Luma через MCP: управляем генерацией видео и задачами из Claude

Генерация видео становится частью прикладных процессов: прототипирования интерфейсов, подготовки роликов для продукта, раскадровок и тестовых креативов. Но полезна она только тогда, когда её можно включить в привычный рабочий цикл разработчика: поставить задачу, получить идентификатор, дождаться результата, обработать ошибку и сохранить артефакт. Связка Luma и Model Context Protocol (MCP) решает именно эту инженерную задачу: модель в Claude получает стандартизированный доступ к внешним инструментам, а команда сохраняет наблюдаемость процесса.

MCP — открытый протокол, представленный Anthropic для подключения внешних инструментов к моделям через единый интерфейс. В этом сценарии Claude не «угадывает» внутренние действия сервиса: он вызывает доступные операции сервера, передаёт параметры и получает структурированный результат. Ace Data Cloud предоставляет удалённый MCP-сервер для Luma; подключение выполняется по URL, а авторизация в веб-интерфейсе Claude проходит через OAuth. Общую точку входа, приложения и документацию удобно открыть на русской версии платформы, в консоли приложений и в каталоге документов.

Что даёт связка MCP и Luma

Удалённый сервер инкапсулирует типовой жизненный цикл видео. Среди доступных операций есть создание ролика по текстовому описанию, анимация исходного изображения, продолжение уже созданного видео, запрос одной задачи и пакетный запрос нескольких задач. Отдельные операции помогают получить допустимые действия и соотношения сторон. Для разработчика это означает, что диалог с Claude может стать тонким слоем оркестрации: сначала уточнить возможности, затем запустить нужное действие и после этого проверять состояние, не перенося данные вручную между вкладками.

Текстовый запрос подходит для черновой сцены, заставки или концептуального ролика.
Режим изображения-в-видео полезен, когда исходный кадр уже подготовлен дизайнером или создан в Midjourney.
Продолжение видео помогает развивать сцену, сохраняя направление камеры и визуальную логику.
Получение задачи превращает асинхронную операцию в контролируемый этап пайплайна.
Пакетная проверка особенно удобна для очереди нескольких вариантов одного промпта.

Подключение в Claude: минимальный маршрут

В Claude откройте Settings, затем Customize и Connectors. Создайте пользовательский коннектор с адресом https://luma.mcp.acedata.cloud/mcp. После добавления интерфейс обнаружит набор операций сервера. Нажмите Connect, войдите в Ace Data Cloud и подтвердите OAuth-разрешение. Токен не нужно вручную переносить в окно Claude: авторизация выполняется в процессе подключения.

На первом запуске стоит оставить подтверждение операций включённым и посмотреть, какие именно вызовы формирует ассистент. Для повторяющегося тестового процесса можно настроить разрешения на уровне отдельных инструментов. Это разделяет ответственность: человек утверждает создание ресурсоёмких заданий, а модель берёт на себя последовательность вызовов и разбор ответа.

Как формулировать задачу для агента

Хороший запрос описывает результат и ограничения, а не предполагаемое имя операции. Например: «Сначала получи доступные соотношения сторон, затем создай вертикальный короткий ролик: ночная улица, мокрый асфальт, съёмка от первого лица, плавное движение камеры. После завершения верни ссылку и краткое описание параметров». Такая формулировка позволяет Claude самостоятельно выбрать последовательность: перечисление параметров, создание задачи и её проверка.

Для изображения-в-видео добавьте прямой URL исходного кадра и конкретику о движении: интенсивность, направление, движение объектива, ограничения на смену композиции. Для продолжения укажите, какой фрагмент является исходным и что должно измениться в следующем эпизоде. Чем явнее отделены неизменяемые требования от творческой свободы, тем проще сравнивать варианты и повторять эксперимент.

Контроль задач через API

Даже когда основной сценарий проходит через MCP, полезно уметь контролировать задачи из CI-скрипта, внутренней панели или отладочной консоли. Публичная спецификация Ace Data Cloud описывает операцию POST /luma/tasks на endpoint https://api.acedata.cloud. Для одного идентификатора передайте действие retrieve. В ответе запись содержит идентификатор, тип, отметки времени, trace ID, полезные данные запроса и, когда обработка завершена, ответ задачи.

curl -sS -X POST "https://api.acedata.cloud/luma/tasks" \
  -H "Authorization: Bearer $ACE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -H "Accept: application/json" \
  -d '{
    "id": "task-id-from-generation",
    "action": "retrieve"
  }'

Не привязывайте прикладную логику только к одному полю состояния: фиксируйте trace_id, исходный запрос и время создания. Эти данные позволяют сопоставить запуск с журналами приложения. Завершённость можно определить по наличию итогового ответа и времени окончания, а временные ошибки следует обрабатывать с ограниченным числом повторов и увеличивающейся паузой. Не отправляйте повторно создание ролика, если нужно лишь узнать судьбу уже существующей задачи.

Для нескольких идентификаторов используйте действие retrieve_batch. Это снижает число сетевых обращений и упрощает обработку очереди. Пример ниже показывает небольшой клиент без внешних зависимостей. Он передаёт ключ через окружение, проверяет HTTP-ошибки и печатает ответ в читаемом JSON.

import json
import os
from urllib.request import Request, urlopen
from urllib.error import HTTPError

endpoint = "https://api.acedata.cloud/luma/tasks"
token = os.environ["ACE_API_TOKEN"]
payload = {
    "ids": ["task-a", "task-b", "task-c"],
    "action": "retrieve_batch",
}

request = Request(
    endpoint,
    data=json.dumps(payload).encode("utf-8"),
    method="POST",
    headers={
        "Authorization": f"Bearer {token}",
        "Content-Type": "application/json",
        "Accept": "application/json",
    },
)

try:
    with urlopen(request, timeout=30) as response:
        result = json.load(response)
        print(json.dumps(result, ensure_ascii=False, indent=2))
except HTTPError as error:
    print(error.code, error.read().decode("utf-8"))
    raise

Практика надёжного конвейера

В production-сценарии разделите генерацию и доставку результата. Сервис-инициатор сохраняет ID задачи, промпт, версию шаблона и владельца проекта. Воркер с ограниченной конкурентностью периодически получает статусы пачками. Когда появляется итоговый результат, отдельный этап проверяет ссылки, копирует нужные метаданные в хранилище проекта и уведомляет пользователя. Такой подход устойчивее, чем долго удерживать один HTTP-запрос открытым до завершения рендеринга.

Задавайте лимит одновременных запусков на проект, чтобы предсказуемо расходовать бюджет.
Храните идемпотентный ключ рядом с исходным запросом, чтобы не создавать дубликаты при сетевом сбое.
Используйте trace_id в логах, тикетах и сообщениях об ошибках.
Разделяйте технический статус задачи и статус публикации готового видео в вашем продукте.
Сначала тестируйте промпты на экономичных параметрах, затем запускайте финальные варианты.

Итог

MCP делает видеоинструменты частью агентского рабочего процесса, а API задач добавляет прозрачный программный контроль. Команда может использовать Claude для выбора операций и составления последовательности, при этом сохранять привычные практики разработки: очереди, журналирование, повторяемость и мониторинг. Начните с одного короткого сценария, сохраните идентификатор задачи и отладьте получение результата — после этого ту же схему легко расширить до полноценного контент-конвейера.

Search This Blog

AceDataCloud