルAIツールでリクエストを実行し、結果を分析できます。モデル比較、解析データセットに対する平均絶対誤差、しきい値の探索、2つのモデルが最も大きく違う場所の要約などに進めます。

これは丁寧な気象解析の代替ではありません。ただし、質問から最初の有用なデータセットに到達するまでの機械的な作業をかなり減らします。

セットアップ

セットアップ手順は新しいAIツール向けGribStreamページにあります。

大まかには次の通りです。

• ChatGPT: Streamable HTTPとhttps://gribstream.com/mcpを使ってカスタムMCPコネクターを追加します。
• Claude: URL https://gribstream.com/mcpでカスタムコネクターを追加します。
• Gemini CLI: ~/.gemini/settings.jsonにhttps://gribstream.com/mcpをMCPサーバーとして追加します。

同じページから、ベンダー非依存のGribStream skillファイル、OpenAPI仕様、クイックスタート、Expressionsガイドにも移動できます。

次にやること

文章の例も役に立ちますが、この機能は実際に動くところを見ると理解しやすい種類のものです。

次は、短い動画で操作の流れを見せるのが有用です。MCPへの接続、AIツールでのリクエスト作成、トークンを使った実行、簡単なモデル比較や誤差分析までを一続きで示せます。

今のところ、コネクターはこちらで利用できます。

https://gribstream.com/mcp

AIセットアップページはこちらです。

• AIツール向けGribStream