MCP-Server

KI-Assistenten und Agent-Frameworks über das Model Context Protocol mit Crowdee verbinden.

Die Crowdee API enthält einen Model Context Protocol (MCP)-Server. Er ermöglicht KI-Entwicklungsassistenten, Agent-Frameworks und jedem MCP-kompatiblen Client die Interaktion mit Projekten, Pipelines, Datensätzen und Crowdsourcing-Jobs — ohne manuelles Schreiben von REST-Aufrufen.

Endpunkt

POST https://api.crowdee.ai/v2/mcp

Der Server verwendet den Streamable-HTTP-Transport (@hono/mcp). Verbinden Sie sich mit jedem MCP-Client, der diesen Transport unterstützt.

Authentifizierung

Die Authentifizierung ist identisch zur REST-API. Übergeben Sie Ihren API-Schlüssel bei jeder Anfrage:

X-API-Key: crw_YOUR_API_KEY

Um eine bestimmte Organisation anzusprechen, fügen Sie hinzu:

X-Organization-Id: YOUR_ORG_ID

Informationen zum Erstellen von API-Schlüsseln finden Sie unter Authentifizierung.

Client verbinden

Die meisten MCP-Clients akzeptieren einen Server-Konfigurationsblock. Beispiel für einen generischen HTTP-MCP-Client:

{
  "mcpServers": {
    "crowdee": {
      "type": "http",
      "url": "https://api.crowdee.ai/v2/mcp",
      "headers": {
        "X-API-Key": "crw_YOUR_API_KEY"
      }
    }
  }
}

Verbindung prüfen

curl -X POST https://api.crowdee.ai/v2/mcp \
  -H "X-API-Key: crw_YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","method":"tools/list","id":1}'

Eine erfolgreiche Antwort listet alle 33 verfügbaren Tools auf.

Tools

Der Server stellt 33 Tools geordnet nach Domäne bereit:

Identität & Organisation

Tool	Beschreibung
`get_current_user`	Gibt den authentifizierten Benutzer und die aktive Organisation zurück.
`list_organizations`	Listet alle Organisationen auf, zu denen der aktuelle Benutzer gehört.

Projekte

Tool	Beschreibung
`list_projects`	Listet Projekte in der aktiven Organisation auf. Akzeptiert `limit` / `offset`.
`get_project`	Gibt ein einzelnes Projekt per `projectId` zurück.
`create_project`	Erstellt ein Projekt. Erfordert `name`; akzeptiert `description` und `type` (`standard` oder `research`).
`update_project`	Aktualisiert `name` oder `description` eines Projekts.
`list_project_files`	Listet Dateien eines Projekts auf. Akzeptiert `limit` / `offset`.

Datensätze

Tool	Beschreibung
`list_datasets`	Listet Datensätze in der aktiven Organisation auf.
`get_dataset`	Gibt einen Datensatz mit allen Versionen zurück.
`create_dataset`	Erstellt einen Datensatz und eine initiale Raw-Version. Erfordert `name`, `internalId` und `modality`.
`delete_dataset`	Löscht einen Datensatz per `datasetId`.

Verifikations-Pipelines

Tool	Beschreibung
`list_pipeline_catalog`	Gibt alle 14 eingebauten Verifikations-Pipeline-Definitionen zurück, einschließlich Stufenübersichten und Datei-/Kontextanforderungen.
`run_verification_pipeline`	Startet einen Verifikations-Run auf einem Research-Projekt. Erfordert `projectId`, `pipelineSlug` und `fileIds`; akzeptiert `contextId` oder inline `contextData`. Zieht Credits vom Organisations-Guthaben ab.
`list_verification_runs`	Listet Runs für ein Projekt auf. Akzeptiert `status`-Filter und `limit` / `offset`.
`get_verification_run`	Gibt einen Run mit vollständiger stufenweiser Aufschlüsselung und zugehörigen Dateien zurück.

run_verification_pipeline führt dieselbe Credit-Abzug- und Kontext-Auflösung durch wie der REST-Endpunkt POST /v2/projects/:id/verification-runs. Das Projekt muss vom Typ research sein.

Language-Technology-Pipelines

Tool	Beschreibung
`list_lt_pipeline_catalog`	Gibt alle 7 eingebauten LT-Pipeline-Definitionen zurück (Transkription, OCR, NER, Übersetzung, Sprachidentifikation).
`run_lt_pipeline`	Führt eine LT-Pipeline auf einer oder mehreren Projektdateien aus — ein Run pro Datei. Akzeptiert optionale `contextData` (z.B. `{ "target_language": "Deutsch" }` für Übersetzung).
`get_lt_run`	Gibt einen LT-Run-Datensatz inkl. strukturierter Ergebnisnutzlast zurück (Transkript, Entitäten, Übersetzung usw.).

Crowdsourcing

Tool	Beschreibung
`list_crowd_jobs`	Listet Jobs für ein Projekt auf. Akzeptiert `status`-Filter und `limit` / `offset`.
`get_crowd_job`	Gibt einen Job mit Live-Slot-Statistiken zurück (zugewiesen, eingereicht, abgelaufen, Antworten nach Status).
`create_crowd_job`	Erstellt einen Crowdsourcing-Job. Erfordert `projectId`, `name`, `title`, `description` und `surveyTemplateVersionId`.
`list_crowd_answers`	Listet Antworten für einen Job auf. Akzeptiert `status`-Filter und `limit` / `offset`.
`accept_crowd_answer`	Akzeptiert eine ausstehende Antwort per `answerId`.
`reject_crowd_answer`	Lehnt eine ausstehende Antwort per `answerId` mit optionalem `reason` ab.

Content Gathering

Tool	Beschreibung
`create_gathering_job`	Erstellt einen Content-Gathering-Crowd-Job: Die Crowd durchsucht Plattformen/das Web nach zu den Kriterien passenden Einträgen (Schlüsselwörter, Plattformen, Sprachen, Inhaltstypen).
`list_gathered_items`	Listet Einträge auf, die eine Crowd für einen Content-Gathering-Job gesammelt hat. Akzeptiert `reviewStatus`-Filter und `limit` / `offset`.
`update_gathered_item`	Akzeptiert, lehnt ab oder markiert einen gesammelten Eintrag per `itemId` als Duplikat.
`gathered_items_to_dataset`	Wandelt die geprüften Einträge eines Gathering-Jobs (mit angehängten Dateien) in ein neues Dataset um.

KI-Ergebnisbewertung

Tool	Beschreibung
`create_ai_output_evaluation`	Fordert ein Crowd-Panel an, die Transparenz (Klarheit, Evidenz, Handlungsleitung, Bias-Risiko) eines abgeschlossenen Verifikations- oder Language-Technology-Laufs zu bewerten. Erzeugt die Crowd-Aufgabe automatisch.
`create_external_ai_output_evaluation`	Fordert ein Crowd-Panel an, die Transparenz einer Ausgabe Ihres eigenen (nicht von Crowdee stammenden) KI-Systems zu bewerten — `modelName`, `verdict`, `explanation` werden direkt übergeben. Speichert die Einreichung über die Input-Data-Tabellen und verteilt dieselbe Crowd-Bewertung wie `create_ai_output_evaluation`.
`get_ai_output_evaluation_results`	Gibt einzelne Crowd-Bewertungen und den Gesamttransparenzwert für einen Bewertungs-Batch zurück.

Kontinuierliches Monitoring

Tool	Beschreibung
`create_monitoring_schedule`	Erstellt einen wiederkehrenden Zeitplan, der regelmäßig einen abgeschlossenen Lauf als Stichprobe auswählt und dafür eine KI-Ergebnisbewertung verteilt, um Drift im Zeitverlauf zu verfolgen.
`list_monitoring_runs`	Listet die Durchlauf-Historie für einen Monitoring-Zeitplan auf, einschließlich Drift-Markierungen und Gesamtwerten.

Ressourcen

Zwei MCP-Ressourcen stellen statische Katalogdaten bereit:

URI	Beschreibung
`crowdee://pipelines/catalog`	Alle 14 Verifikations-Pipeline-Definitionen als JSON.
`crowdee://lt-pipelines/catalog`	Alle 7 LT-Pipeline-Definitionen als JSON.

Ressource abrufen mit dem Standard-resources/read-Aufruf:

curl -X POST https://api.crowdee.ai/v2/mcp \
  -H "X-API-Key: crw_YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","method":"resources/read","params":{"uri":"crowdee://pipelines/catalog"},"id":2}'

Beispiel: Verifikations-Pipeline ausführen

# 1. Research-Projekt finden
curl -X POST https://api.crowdee.ai/v2/mcp \
  -H "X-API-Key: crw_..." -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","method":"tools/call","params":{"name":"list_projects","arguments":{}},"id":1}'

# 2. Verifikations-Run starten
curl -X POST https://api.crowdee.ai/v2/mcp \
  -H "X-API-Key: crw_..." -H "Content-Type: application/json" \
  -d '{
    "jsonrpc":"2.0","method":"tools/call",
    "params":{
      "name":"run_verification_pipeline",
      "arguments":{
        "projectId":"<projectId>",
        "pipelineSlug":"verify-image-metadata",
        "fileIds":["<fileId>"]
      }
    },
    "id":2
  }'

# 3. Status abfragen
curl -X POST https://api.crowdee.ai/v2/mcp \
  -H "X-API-Key: crw_..." -H "Content-Type: application/json" \
  -d '{"jsonrpc":"2.0","method":"tools/call","params":{"name":"get_verification_run","arguments":{"runId":"<runId>"}},"id":3}'

On this page