ఇంటిగ్రేషన్
FTIR.fun MCP సర్వర్ & REST API
FTIR.funను మీ AI అసిస్టెంట్ లేదా ఆటోమేషన్ పైప్లైన్కు కనెక్ట్ చేయండి. Claude/Cursor/Codex కోసం MCP సర్వర్. కస్టమ్ ఇంటిగ్రేషన్ల కోసం REST API. అన్ని పద్ధతుల్లో ఒకే 130,000+ రిఫరెన్స్ స్పెక్ట్రా మరియు లిటరేచర్-బ్యాక్డ్ AI వివరణ.
MCP సర్వర్ — Claude, Cursor, Codex
FTIR.fun యొక్క MCP (మోడల్ కాంటెక్స్ట్ ప్రోటోకాల్) సర్వర్ సమీక్షించబడి, Anthropic MCP రిజిస్ట్రీ, Smithery, మరియు MCP.soలో అధికారికంగా జాబితా చేయబడింది. ఇది FTIR స్పెక్ట్రల్ సెర్చ్, DOI-సైటేడ్ లిటరేచర్తో పీక్ వివరణ, మరియు మెటీరియల్ ఐడెంటిఫికేషన్ను ఏదైనా MCP-అనుకూల క్లయింట్ కోసం కాల్ చేయదగిన టూల్స్గా బహిర్గతం చేస్తుంది.
త్వరిత కనెక్ట్
# Claude Desktop / Claude Code
claude mcp add ftirfun https://ftir.fun/mcp
# Cursor
# Add to ~/.cursor/mcp.json:
{"mcpServers": {"ftirfun": {"url": "https://ftir.fun/mcp"}}}
# OpenAI Codex
codex mcp add ftirfun https://ftir.fun/mcp
అందుబాటులో ఉన్న టూల్స్
| సాధనం | వివరణ |
|---|---|
search_ftir_library | పీక్లు లేదా అప్లోడ్ చేసిన ఫైల్ ద్వారా 130K+ రిఫరెన్స్ స్పెక్ట్రాలను శోధించండి. CAS సంఖ్యలు మరియు సారూప్యత స్కోర్లతో ర్యాంక్ చేయబడిన మ్యాచ్లను తిరిగి ఇస్తుంది. |
search_public_ftir_results | కీవర్డ్ ద్వారా కమ్యూనిటీ-షేర్ చేయబడిన విశ్లేషణ ఫలితాలను శోధించండి. |
fetch_public_ftir_result | వివరణాత్మక సమీక్ష కోసం ID ద్వారా నిర్దిష్ట పబ్లిక్ FTIR విశ్లేషణ ఫలితాన్ని పొందండి. |
సర్వర్ కార్డ్ & రిజిస్ట్రీ లింక్లు
- Server Card (JSON) — ప్రామాణిక MCP సర్వర్ డిస్కవరీ ఎండ్పాయింట్
- Anthropic MCP Registry — అధికారికంగా జాబితా చేయబడింది
- Smithery — సమీక్షించబడి మరియు ప్రచురించబడింది
- MCP.so — జాబితా చేయబడింది
- PyPI (ftirfun-mcp) — పైథాన్ ప్యాకేజీ
Coze ప్లగిన్ — Doubao లోపల ఉపయోగించండి
Open Doubao → Plugin Store → search "FTIR" or "红外分析" → tap Add. No configuration needed. Doubao will automatically route infrared-related queries to our spectral search engine.
శోధన కీవర్డ్లు: 红外分析, FTIR, infrared, 光谱检索, 物质识别
REST API
గ్రంథాలయ శోధన API
POST /v1/search
స్పెక్ట్రల్ లైబ్రరీ శోధన. ఫైల్ (పూర్తి-స్పెక్ట్రమ్ మ్యాచింగ్) లేదా పీక్ లిస్ట్ (పీక్-పొజిషన్ మ్యాచింగ్) ఆమోదిస్తుంది. రెండూ అందించబడితే, ఫైల్ శోధనకు ప్రాధాన్యత ఇవ్వబడుతుంది.
ప్రమాణీకరణ
X-API-Key: your-api-key
అభ్యర్థన శరీరం
| ఫీల్డ్ | రకం | అవసరం | వివరణ |
|---|---|---|---|
| file_base64 | string | వాటిలో ఒకటి | Base64-ఎన్కోడ్ చేసిన పరికర ఫైల్ (CSV, SPA, OPUS, SPC, JCAMP-DX మరియు 15+ ఇతర ఫార్మాట్లకు మద్దతు ఇస్తుంది) |
| filename | string | file_base64 తో | పొడిగింపుతో సహా అసలు ఫైల్ పేరు (ఉదా. sample.spa) |
| peaks | number[] | వాటిలో ఒకటి | cm⁻¹ లో శిఖర తరంగ సంఖ్యల జాబితా (ఉదా. [3026, 1601, 1493, 755]) |
| top_k | integer | లేదు (డిఫాల్ట్ 10) | తిరిగి ఇవ్వడానికి ఫలితాల సంఖ్య, గరిష్టంగా 50 |
| tolerance | integer | లేదు (డిఫాల్ట్ 8) | cm⁻¹ లో శిఖర సరిపోలిక సహనం, పరిధి 1–30 |
ప్రతిస్పందన
{
"success": true,
"search_mode": "full_spectrum",
"n_matches": 10,
"matches": [
{
"rank": 1,
"name": "Polystyrene",
"cas": "25086-18-4",
"num": 326,
"similarity": 0.9586
}
],
"file_format": "Thermo SPA",
"n_points": 3601,
"error": null
}
ఉదాహరణ — ఫైల్ అప్లోడ్
import base64, requests
with open("sample.spa", "rb") as f:
b64 = base64.b64encode(f.read()).decode()
resp = requests.post(
"https://api.ftir.fun/v1/search",
headers={"X-API-Key": "your-key", "Content-Type": "application/json"},
json={"file_base64": b64, "filename": "sample.spa", "top_k": 5},
)
print(resp.json())
ఉదాహరణ — శిఖర జాబితా
import requests
resp = requests.post(
"https://api.ftir.fun/v1/search",
headers={"X-API-Key": "your-key", "Content-Type": "application/json"},
json={"peaks": [3082, 3026, 2923, 1601, 1493, 1451, 1028, 906, 755, 699], "top_k": 5},
)
print(resp.json())
ఇప్పటికే ఉన్న ఫలితాల కోసం AI-మాత్రమే విశ్లేషణ
శోధన ఫలితం ఇప్పటికే ఉన్న తర్వాత మాత్రమే ఈ ఎండ్పాయింట్ను ఉపయోగించండి. FTIR.fun మొదట సరఫరా చేసిన నివేదికను చదువుతుంది లేదా OCR చేస్తుంది, నివేదించబడిన అభ్యర్థులు మరియు నమూనా శిఖర పట్టికను సంగ్రహిస్తుంది, ఆపై డౌన్స్ట్రీమ్ KG మరియు సాహిత్య-సమర్థిత విశ్లేషణను నడుపుతుంది.
POST /ftir/analyze_existing_results
నివేదిక తప్పనిసరిగా నివేదించబడిన శోధన ఫలితాల జాబితా మరియు నమూనా శిఖర పట్టిక రెండింటినీ కలిగి ఉండాలి. ఈ ఎండ్పాయింట్ స్వయంగా స్పెక్ట్రల్-గ్రంథాలయ శోధన చేయదు.
ప్రమాణీకరణ
X-API-Key: your-api-key
అభ్యర్థన శరీరం
| ఫీల్డ్ | రకం | అవసరం | వివరణ |
|---|---|---|---|
| report_text | string | వాటిలో ఒకటి | ఇప్పటికే ఉన్న పరికరం లేదా గ్రంథాలయ నివేదిక నుండి కాపీ చేసిన సాదా టెక్స్ట్. టెక్స్ట్ తప్పనిసరిగా నివేదించబడిన ఫలితాలు మరియు నమూనా శిఖర పట్టిక రెండింటినీ కలిగి ఉండాలి. |
| report_file_base64 | string | వాటిలో ఒకటి | బేస్64-ఎన్కోడ్ చేసిన నివేదిక ఫైల్. మద్దతు ఇవ్వబడిన ఆకృతులు: PDF, DOC, DOCX, TXT, CSV, PNG, JPG, JPEG, WEBP, GIF, BMP, TIF, TIFF. |
| report_filename | string | report_file_base64 తో | పొడిగింపుతో సహా అసలు నివేదిక ఫైల్ పేరు (ఉదాహరణకు report.pdf లేదా report.docx). |
| user_background_text | string | కాదు | ఐచ్ఛిక నమూనా నేపథ్యం. ఇది మృదువైన సందర్భంగా మాత్రమే పరిగణించబడుతుంది మరియు సాక్ష్యంగా కాదు. |
హార్డ్ ఇన్పుట్ సరిహద్దు
- అవసరమైన మూలకం 1: కనీసం ఒక నివేదించబడిన శోధన ఫలితం అభ్యర్థి, ఉదాహరణకు టాప్1 హిట్ లేదా టాప్15 జాబితా
- అవసరమైన మూలకం 2: అదే నివేదిక నుండి సెం.మీ-1 లో నమూనా శిఖర జాబితా లేదా శిఖర పట్టిక
- ఏదైనా మూలకం తప్పిపోయినట్లయితే, ఎండ్పాయింట్ HTTP 422 ని తిరిగి ఇస్తుంది మరియు విశ్లేషణ నివేదికను ఉత్పత్తి చేయదు
విజయ ప్రతిస్పందన
{
"success": true,
"analysis_mode": "ai_only_existing_results",
"message": "AI-only analysis completed from the supplied existing results report.",
"input_requirements": {
"service_boundary": "AI-only analysis starts after a search result already exists.",
"required_inputs": [
"At least one reported search result candidate (Top1 or Top15).",
"The sample peak table or peak list in cm-1."
]
},
"missing_requirements": [],
"missing_requirement_messages": [],
"extracted_report": {
"source_kind": "pdf",
"used_ocr": true,
"peak_values_cm1": [1736, 1601, 1241],
"library_candidates": [
{"rank": 1, "name": "Polyethylene terephthalate", "cas_number": "25038-59-9", "raw_score_text": "856/1000", "normalized_similarity": 0.856}
]
},
"summary": "Reported library results rank Polyethylene terephthalate first.",
"report_view": {},
"final_decision": {},
"direct_evidence": {},
"related_literature": {}
}
తప్పిపోయిన-ఇన్పుట్ ప్రతిస్పందన
{
"detail": {
"success": false,
"analysis_mode": "ai_only_existing_results",
"error": "missing_required_report_elements",
"message": "AI-only analysis requires both reported library results and a sample peak table.",
"missing_requirements": ["sample_peak_table"],
"missing_requirement_messages": [
"Missing sample peak table. Provide the sample peak list or peak table in cm-1 from the same report."
],
"input_requirements": {
"failure_behavior": "If either the reported result list or the sample peak table is missing, the service stops and returns a 422 response."
},
"extracted_report": {
"report_has_library_results": true,
"report_has_peak_table": false
}
}
}
ఉదాహరణ — ఇప్పటికే ఉన్న నివేదిక టెక్స్ట్
import requests
report_text = """
Sample: PET fragment
Top1: Polyethylene terephthalate Score: 856/1000
Top2: Polyester resin Score: 801/1000
Peak table (cm-1): 3435, 2932, 1715, 1409, 1241, 1093, 1017, 872, 722
"""
resp = requests.post(
"https://api.ftir.fun/ftir/analyze_existing_results",
headers={"X-API-Key": "your-key", "Content-Type": "application/json"},
json={"report_text": report_text, "user_background_text": "consumer packaging fragment"},
)
print(resp.json())
ఉదాహరణ — ఇప్పటికే ఉన్న నివేదిక ఫైల్
import base64, requests
with open("instrument-report.pdf", "rb") as f:
b64 = base64.b64encode(f.read()).decode()
resp = requests.post(
"https://api.ftir.fun/ftir/analyze_existing_results",
headers={"X-API-Key": "your-key", "Content-Type": "application/json"},
json={
"report_file_base64": b64,
"report_filename": "instrument-report.pdf",
"user_background_text": "suspected packaging adhesive",
},
)
print(resp.json())
లోపం కోడ్లు
| HTTP స్థితి | అర్థం |
|---|---|
| 200 | విజయం |
| 401 | API కీ లేదు లేదా చెల్లదు |
| 422 | చెల్లని అభ్యర్థన బాడీ, మద్దతు లేని నివేదిక ఆకృతి, లేదా తప్పిపోయిన అవసరమైన నివేదిక అంశాలు |
| 500 | సర్వర్-వైపు లోపం |