MCP सर्व्हर¶

Co-op Translator मध्ये एजंट्स, संपादक आणि MCP-सुसंगत क्लायंटसाठी Model Context Protocol सर्व्हर समाविष्ट आहे.

डिफॉल्ट स्थानिक सेटअपसाठी, वापरकर्ते स्वतंत्र सर्व्हर हस्तचाळवणीने सुरू ठेवत नाहीत. ते त्यांचा MCP क्लायंट कॉन्फिगर करतात, आणि क्लायंटला Co-op Translator उपकरणे लागल्यावर तो stdio वर co-op-translator-mcp आपोआप सुरू करतो.

जर तुम्ही CLI, Python API आणि MCP यांच्यामध्ये निर्णय घेत असाल, तर तुमचा कार्यप्रवाह निवडा पासून सुरू करा.

जेव्हा एखाद्या एजंट किंवा एडिटरने Co-op Translator ला थेट कॉल करायला हवे तेव्हा MCP वापरा:

वापरकर्त्याचा उद्देश	MCP टूल्स
एक Markdown दस्तऐवज, नोटबुक किंवा प्रतिमा भाषांतरित करा	`translate_markdown_content`, `translate_notebook_content`, `translate_image_content`
होस्ट एजंट मॉडेल वापरून Markdown किंवा नोटबुक सामग्री भाषांतरित करा	`start_markdown_agent_translation`, `finish_markdown_agent_translation`, `start_notebook_agent_translation`, `finish_notebook_agent_translation`
आउटपुट पथ निवडल्यानंतर अनुवादित Markdown किंवा नोटबुकच्या दुव्यांचे पुनर्लेखन करा	`rewrite_markdown_paths`, `rewrite_notebook_paths`
CLI प्रमाणे पूर्ण रेपॉझिटरी भाषांतरित करा	`run_translation`, `translate_project`
LLM क्रेडेन्शियल्स न देता अनुवादित आउटपुटचा आढावा घ्या	`run_review`
क्षमता आणि वातावरणाची स्थिती तपासा	`get_api_overview`, `list_supported_languages`, `get_configuration_status`

MCP सर्व्हर त्याच सार्वजनिक Python API ला व्रॅप करते जे Python API मध्ये दस्तऐवजीकृत आहे. Provider-backed टूल्स CLI आणि Python API सारखेच कॉन्फिगर केलेले providers वापरतात. Agent-assisted टूल्स MCP होस्ट एजंटसाठी भाषांतर करण्यासाठी chunks तयार करतात, नंतर अंतिम Markdown किंवा नोटबुक पुन्हा तयार करण्यासाठी Co-op Translator वापरतात.

टप्पा 1: Co-op Translator स्थापित करा आणि कॉन्फिगर करा¶

तुमच्या MCP क्लायंटने वापरणार्‍या Python वातावरणात Co-op Translator स्थापित करा:

pip install co-op-translator

या रेपॉझिटरीमधून स्थानिक विकासासाठी, पॅकेज editable मोडमध्ये स्थापित करा:

pip install -e .

तुमचा MCP क्लायंट कोणता अनुवाद मोड वापरेल ते निवडा:

मोड	हे कोणासाठी वापरा	क्रेडेन्शियल्स
Provider-backed	Co-op Translator `translate_markdown_content`, `translate_notebook_content`, `translate_image_content`, किंवा `run_translation` कॉल करते.	भाषांतरासाठी Azure OpenAI, OpenAI किंवा Anthropic आवश्यक आहे. प्रतिमा भाषांतरासाठी Azure AI Vision देखील आवश्यक आहे.
Agent-assisted	MCP होस्ट एजंट `start_markdown_agent_translation` किंवा `start_notebook_agent_translation` द्वारे परत केलेले chunks भाषांतरित करतो.	Markdown किंवा नोटबुक chunks साठी Co-op Translator LLM provider क्रेडेन्शियल्स आवश्यक नाहीत. प्रतिमा भाषांतर अजून agent-assisted मोडमध्ये समाविष्ट नाही.

जर तुम्ही Codex किंवा Claude Code सारख्या एजंटच्या आत Markdown किंवा नोटबुक भाषांतराने सुरू करत असाल, तर agent-assisted मोडपासून प्रारंभ करा. Provider-backed मोड वापरा जेव्हा तुम्हाला Co-op Translator स्वतः तुमचे कॉन्फिगर केलेले providers कॉल करावे, जेव्हा तुम्ही प्रतिमा भाषांतरित करत असता, किंवा जेव्हा तुम्ही CLI सारखे रेपॉझिटरी-स्तरीय भाषांतर चालवत आहात.

Provider-backed वर्कफ्लोसाठी एक provider कॉन्फिगर करा:

# अॅझ्यूर ओपनएआय
AZURE_OPENAI_API_KEY="..."
AZURE_OPENAI_ENDPOINT="https://<resource>.openai.azure.com/"
AZURE_OPENAI_MODEL_NAME="gpt-4o"
AZURE_OPENAI_CHAT_DEPLOYMENT_NAME="<deployment>"
AZURE_OPENAI_API_VERSION="2024-12-01-preview"

# किंवा ओपनएआय
OPENAI_API_KEY="..."
OPENAI_CHAT_MODEL_ID="gpt-4o"

# किंवा अँथ्रोपिक
ANTHROPIC_API_KEY="..."
ANTHROPIC_MODEL="claude-..."

Provider-backed प्रतिमा भाषांतरासाठी अतिरिक्तपणे आवश्यक:

AZURE_AI_SERVICE_API_KEY="..."
AZURE_AI_SERVICE_ENDPOINT="https://<resource>.cognitiveservices.azure.com/"

Note

Agent-assisted मोड सध्या Markdown आणि नोटबुकमधील Markdown सेल्स कव्हर करतो. प्रतिमा भाषांतर अद्याप provider-backed प्रतिमा पाइपलाइन वापरते आणि OCR आणि लेआउट-आधारित रेंडरिंगसाठी Azure AI Vision आवश्यक आहे.

टप्पा 2: तुमचा MCP क्लायंट कॉन्फिगर करा¶

सामान्य स्थानिक stdio सेटअपसाठी, Co-op Translator तुमच्या MCP क्लायंट कॉन्फिगरेशनमध्ये जोडा. क्लायंट हा प्रोसेस आपोआप सुरू आणि थांबवेल.

स्थापित पॅकेज कॉन्फिगरेशन:

{
  "mcpServers": {
    "co-op-translator": {
      "command": "co-op-translator-mcp",
      "args": []
    }
  }
}

Windows वर स्रोत चेकआउट कॉन्फिगरेशन:

{
  "mcpServers": {
    "co-op-translator": {
      "command": "C:\\Users\\you\\dev\\co-op-translator\\.venv\\Scripts\\python.exe",
      "args": ["-m", "co_op_translator.mcp.server"],
      "cwd": "C:\\Users\\you\\dev\\co-op-translator"
    }
  }
}

macOS किंवा Linux वर स्रोत चेकआउट कॉन्फिगरेशन:

{
  "mcpServers": {
    "co-op-translator": {
      "command": "/Users/you/dev/co-op-translator/.venv/bin/python",
      "args": ["-m", "co_op_translator.mcp.server"],
      "cwd": "/Users/you/dev/co-op-translator"
    }
  }
}

MCP क्लायंट कॉन्फिगरेशन बदलल्यानंतर, क्लायंटला नवीन सर्व्हर शोधता यावा म्हणून क्लायंट रीस्टार्ट किंवा री-लोड करा.

टप्पा 3: क्लायंटमध्ये सर्व्हरची पडताळणी करा¶

उपलब्ध टूल्सची यादी करण्यासाठी MCP क्लायंटला विचारा, किंवा आधी वाचण्यालायक हेल्पर्सपैकी एक कॉल करा:

{
  "tool": "get_api_overview",
  "arguments": {}
}

उपयुक्त प्रथम तपासण्या:

टूल	काय तपासावे
`get_api_overview`	सर्व्हर पोहोचण्यायोग्य आहे याची पुष्टी करतो आणि उपलब्ध वर्कफ्लो दाखवतो.
`list_supported_languages`	पॅकेज केलेला भाषा डेटा लोड होऊ शकतो याची पुष्टी करतो.
`get_configuration_status`	गुप्त मूल्ये उघड न करता LLM आणि Vision provider उपलब्धता पुष्टी करतो.

टप्पा 4: एक वर्कफ्लो निवडा¶

वैयक्तिक फाईल्स किंवा दस्तऐवज भाषांतरित करा¶

जेव्हा MCP क्लायंटकडे आधीच दस्तऐवज सामग्री किंवा प्रतिमा पाथ असतो आणि Co-op Translator ने कॉन्फिगर केलेल्या translation providers कॉल करायचे असतील तेव्हा provider-backed content टूल्स वापरा.

Markdown साठी:

document, language_code, आणि ऐच्छिकपणे source_path सह translate_markdown_content कॉल करा.
जर अनुवादित निकाल Co-op Translator आउटपुट लेआउटमध्ये लिहिला जाणार असेल, तर rewrite_markdown_paths कॉल करा.
क्लायंटला अंतिम content लिहू द्या किंवा परत करा.

नोटबुकसाठी:

नोटबुक JSON आणि language_code सह translate_notebook_content कॉल करा.
जर अनुवादित नोटबुक दुव्यांना लक्ष्य पथानुसार समायोजित करणे आवश्यक असेल तर rewrite_notebook_paths कॉल करा.
अंतिम नोटबुक JSON लिहा किंवा परत करा.

प्रतिमांसाठी:

image_path, language_code, आणि ऐच्छिक root_dir किंवा fast_mode सह translate_image_content कॉल करा.
परत आलेले data_base64 आणि mime_type वाचा.
जर output_path दिलेले असेल तर, अनुवादित प्रतिमा त्या पथावरही जतन केली जाते.

कंटेंट टूल्स प्रोजेक्ट डिस्कवरी, मेटाडेटा अपडेट्स, डिस्क्लेमर्स किंवा स्वयंचलित पाथ पुनर्लेखन करत नाहीत. जर तुम्हाला होस्ट एजंटने Co-op Translator LLM provider क्रेडेन्शियल्स शिवाय Markdown किंवा नोटबुक chunks भाषांतर करावे असेल तर खालील agent-assisted वर्कफ्लो वापरा.

होस्ट एजंट मॉडेलसह भाषांतर करा¶

जेव्हा तुम्हाला Co-op Translator साठी LLM provider कॉन्फिगर न करता MCP होस्ट एजंट, उदा. एक कोडिंग सहाय्यक, अनुवादित मजकूर तयार करावा असे वाटते तेव्हा agent-assisted टूल्स वापरा.

चॅट-आधारित MCP क्लायंटमध्ये, सामान्यतः तुम्हाला टूल JSON स्वतः लिहिण्याची गरज नाही. एजंटला agent-assisted वर्कफ्लो वापरायला विचारा:

Translate this Markdown file to Korean with Co-op Translator MCP.
Use agent-assisted mode: call start_markdown_agent_translation, translate the returned chunks with your own model, then call finish_markdown_agent_translation.
Keep Markdown formatting, code blocks, and links intact.

नोटबुकसाठी, तीच पद्धत वापरा:

Translate this notebook to Korean with Co-op Translator MCP.
Use start_notebook_agent_translation, translate the returned Markdown-cell chunks with your own model, then call finish_notebook_agent_translation.
Preserve code cells, outputs, and notebook metadata.

जर तुमचा MCP क्लायंट सर्व्हर प्रॉम्प्टस समर्थन करतो, तर क्लायंटला तीच वर्कफ्लो सूचना लोड करण्यासाठी agent_assisted_markdown_translation_prompt वापरा.

Markdown साठी:

document, language_code, आणि ऐच्छिकपणे source_path सह start_markdown_agent_translation कॉल करा.
परत आलेल्या प्रत्येक chunk चे prompt अनुसरून होस्ट एजंटमध्ये भाषांतर करा.
मूळ job आणि chunk_id आणि translated_text वापरून अनुवादित chunks सह finish_markdown_agent_translation कॉल करा.
जर सामग्री अनुवादित लक्ष्य पथावर लिहिली जाणार असेल तर rewrite_markdown_paths कॉल करा.

नोटबुकसाठी:

नोटबुक JSON आणि language_code सह start_notebook_agent_translation कॉल करा.
परत आलेल्या प्रत्येक chunk होस्ट एजंटमध्ये भाषांतर करा.
मूळ job आणि अनुवादित chunks सह finish_notebook_agent_translation कॉल करा.
जर अनुवादित नोटबुक दुव्यांना लक्ष्य-पथ समायोजनाची गरज असेल तर rewrite_notebook_paths कॉल करा.

Agent-assisted टूल्स Co-op Translator मधून कॉन्फिगर केलेल्या LLM provider ला कॉल करत नाहीत. परत आलेल्या chunks चे भाषांतर करण्याचे जबाबदारी होस्ट एजंटवर आहे. Co-op Translator Markdown chunking, placeholder संरक्षण, frontmatter पुनर्निर्मिती, नोटबुक सेल बदल आणि अनुवादानंतरचे सामान्यीकरण हाताळतो.

संपूर्ण रेपॉझिटरीचे भाषांतर करा¶

जेव्हा वापरकर्ता Co-op Translator ला translate CLI प्रमाणे वागावे असे इच्छितो तेव्हा run_translation वापरा.

रेपॉझिटरी भाषांतराचे डीफॉल्ट dry_run=true असते जेणेकरून एजंट फाईल बदलापूर्वी परिमाण तपासू शकेल:

{
  "language_codes": "ko ja",
  "root_dir": ".",
  "markdown": true,
  "dry_run": true
}

run_translation च्या निकालात आवृत्त-आधारित (versioned) events अ‍ॅरे समाविष्ट असतो co-op.translation.event.v1 प्रगती इव्हेंट्स. MCP क्लायंट्सना खालील फील्ड्स जसे type, stage_key, completed, total, आणि current_path वापरावीत, कॅप्चर केलेला कन्सोल मजकूर पार्स करण्याऐवजी. json_events_path पास केल्यास हे इव्हेंट्स NDJSON फाइलमध्येही लिहिले जातील.

लेखनास परवानगी देण्यासाठी, कॉल करणाऱ्याने दोन्ही dry_run=false आणि confirm_write=true सेट केले पाहिजेत:

{
  "language_codes": "ko",
  "root_dir": ".",
  "markdown": true,
  "dry_run": false,
  "confirm_write": true
}

translate_project हे run_translation साठी सुसंगतता उपनाम (compatibility alias) म्हणून उपलब्ध केले आहे.

अनुवादित आउटपुटचे पुनरावलोकन¶

run_review वापरा त्या निर्णायक तपासणीसाठी ज्यात LLM किंवा Vision क्रेडेन्शियल्सची आवश्यकता नसते:

Beta

MCP बीटा run_review API उघडते. हे केवळ-वाचन पुनरावलोकन वर्कफ्लोजसाठी सुरक्षित आहे, परंतु पुनरावलोकन तपासण्या आणि समस्या schemas यांमध्ये बदल होऊ शकतात.

{
  "language_codes": "ko ja",
  "root_dir": ".",
  "markdown": true,
  "notebook": true
}

निकालात कॅप्चर केलेले मजकूर आउटपुट आणि उपलब्ध असल्यास संरचित पुनरावलोकन सारांश समाविष्ट असतो.

मॅन्युअल सर्व्हर चालवा¶

मॅन्युअल रन मुख्यतः डीबगिंगसाठी किंवा अशा ट्रान्सपोर्टसाठी आहेत जे दीर्घकाल चालणाऱ्या सर्व्हर्सप्रमाणे वागतात.

डीबग करा डिफॉल्ट stdio सर्व्हर:

co-op-translator-mcp

स्रोत चेकआउटमधून चालवा:

python -m co_op_translator.mcp.server

दीर्घकालीन HTTP किंवा SSE सर्व्हर चालवा:

co-op-translator-mcp --transport streamable-http
co-op-translator-mcp --transport sse

स्थानिक एडिटर आणि एजंट एकीकरणांसाठी, टप्पा 2 मधील क्लायंट-व्यवस्थापित stdio कॉन्फिगरेशन प्राधान्य द्या.

टूल्स¶

टूल	उद्देश	फाईल्स लिहिते
`translate_markdown_content`	Markdown स्ट्रिंगचे भाषांतर करा.	नाही
`translate_notebook_content`	नोटबुक JSON मधील Markdown सेल्सचे भाषांतर करा.	नाही
`translate_image_content`	एका प्रतिमेतील मजकूर भाषांतर करा आणि base64 प्रतिमा डेटा परत करा.	ऐच्छिक, फक्त जेव्हा `output_path` प्रदान केले आहे
`start_markdown_agent_translation`	Co-op Translator LLM क्रेडेन्शियल्स न वापरता होस्ट एजंटसाठी Markdown chunks तयार करा.	नाही
`finish_markdown_agent_translation`	होस्ट-एजंटने अनुवादित केलेल्या chunks मधून Markdown पुनर्निर्मित करा.	नाही
`start_notebook_agent_translation`	होस्ट एजंटसाठी नोटबुकमधील Markdown-सेल chunks तयार करा.	नाही
`finish_notebook_agent_translation`	होस्ट-एजंटने अनुवादित केलेल्या chunks मधून नोटबुक JSON पुनर्निर्मित करा.	नाही
`rewrite_markdown_paths`	अनुवादित लक्ष्यासाठी Markdown बॉडी आणि frontmatter पथ पुनर्लेखन करा.	नाही
`rewrite_notebook_paths`	नोटबुक Markdown सेल्समधील पथ पुनर्लेखन करा.	नाही
`run_translation`	CLI प्रमाणे प्रोजेक्ट-स्तरीय भाषांतर चालवा.	हो, जेव्हा `dry_run=false` आणि `confirm_write=true` असेल
`translate_project`	`run_translation` साठी सुसंगतता उपनाम.	हो, जेव्हा `dry_run=false` आणि `confirm_write=true` असेल
`run_review`	निर्णायक पुनरावलोकन तपासण्या चला.	नाही
`get_configuration_status`	गुप्त न उघडता कॉन्फिगर केलेले LLM आणि Vision providers रिपोर्ट करा.	नाही
`list_supported_languages`	समर्थित लक्ष्य भाषा कोड्सची यादी करा.	नाही
`get_api_overview`	उपलब्ध MCP वर्कफ्लो आणि टूल्सचे वर्णन करा.	नाही

संसाधने¶

Resource URI	उद्देश
`co-op://api`	वर्कफ्लो आणि टूल्स यांचा JSON आढावा.
`co-op://supported-languages`	समर्थित भाषा कोड्सची JSON यादी.
`co-op://configuration`	गुप्ते उघड न करता provider उपलब्धतेचा JSON सारांश.

प्रॉम्प्ट्स¶

प्रॉम्प्ट	उद्देश
`translate_markdown_document_prompt`	सामग्री भाषांतर आणि ऐच्छिक पथ पुनर्लेखनाद्वारे MCP क्लायंट मार्गदर्शन करा.
`agent_assisted_markdown_translation_prompt`	Co-op Translator LLM provider क्रेडेन्शियल्स न वापरता होस्ट-एजंट Markdown भाषांतराद्वारे MCP क्लायंट मार्गदर्शन करा.
`translate_repository_prompt`	प्रथम dry-run असलेल्या रेपॉझिटरी भाषांतराद्वारे MCP क्लायंट मार्गदर्शन करा.

कॉपी-पेस्ट उदाहरणे¶

Markdown सामग्री भाषांतरित करा:

{
  "tool": "translate_markdown_content",
  "arguments": {
    "document": "# Hello\n\nWelcome to the course.",
    "language_code": "ko",
    "source_path": "docs/guide.md"
  }
}

अनुवादित Markdown दुव्यांचे पुनर्लेखन करा:

{
  "tool": "rewrite_markdown_paths",
  "arguments": {
    "content": "[Setup](../setup.md)\n\n![Hero](images/hero.png)",
    "source_path": "docs/guide.md",
    "target_path": "translations/ko/docs/guide.md",
    "policy": {
      "language_code": "ko",
      "root_dir": ".",
      "translations_dir": "translations",
      "translated_images_dir": "translated_images",
      "translation_types": ["markdown", "images"]
    }
  }
}

होस्ट एजंट मॉडेलसह Markdown भाषांतर करा:

{
  "tool": "start_markdown_agent_translation",
  "arguments": {
    "document": "# Hello\n\nUse `pip install` to get started.",
    "language_code": "ko",
    "source_path": "docs/guide.md"
  }
}

होस्ट एजंटने परत केलेला प्रत्येक chunk अनुवादित केल्यानंतर, start_markdown_agent_translation ने परत केलेल्या पूर्ण job ऑब्जेक्टसह जॉब पूर्ण करा:

tool: finish_markdown_agent_translation
arguments:
  job: <the full job object returned by start_markdown_agent_translation>
  translated_chunks:
    - chunk_id: body:1
      translated_text: "# 안녕하세요\n\n시작하려면 `pip install`을 사용하세요."

रेपॉझिटरी भाषांतर पूर्वावलोकन करा:

{
  "tool": "run_translation",
  "arguments": {
    "language_codes": "ko",
    "root_dir": ".",
    "markdown": true,
    "dry_run": true
  }
}

समस्या निवारण¶

समस्या	काय प्रयत्न करावे
MCP क्लायंटला `co-op-translator-mcp` सापडत नाही.	absolute Python executable path वापरा आणि `["-m", "co_op_translator.mcp.server"]` स्रोत चेकआउट कॉन्फिगरेशन वापरा.
सर्व्हर सूचीबद्ध आहे परंतु भाषांतर अयशस्वी होते.	`get_configuration_status` कॉल करा आणि LLM provider उपलब्ध आहे की नाही याची पुष्टी करा.
तुम्हाला provider क्रेडेन्शियल्स न देता Markdown किंवा नोटबुक भाषांतर हवे आहे.	`start_markdown_agent_translation` / `finish_markdown_agent_translation` किंवा नोटबुक समतुल्य वापरा जेणेकरून होस्ट एजंट chunks चे भाषांतर करेल.
प्रतिमा भाषांतर अयशस्वी होते.	Azure AI Vision व्हेरिएबले सेट आहेत का ते पुष्टी करा आणि `get_configuration_status` कॉल करा.
रेपॉझिटरी भाषांतर फाइल्स लिहीत नाही.	`dry_run=false` आणि `confirm_write=true` केवळ स्पष्ट वापरकर्ता अनुमोदनानंतर सेट करा.
क्लायंट कॉन्फिगमध्ये बदल दिसत नाहीत.	MCP क्लायंट रीस्टार्ट किंवा री-लोड करा.

सुरक्षितता टिपा¶

MCP टूल कॉल होस्ट अ‍ॅप्लिकेशनद्वारे मॉडेल-नियंत्रित असतात, त्यामुळे रेपॉझिटरी भाषांतर डीफॉल्टनुसार dry-run असते.
पूर्ण रेपॉझिटरी भाषांतराने अनेक फाईल्स तयार, अपडेट किंवा हटवू शकतात. confirm_write=true सेट करण्यापूर्वी स्पष्ट वापरकर्ता मंजुरी मागा.
कॉन्फिगरेशन स्टेटस टूल कधीही API कीज, endpoints किंवा इतर गुप्त मूल्ये परत करत नाही.
प्रतिमा भाषांतर base64 प्रतिमा डेटा परत करते. मोठ्या प्रतिमांमुळे टूल प्रतिसाद मोठे होऊ शकतात.
Agent-assisted टूल्स स्रोत chunks आणि प्रॉम्प्ट्स MCP होस्टकडे परत करतात. त्या होस्ट एजंट मॉडेलनडे पाठवायला वापरकर्ता ज्याच्या सामग्रीबद्दल आरामदायी आहे त्याच्यासहच वापरा.