論文の概要: HarnessAPI: A Skill-First Framework for Unified Streaming APIs and MCP Tools

• arxiv url: http://arxiv.org/abs/2605.22733v1
• Date: Thu, 21 May 2026 17:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.361915
• Title: HarnessAPI: A Skill-First Framework for Unified Streaming APIs and MCP Tools
• Title（参考訳）: HarnessAPI: 統一ストリーミングAPIとMPPツールのためのスキルファーストフレームワーク
• Authors: Edwin Jose,
• Abstract要約: この重複を取り除くPythonフレームワークであるHarnessAPIを紹介します。 1つのハンドラ.pyとPydanticスキーマから、このフレームワークは自動的にストリーミングHTTPエンドポイントを導出する。 手動でメンテナンスされたデュアルスタック実装と比較して,フレームワーク対応のバリデーションを74%削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every Python function deployed as an LLM tool must today exist in two forms: an HTTP endpoint for human-facing clients and CI pipelines, and an MCP tool registration for agent runtimes such as Claude and Cursor. These representations share business logic yet diverge in all the surrounding machinery (routing, validation, serialisation, streaming, and schema maintenance), and they drift apart as the underlying code evolves. We present HarnessAPI, a Python framework that eliminates this duplication by treating a typed skill folder as the single source of truth. From one handler.py plus Pydantic schemas, the framework automatically derives a streaming HTTP endpoint with Server-Sent Events, an interactive OpenAPI/Swagger UI, and a zero-configuration MCP tool, all served from a single process. Dual-mode content negotiation lets the same handler serve SSE-streaming and JSON-returning clients with no handler changes. A dynamic code-generation mechanism ensures Pydantic type annotations propagate correctly to FastMCP's inspection layer, resolving a technical limitation that prevents naive closure-based registration. Measured across six representative skills using cloc, HarnessAPI reduces framework-facing boilerplate by 74% compared with a manually maintained dual-stack implementation (FastAPI server + FastMCP server). HarnessAPI subclasses FastAPI, inheriting its full middleware, dependency-injection, and deployment ecosystem. It is available at https://github.com/edwinjosechittilappilly/harnessapi and on PyPI (pip install harnessapi)
• Abstract（参考訳）: LLMツールとしてデプロイされるすべてのPython関数は、現在、2つの形式で存在しなければならない。 これらの表現は、周囲のすべての機械(レイアウト、バリデーション、シリアライゼーション、ストリーミング、スキーマのメンテナンス)でビジネスロジックを共有しています。 私たちは、型付きスキルフォルダを唯一の真実のソースとして扱うことで、この重複を解消するPythonフレームワークであるHarnessAPIを紹介します。 1つのハンドラ.pyとPydanticスキーマから、このフレームワークは、自動的にストリーミングHTTPエンドポイントを、Server-Sent Events、インタラクティブなOpenAPI/Swagger UI、および0-configuration MCPツールで導出する。 デュアルモードコンテンツネゴシエーションでは、同じハンドラが、ハンドラ変更なしで、SSEストリーミングとJSONリターンクライアントを提供する。 動的コード生成機構により、Pydantic型アノテーションがFastMCPの検査層に正しく伝播することを保証する。 クロークを使用して6つの代表的スキルにわたって測定されたHarnessAPIは、手動でメンテナンスされたデュアルスタック実装(FastAPIサーバ+FastMCPサーバ)と比較して、フレームワーク対応のボイラプレートを74%削減する。 HarnessAPIはFastAPIをサブクラスとし、フルミドルウェア、依存性注入、デプロイメントエコシステムを継承する。 https://github.com/edwinjosechittilappilly/harnessapi および PyPI (pip install harnessapi) で利用可能である。

関連論文リスト

• LAPIS: Lightweight API Specification for Intelligent Systems [0.0]
  大規模言語モデル(LLM)は、コード生成、自律エージェントインタラクション、APIアシスト推論のいずれにおいても、API仕様のコンシューマとしての役割を担っている。 LAPISは、APIトークンの使用に必要なセマンティック情報を保存するLLM消費に最適化されたドメイン固有フォーマットである。
  論文  参考訳（メタデータ） (2026-02-20T15:22:13Z)
• Orchestral AI: A Framework for Agent Orchestration [45.946776875141666]
  Orchestralは軽量なPythonフレームワークで、主要なプロバイダ間でLLMエージェントを構築するための統一型安全なインターフェースを提供する。 プロバイダ間でシームレスに動作し、手作業によるフォーマット変換を排除し、フレームワークが引き起こす複雑さを低減します。 リッチなツールコール、コンテキストのコンパクト化、サンドボックス、ユーザ承認、サブエージェント、メモリ管理、MPP統合など、より大きなフレームワークで見られる高度なエージェント機能をサポートする。
  論文  参考訳（メタデータ） (2026-01-05T22:02:11Z)
• Code2MCP: Transforming Code Repositories into MCP Services [53.234097255779744]
  Model Context Protocol (MCP)は、大規模言語モデルがどのようにツールを使用するかの標準を作成することを目的としている。 私たちは、GitHubリポジトリを機能的なMSPサービスに自動的に変換するエージェントベースのフレームワークであるCode2MCPを紹介します。 Code2MCPはバイオインフォマティクス、数学、流体力学などの科学分野におけるオープンソースの計算ライブラリの変換に成功している。
  論文  参考訳（メタデータ） (2025-09-07T06:13:25Z)
• Making REST APIs Agent-Ready: From OpenAPI to MCP Servers for Tool-Augmented LLMs [0.0]
  OpenAPI 2.0/3.0仕様からMPPサーバを生成するコンパイラであるAutoMCPを提案する。 10以上のドメインにまたがる5,066のエンドポイントにまたがる50の現実世界API上でAutoMCPを評価する。
  論文  参考訳（メタデータ） (2025-07-21T20:20:31Z)
• Doc2Agent: Scalable Generation of Tool-Using Agents from API Documentation [2.4117201298131232]
  Doc2Agentは、PythonベースのツールをAPIドキュメントから呼び出せるツールエージェントを構築するためのスケーラブルなパイプラインである。 実世界のAPI、WebArena API、リサーチAPIに対するアプローチを評価し、検証されたツールを作成します。
  論文  参考訳（メタデータ） (2025-06-24T20:30:44Z)
• ExploraCoder: Advancing code generation for multiple unseen APIs via planning and chained exploration [70.26807758443675]
  ExploraCoderはトレーニング不要のフレームワークで、大規模な言語モデルにコードソリューションで見えないAPIを呼び出す権限を与える。 実験の結果、ExploreaCoderは、事前のAPI知識に欠けるモデルのパフォーマンスを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-12-06T19:00:15Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• Continual Learning From a Stream of APIs [90.41825351073908]
  継続学習(CL)は、以前のタスクを忘れずに新しいタスクを学習することを目的としている。 既存のCLメソッドは大量の生データを必要とするが、著作権上の考慮とプライバシー上のリスクのために利用できないことが多い。 本稿では,データ効率CL (DECL-APIs) とデータフリーCL (DFCL-APIs) の2つの実践的yet-novel CL設定について考察する。
  論文  参考訳（メタデータ） (2023-08-31T11:16:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。