अपने AI एजेंट को Wikiprompt फीड करें: MCP सर्वर + ओपन डेटासेट

अपने AI एजेंट को Wikiprompt फीड करें: MCP सर्वर + ओपन डेटासेट

अगर आप एक एजेंट बना रहे हैं, तो मुश्किल हिस्सा शायद ही कभी रीज़निंग लूप होता है। यह मॉडल को कुछ ऐसा देना है जिस पर रीज़न करना सार्थक हो। एक एजेंट जो कोड लिख सकता है लेकिन उसे पता नहीं है कि एक अच्छा Midjourney प्रॉम्प्ट कैसा दिखता है, या कौन सी सिस्टम प्रॉम्प्ट संरचना वास्तव में एक कोडिंग असिस्टेंट को व्यवहार करवाती है, वह ग्राउंडेड ज्ञान की एक पूरी श्रेणी खो रहा है। Wikiprompt उस अंतर को भरने के लिए मौजूद है, और अब इसे आप जो कुछ भी बना रहे हैं उसमें जोड़ने के दो तरीके हैं: एक लाइव MCP सर्वर जिसे आपका एजेंट रनटाइम पर कॉल कर सकता है, और एक बल्क डेटासेट जिसे आप एक बार इंडेक्स करके लोकल रख सकते हैं।

वे अलग-अलग समस्याओं को हल करते हैं, और अधिकांश गंभीर सेटअप अंततः दोनों का उपयोग करते हैं।

MCP सर्वर: एक टूल कॉल की दूरी पर

The MCP server https://mcp.wikiprompt.org/mcp पर एक Streamable HTTP एंडपॉइंट है, रीड्स के लिए कोई API key आवश्यक नहीं है। Claude, या किसी भी MCP-संगत क्लाइंट को इस पर पॉइंट करें और आपके एजेंट को search_prompts, get_prompt, list_categories, get_featured, get_trending, random_prompt, और prompts_by_author जैसे टूल मिल जाते हैं, 55,000+ क्यूरेटेड प्रॉम्प्ट्स की पूरी कैटलॉग के ऊपर।

इसे Claude Code में जोड़ना एक लाइन है:

claude mcp add --transport http wikiprompt https://mcp.wikiprompt.org/mcp

एक बार कनेक्ट हो जाने पर, एजेंट को आपको बातचीत में प्रॉम्प्ट पेस्ट करने की आवश्यकता नहीं होती। यह कार्य के बीच में तय कर सकता है कि उसे एक उदाहरण चाहिए। मान लीजिए कोई उपयोगकर्ता आपके असिस्टेंट से पूछता है "मुझे कस्टमर सपोर्ट बॉट के लिए एक सिस्टम प्रॉम्प्ट संरचना दें।" एक प्रशंसनीय दिखने वाला टेम्पलेट कल्पना करने के बजाय, एजेंट search_prompts को model=claude prompt_type=system-prompt जैसी चीज़ के साथ कॉल करता है, वास्तविक, मानव-क्यूरेटेड परिणाम प्राप्त करता है जिनमें गुणवत्ता मेटाडेटा जुड़ा होता है, और एक उत्तर संश्लेषित कर सकता है जो वास्तव में उद्धृत करता है कि पैटर्न कहाँ से आया। यह एक ऐसा उत्तर है जो केवल प्रशिक्षण-डेटा अंतर्ज्ञान से बनाए गए उत्तर से मौलिक रूप से अलग है, और यह उस तरह का ग्राउंडिंग है जो एजेंट की सिफारिशों को केवल प्रशंसनीय के बजाय रक्षात्मक बनाता है।

यह इमेज और वीडियो जनरेशन एजेंटों के लिए और भी महत्वपूर्ण है। यदि आपका एजेंट GPT Image, Midjourney, Seedance, Veo, Kling, या Nano Banana को रैप कर रहा है, तो यह मॉडल और शैली द्वारा फ़िल्टर किए गए search_prompts को कॉल कर सकता है, संरचित metadata (पहलू अनुपात, शैली टैग, गुणवत्ता मूल्यांकन) के साथ प्रॉम्प्ट्स वापस ला सकता है, और उपयोगकर्ता को एक ऐसा प्रारंभिक बिंदु दे सकता है जो मौके पर आविष्कार करने के बजाय सत्यापित किया गया हो। इस भविष्यवादी अरचनिड चरित्र परिवर्तन प्रॉम्प्ट या इस टाइटन इंजीनियरिंग ब्लूप्रिंट ऑफ़ अ ट्रांसफॉर्मिंग रोबोट को देखें: दोनों बिल्कुल उस तरह के उच्च-संरचना, उच्च-विशिष्टता वाले प्रॉम्प्ट हैं जिन्हें स्मृति से खराब तरीके से वर्णित करना आसान है और वास्तव में पुनर्प्राप्त करने पर सही ढंग से पुन: उपयोग करना आसान है।

submit_prompt भी है, जो एजेंट को कैटलॉग में वापस लिखने देता है (उसके लिए API key आवश्यक है)। यदि आपका एजेंट वास्तव में कुछ अच्छा उत्पन्न करता है, किसी वर्कफ़्लो टूल या क्रिएटिव पाइपलाइन में, तो यह इसे चैट लॉग में खोने के बजाय कॉमन्स में योगदान कर सकता है।

डेटासेट: जब आप इसे ऑफलाइन चाहते हैं

MCP सर्वर ऑन-डिमांड लुकअप के लिए बढ़िया है, लेकिन यह एक लाइव नेटवर्क कॉल है, और कभी-कभी आप पूरी कैटलॉग को अपने वेक्टर स्टोर में रखना चाहते हैं, अपने स्वयं के एम्बेडिंग के साथ खोजने योग्य, अपने स्वयं के डेटा के साथ जुड़ा हुआ। यही डेटासेट के लिए है।

पहले मैनिफेस्ट हिट करें:

curl "https://www.wikiprompt.org/dataset"

यह total_prompts, record_fields जो आपको वापस मिलेंगे, और पेजिनेशन योजना लौटाता है। वास्तविक रिकॉर्ड /dataset/prompts पर हैं, जो keyset कर्सर के साथ पेजिनेटेड हैं, प्रति पेज 500 तक:

curl "https://www.wikiprompt.org/dataset/prompts?limit=500"

प्रत्येक प्रतिक्रिया में एक next URL शामिल होता है। इसे तब तक फॉलो करें जब तक next null न आ जाए और आपके पास पूरे 55,000+ हों, जिनमें slug, url, title, description, content (वास्तविक प्रॉम्प्ट टेक्स्ट जिसे आप एम्बेड करेंगे), category, tags, media, model, संरचित metadata, author, और original_source शामिल हैं। एक न्यूनतम पेजिनेशन लूप:

import requests

url = "https://www.wikiprompt.org/dataset/prompts?limit=500"

records = []

while url:

resp = requests.get(url).json()

records.extend(resp["records"])

url = resp.get("next")

print(len(records), "prompts collected")

कोई API key नहीं, CORS सक्षम, एज-कैश्ड, इसलिए आप इसे ब्राउज़र-आधारित टूल या CI जॉब से बिना पहले अनुमति मांगे चला सकते हैं। content को title और description के साथ अपनी एम्बेडिंग पाइपलाइन में चंक करें, category, tags, और metadata को फ़िल्टर करने योग्य फ़ील्ड के रूप में रखें, और आपके पास एक RAG-तैयार ज्ञान आधार है जिसे एजेंट लोकल रूप से क्वेरी कर सकता है, हमारे अपटाइम पर कोई निर्भरता नहीं।

यह बेहतर मार्ग भी है यदि आपके एजेंट का काम संवादात्मक के बजाय विश्लेषणात्मक है: एक लीडरबोर्ड बनाना कि कौन सा मॉडल उच्च-गुणवत्ता वाले प्रॉम्प्ट्स में सबसे अधिक दिखाई देता है, तकनीक द्वारा प्रॉम्प्ट्स को क्लस्टर करना, या metadata.assessment गुणवत्ता संकेतों पर एक रिट्रीवल रीरैंकर को प्रशिक्षित करना। डेटासेट आपको कच्चा माल देता है; आप इसके ऊपर जो बनाते हैं वह आप पर निर्भर है।

उन्हें एक साथ रखना

एक पैटर्न जो व्यवहार में अच्छा काम करता है: डेटासेट को बेस नॉलेज लेयर के रूप में अपने वेक्टर स्टोर में बल्क-लोड करें, और ताजगी के लिए MCP सर्वर को जुड़ा रखें। नए प्रॉम्प्ट लगातार wikiprompt पर आते रहते हैं, और MCP के माध्यम से get_recent या get_trending उन चीज़ों को सतह पर लाएगा जो आपके अंतिम डेटासेट स्नैपशॉट में अभी तक नहीं हैं। डेटासेट आपको गहराई और ऑफलाइन विश्वसनीयता देता है; MCP सर्वर आपको अंतिम मील देता है।

एक उदाहरण जो किसी भी मार्ग से सीधे जांचने लायक है, वह है यह डेटा फिजिकलाइज़ेशन इमेज प्रॉम्प्ट, एक अच्छा उदाहरण कि एक अच्छी तरह से क्यूरेटेड प्रॉम्प्ट एक-लाइन विवरण की तुलना में कितनी संरचना रखता है, और ठीक उसी तरह का विवरण जो मॉडल के अनुमान से पुनर्निर्माण करने के बजाय पुनर्प्राप्त करने लायक है।

आप जिस भी तरह से प्लग इन करें, जो उपयोग करें उसे एट्रिब्यूट करें। प्रत्येक रिकॉर्ड अपना original_source रखता है, और जिन लोगों ने ये प्रॉम्प्ट लिखे हैं वे वही हैं जिन्होंने वास्तविक रचनात्मक कार्य किया। एग्रीगेटर के रूप में wikiprompt.org को उद्धृत करें और जब संभव हो मूल पोस्ट से लिंक करें।

यदि आप JSON पार्सिंग के बिना त्वरित स्कैन के लिए सादा-पाठ संस्करण चाहते हैं, तो llms.txt किसी भी एजेंट को एक फ़ाइल में पूरी साइट की मशीन-पठनीय सतह का अवलोकन देता है। और यदि आपके एजेंट को केवल खोज की आवश्यकता है, बिना MCP या पूर्ण डेटासेट के लिए प्रतिबद्ध हुए, तो सर्च API एक सादा JSON GET है जिसे कुछ और नहीं चाहिए।