Jungle Grid MCP Server 让支持 MCP 协议的智能体能够估算、提交、监控、取消 Jungle Grid 工作负载，并检索产物。它支持本地 stdio 客户端与托管的 Streamable HTTP 部署，工具调用会转发到 Jungle Grid API。适用场景包括异步 AI 工作负载执行、批处理、训练、微调、基于上传文件或脚本的任务、生命周期诊断、工作负载日志以及托管输出产物。
主要能力
当前工具注册表公开以下工具名称：
- 估算工作负载，返回分类、路由状态、容量来源、估算成本范围、可用性及筛选详情。估算并非预留，不保证立即启动。
- 提交异步作业。workload_type 接受 inference、training、fine_tuning、batch；路由模式接受 cost、speed、balanced。model_size 为可选大小（GB），用于选择合适 GPU 容量。command 优先使用字符串数组。env 必须为字符串值对象。input_files 和 script_files 接受 { "input_id": "..." } 数组；当前 REST 实现仅支持一个上传脚本引用。
- 创建签名上传槽位。该工具本身不上传文件字节；需用返回的 upload.method 将字节上传到 upload.upload_url，再通过 upload.complete_url 和 upload.token 完成上传。kind 为任意字符串，约定用 input 表示普通输入文件，script 表示脚本。脚本挂载到 /workspace/scripts/<filename>，输入挂载到 /workspace/inputs/<filename>。
- 列出已上传的输入，包含 input_id、filename、content_type、size_bytes、kind、status、ready、mount_path 及时间戳。
- 列出作业，返回 jobs、limit、next_cursor、has_more。limit 受 API 限制。status 为自由格式过滤字符串，不要假设 MCP schema 限制为固定枚举。
- 获取作业当前状态与详情。状态、执行阶段、生命周期事件、运行时详情和工作负载日志是分开的界面。
- 获取执行前及执行中的生命周期事件。事件可能在工作负载日志开始前就存在，可用于诊断排队、路由选择、调度、供应商配置、输入准备、启动、重试、失败和取消。
- 获取存储的日志条目，返回 items、next_cursor、has_more、failure_highlight、usage_hint 等。作业在排队、调度、配置或准备期间日志可能为空；若日志为空但作业未终止，应调用获取作业事件。此工具获取持久化日志，不提供真正流式传输。
- 请求取消待处理、排队中、已分配、启动中或运行中的作业。已完成、失败、拒绝或已取消的作业会返回冲突。取消可能触发托管拆除，但不保证立即关闭基础设施。
- 列出作业的托管产物，包含 artifact_id、job_id、filename、content_type、size_bytes、status、ready 及时间戳。失败的作业可能没有产物或只有部分产物。
- 为单个产物创建临时下载信息，返回产物元数据、签名 URL 和 expires_at。签名 URL 应视为机密。
使用方式
本地 stdio 使用 npx 运行，或全局安装以获得稳定可执行文件。本地 stdio 使用环境变量配置。托管 HTTP 网关部署也支持相应配置。
连接模式：本地客户端启动包并通过 stdio 通信。可将 mcpServers 块添加到 claude_desktop_config.json，然后完全退出并重新打开 Claude Desktop。项目配置应避免提交机密；将密钥放在启动 Cursor 所用环境中。本地未提交的 Cursor 配置同样可行。
HTTP 服务器公开 GET /.well-known/oauth-protected-resource。本地启动 HTTP 后，托管 MCP 客户端必须向 POST /mcp 发送 Authorization: Bearer <oauth_access_token>。服务器在配置的 API 基础地址上的 /oauth/introspect 内省令牌，并要求工具特定作用域。
最小工作示例：先让 MCP 客户端按顺序调用工具。若估算可接受，提交作业。使用返回的 job_id 调用 get_job、get_job_events、get_job_logs、list_artifacts 和 get_artifact。
基于文件的任务流程：创建上传槽位；将每个文件上传到返回的签名 upload_url，然后完成上传；使用输入 ID 提交；通过 get_job_events、get_job 和 get_job_logs 监控；用 list_artifacts 和 get_artifact 检索 /workspace/artifacts/transcript.txt。
生产工作流：使用同一 job_id 反复调用 get_job、get_job_events 和 get_job_logs，直到状态终止。然后调用 list_artifacts，再按需获取产物。
REST MCP 路由返回信封。MCP 服务器将 API 错误转换为工具错误。常见 API 代码包括 UNAUTHORIZED、FORBIDDEN、INVALID_REQUEST、JOB_INPUT_NOT_FOUND、JOB_INPUT_NOT_READY、ARTIFACT_NOT_READY、NOT_FOUND、CONFLICT、INSUFFICIENT_FUNDS、MAINTENANCE_ACTIVE 和 INTERNAL_ERROR。
适用场景
适合异步 AI 工作负载执行、批处理、训练、微调、基于上传文件或脚本的任务、生命周期诊断、工作负载日志查看、托管输出产物管理，以及需要智能体自动提交和监控 GPU 推理、训练、微调和批处理任务的场景。
限制与安全注意
需 Node.js 18 或更高版本。本地 stdio 需要 Jungle Grid API 密钥，托管 HTTP 需要 OAuth 持有者令牌。需配置与要调用工具匹配的 API 作用域。切勿提交 API 密钥、OAuth 令牌、签名上传 URL、签名产物 URL 或回调机密。将 API 密钥和 OAuth 令牌远离提示词、源代码管理、浏览器包、日志和问题跟踪器。优先使用主机机密存储或仅本地 MCP 配置文件存 JUNGLE_GRID_API_KEY。将签名上传和产物 URL 视为临时持有者机密。不要从工作负载代码打印包含令牌的环境变量。在允许智能体执行 submit_job 和 cancel_job 请求前应审查，因为它们可能消耗信用或停止活跃工作。
