Use o GribStream no ChatGPT, Claude e Gemini com MCP

Boas perguntas meteorológicas raramente começam como requisições de API.

Elas começam mais ou menos assim:

Como vão estar o vento e a umidade em Lisboa amanhã?

ou:

Mostre o que as últimas três execuções do modelo diziam para esses mesmos horários.

O novo conector MCP do GribStream foi feito para esse passo intermediário: transformar uma pergunta meteorológica na requisição exata do GribStream que você executaria. Você pode configurar ChatGPT, Claude, Gemini CLI ou outro cliente compatível com MCP para usar:

https://gribstream.com/mcp

O conector é somente leitura. Ele não executa /timeseries nem /runs, e não precisa de um token da API do GribStream. Em vez disso, ele expõe o catálogo e as ferramentas de construção de requisições que uma IA precisa para preparar uma requisição que depois pode ser executada pela API normal.

Isso permite que a IA ajude com perguntas como:

• Quais datasets o GribStream suporta, e como dá para confirmar?
• Como obtenho temperatura, vento e umidade para Lisboa amanhã?
• Você pode transformar essa consulta pontual em uma grade de 0,5 grau sobre Portugal?
• Como a previsão ficaria com um corte por execução do modelo de 18 horas atrás?
• Como consulto as últimas três execuções do modelo para esses mesmos horários válidos?
• Você pode trocar a requisição de GFS para IFS Operational e corrigir os seletores?

O resultado é uma requisição normal para a API do GribStream: um curl, um body JSON, headers HTTP e uma explicação do que mudou.

Por que isso ajuda

Uma requisição de previsão pode parecer razoável e ainda assim estar errada.

Uma IA pode entender "velocidade do vento a 10 metros", mas isso nem sempre é um único campo na saída bruta do modelo. Às vezes é derivado dos componentes U e V do vento. Ela pode reconhecer "temperatura a 2 metros", mas ainda escolher o seletor errado para um dataset específico. Pode produzir um JSON com aparência válida, mas confundir horários válidos com horários de execução do modelo.

O conector MCP expõe as peças necessárias para evitar esses erros:

• metadados de datasets
• nomes exatos de parâmetros e variações de seletores
• shared parameters como temperature_2m, wind_speed_10m e relative_humidity_2m
• sintaxe de expressions e helpers matemáticos suportados
• construtores de requisições para /timeseries e /runs
• validação de requisição antes da consulta de dados ser executada

Isso se apoia nos endpoints públicos de catálogo que publicamos no começo deste mês.

O workflow

O MCP hospedado ajuda a IA a construir a requisição. A API normal do GribStream continua sendo quem executa a consulta de dados.

Para acesso direto a dados, você continua usando:

• POST /api/v2/{dataset}/timeseries para os melhores valores elegíveis por horário válido
• POST /api/v2/{dataset}/runs para consultas de histórico de execuções e envelhecimento da previsão

Se você usa uma ferramenta local de IA para programação que pode executar comandos de shell, configure seu token no ambiente:

export GRIBSTREAM_API_TOKEN='YOUR_TOKEN_HERE'

Então a IA pode usar o MCP para construir a requisição e usar o token para executar a chamada normal da API.

Para ferramentas web como ChatGPT ou Claude, o MCP hospedado funciona principalmente como uma camada de descoberta e construção de requisições. Ele pode produzir a requisição para você executar; a consulta de dados continua sendo uma chamada normal autenticada ao GribStream.

Conversar até chegar a uma análise

Um efeito útil é que a análise meteorológica pode ficar mais conversacional.

Com uma ferramenta de IA compatível com MCP, você pode começar amplo:

Quais modelos o GribStream suporta para previsões globais?

Depois restringir a tarefa:

Construa uma requisição para temperatura, velocidade do vento e umidade relativa em Lisboa amanhã.

Depois mudar a geometria:

Faça isso como uma grade sobre Portugal a 0,5 grau.

Depois entrar em backtesting:

Como isso teria parecido com um corte por execução do modelo de 18 horas atrás?

Depois trocar de endpoint:

Me dê as últimas três execuções que previam esses mesmos horários válidos.

Depois comparar modelos:

Agora faça a mesma coisa com IFS em vez de GFS.

A partir daí, uma ferramenta local de IA com um token do GribStream configurado pode executar as requisições e analisar o resultado: comparar modelos, calcular erro absoluto médio em relação a um dataset de análise, buscar limites ou resumir onde dois modelos mais discordam.

Isso não substitui uma análise meteorológica cuidadosa. Mas remove muito trabalho mecânico entre a pergunta e o primeiro dataset útil.

Configuração

As instruções de configuração estão na nova página GribStream para ferramentas de IA.

Em linhas gerais:

• ChatGPT: adicione um conector MCP personalizado usando Streamable HTTP e https://gribstream.com/mcp.
• Claude: adicione um conector personalizado com a URL https://gribstream.com/mcp.
• Gemini CLI: adicione https://gribstream.com/mcp como servidor MCP em ~/.gemini/settings.json.

A mesma página também aponta para o arquivo de skill GribStream independente de fornecedor, a especificação OpenAPI, o início rápido e o guia de expressions.

O que vem depois

Os exemplos escritos são úteis, mas esse tipo de recurso fica mais fácil de entender quando você vê acontecendo.

Um vídeo curto seria um bom próximo passo: conectar o MCP, pedir para uma IA construir uma requisição, executá-la com um token e depois iterar até um pequeno workflow de comparação de modelos ou análise de erro.

Por enquanto, o conector está disponível em:

https://gribstream.com/mcp

E a página de configuração para IA está aqui:

• GribStream para ferramentas de IA