sparkient

Make structured decisions in under 100ms — faster than any LLM API call.

От сообществаРаботаетБез входаГлобальныйБесплатноТолько чтение

Что умеет

  • Make Decision: Make a structured decision in under 100ms. Requires a trained and deployed model for the given decision type. If no model is deployed, the API returns 428 (model_not_deployed). Use trai
  • Batch Decisions: Make up to 50 decisions in a single batch call. Each item in the list should have: - decision_type: str — name of the decision type - input_data: dict — input payload - request_id: st
  • List Decision Types: List all decision types in your organisation. Returns a paginated list of decision types with their name, description, status, and option labels.

Какие данные видит

Нужен ли аккаунт

Не нужен: сервер работает без входа

Make structured decisions in under 100ms — faster than any LLM API call. Define any decision type your app needs, train a lightweight ML model from AI-generated examples, and get instant decisions with confidence scores and reason codes. No ML team or historical data required. From moderation to routing to fraud — if an LLM can judge it, Sparkient can compile it.

Как подключить

Как подключить sparkient к Claude

Адрес сервера, который нужно вставить в настройках Claude:

https://sparkient--sparkient.run.tools

  1. Откройте Claude (сайт claude.ai или приложение для компьютера).
  2. Перейдите в Настройки → Коннекторы (в английском интерфейсе: Settings → Connectors).
  3. Нажмите Добавить пользовательский коннектор (Add custom connector).
  4. Вставьте адрес сервера, скопированный ниже, в поле URL удалённого MCP-сервера и нажмите Добавить.
  5. В чате нажмите + → Коннекторы и включите новый коннектор.

Пользовательские коннекторы доступны на тарифах Free, Pro, Max, Team и Enterprise. На Free можно добавить только один. В Team и Enterprise коннектор сначала добавляет владелец организации в Настройки организации → Коннекторы.

Авторизация

После нажатия Добавить откроется окно входа в сервис. Войдите под своим аккаунтом и подтвердите доступ. Пароль Claude не видит.

Как подключить sparkient к ChatGPT

Адрес сервера, который нужно вставить в настройках ChatGPT:

https://sparkient--sparkient.run.tools

  1. Откройте ChatGPT в браузере (chatgpt.com). Нужен тариф Plus, Pro, Business, Enterprise или Edu.
  2. Один раз включите режим разработчика: Настройки → Приложения → Дополнительные настройки → Режим разработчика (Settings → Apps → Advanced settings → Developer mode).
  3. Откройте Настройки → Коннекторы и нажмите Создать (Create).
  4. Заполните форму: Название (любое), Описание (одна фраза, что делает сервис), URL MCP-сервера (скопируйте ниже).
  5. В поле Аутентификация выберите OAuth, если сервис требует вход, иначе Нет. Нажмите Создать.
  6. В новом чате откройте + → Приложения/Коннекторы и включите коннектор.

Название раздела у OpenAI менялось (Connectors → Apps/Plugins). Если пункт называется иначе, ищите «режим разработчика» в настройках. В рабочих пространствах Business/Enterprise администратор должен разрешить пользовательские коннекторы.

Авторизация

При первом использовании ChatGPT откроет окно входа в сервис. Войдите и подтвердите доступ.

Как подключить sparkient к Cursor

Адрес сервера, который нужно вставить в настройках Cursor:

https://sparkient--sparkient.run.tools

Быстрый способ: нажмите кнопку Открыть в Cursor ниже, Cursor сам предложит добавить сервер.

Вручную:

  1. В Cursor откройте Settings → Cursor Settings → MCP и нажмите Add new global MCP server.
  2. Вставьте JSON, скопированный ниже, в открывшийся файл ~/.cursor/mcp.json (для одного проекта: .cursor/mcp.json в корне проекта).
  3. Сохраните файл. Сервер появится в списке MCP; при необходимости пройдите авторизацию по кнопке рядом с ним.

Авторизация

Если сервис требует вход, рядом с сервером в списке MCP появится кнопка авторизации.

Список инструментов сервера (13)

Технические названия из tools/list. Нужны только разработчикам.

make_decisionMake a structured decision in under 100ms. Requires a trained and deployed model for the given decision type. If no model is deployed, the API returns 428 (model_not_deployed). Use train_model to train and deploy a model first. The decision goes through a multi-stage pipeline: 1. CEL rules — deterministic, <1ms 2. ML classifier — ONNX model, <10ms 3. LLM escalation — Gemini fallback, only if low confidence Every decision returns: decision, confidence, reason_codes, latency_ms, stage, and whether it was escalated.
batch_decisionsMake up to 50 decisions in a single batch call. Each item in the list should have: - decision_type: str — name of the decision type - input_data: dict — input payload - request_id: str (optional) — idempotency key
list_decision_typesList all decision types in your organisation. Returns a paginated list of decision types with their name, description, status, and option labels.
get_decision_typeGet the full configuration of a specific decision type. Returns the complete decision type including name, description, options, reason codes, rules, input schema, training status, active model version, and confidence thresholds.
create_decision_typeCreate a new decision type. A decision type defines a category of decisions your system makes. For example, 'content_moderation' with options ['approve', 'reject', 'escalate'].
add_examplesAdd labelled training examples to a decision type. More examples improve model accuracy. Aim for at least 50 examples per option, with balanced class distribution.
generate_examplesGenerate synthetic training examples using AI. Uses the decision type's description and options to generate realistic labelled examples. Good for bootstrapping a new decision type before you have real data.
train_modelTrigger model training for a decision type. Training runs asynchronously. The pipeline: 1. Extracts features from examples (numeric, categorical, text embeddings) 2. Trains a decision classifier with automated optimization 3. Compiles the model for fast inference 4. Optionally deploys the model for live inference Available presets: - 'fast' — quick training, faster optimization - 'balanced' — default, good accuracy/speed trade-off - 'thorough' — maximum accuracy, more thorough optimization
get_training_statusCheck real-time training progress for a model being trained. Returns the current training stage, progress percentage, elapsed time, and a list of completed stages. Poll every 3-5 seconds while training is in progress. The training pipeline has multiple stages: 1. Generating training data (if needed) 2. Preparing and balancing data 3. Analyzing input features 4. Training text analysis model (if text fields present) 5. Training decision classifier 6. Evaluating model quality 7. Finalizing and packaging
get_decision_logsQuery past decision logs for a decision type. Returns a paginated list of decisions including input data, decision, confidence, stage, latency, and timestamp. Useful for auditing, debugging, or finding examples for retraining.
get_metricsGet org-level aggregate metrics. Returns summary statistics for your organisation including total decisions, decisions today, average latency, and per-decision-type breakdowns.
get_creditsCheck your organisation's current credit balance. Returns how many credits remain this billing period, the total allocation, percentage used, plan tier, and when credits reset. Use this before running expensive operations (batch decisions, training, example generation) to ensure you have enough credits.
export_edge_bundleExport a trained model as a standalone edge bundle (ZIP). Downloads the active deployed model, feature config, CEL rules, and metadata as a self-contained ZIP file. The bundle can run offline with zero cloud dependencies using the sparkient-edge SDK: from sparkient_edge import EdgePredictor predictor = EdgePredictor.from_bundle("bundle.zip") result = predictor.predict({"text": "hello"}) Requires a deployed model (call train_model first). Requires Growth plan or above.