El mismo trabajo con menos tokens
Nuestros clientes llevan tiempo trabajando contra la API de Transparent Edge para analizar el tráfico en tiempo real, consultar datos históricos, aprovisionar sites y backends o invalidar contenido.
Hoy hay otra vía. te-api es una herramienta CLI (cliente de línea de órdenes) escrita en Python que encapsula y unifica nuestra API en una sola herramienta. Se genera a partir de la especificación OpenAPI, así que la cobertura de endpoints se actualiza automáticamente.
¿Qué facilita te-api?
La autenticación
te-api gestiona el OAuth2 por su cuenta. Ya no hace falta pedir un token contra el endpoint /v1/oauth2/access_token/ antes de cada sesión de trabajo: basta con dejar las credenciales en un archivo ‘.env’ o definir las variables de entorno TRANSPARENT_CLIENT_ID y TRANSPARENT_CLIENT_SECRET. La herramienta obtiene el token y lo renueva cuando toca.
La construcción manual de peticiones HTTP
Las llamadas siguen una estructura jerárquica: te-api [MÓDULO] [VERBO] [RECURSO] [OPCIONES]
El módulo es la sección de la API, el verbo la acción (get, create, update, delete) y el recurso el objeto concreto.
- Consultar el usuario actual es:
te-api companies get current-user. - Listar las alertas de una compañía:
te-api companies get alerts <COMPANY_ID>. - Fijar la compañía por defecto:
te-api set-company 12345( y dejas de repetir el identificador en cada orden).
La instalación es una orden con uv, y hay scripts de autocompletado para bash, zsh y fish.
Caso de uso: consulta de tráfico e histórico
Aquí es donde la herramienta se nota más. Un análisis de tráfico implica una serie de consultas encadenadas. Miras el volumen agregado de un site, detectas una franja horaria rara, bajas a la granularidad fina de esa franja, comparas con la misma semana del mes anterior, cruzas con los códigos de respuesta.
Con peticiones HTTP a mano, cada uno de esos pasos es un token que gestionar, una URL que montar, unos parámetros que codificar y una respuesta que parsear. Con te-api, cada paso es una orden que puedes encadenar con las herramientas de siempre del terminal: redirigir a un archivo, filtrar con jq, meterlo en un script que se ejecute cada mañana.
El resultado es texto en tu máquina. Lo guardas, lo versionas y vuelves sobre él las veces que haga falta.
¿MCP o línea de órdenes? Cómo minimizar el consumo
Un servidor MCP presenta la API a un asistente de IA en forma de herramientas. El modelo recibe la definición de todas ellas (nombre, parámetros, descripciones, esquema de respuesta) antes de leer la primera pregunta. Ese texto ocupa ventana de contexto y se paga en cada conversación, se acaben usando las herramientas o no. En una API con decenas de endpoints, la definición sola ya es un bloque considerable.
El segundo coste aparece al encadenar llamadas. La respuesta de cada herramienta entra entera en el modelo, incluso cuando solo sirve para alimentar la llamada siguiente. En una consulta de tráfico con granularidad fina, la serie devuelta es larga, y esa serie viaja completa por el modelo en cada paso intermedio. Anthropic ha documentado este patrón y propone como alternativa que el modelo escriba código en lugar de invocar herramientas una a una.
te-api cubre buena parte de ese mismo trabajo sin arrastrar ese coste.
Cómo encaja una IA en este flujo
La IA escribe los comandos y tú los ejecutas.
Le das acceso a la herramienta de te-api, le explicas qué quieres saber y le dices que consulte su ayuda, y te devuelve la orden concreta, con los parámetros y el formato de salida que necesitas. La ejecutas en tu terminal, o la ejecuta ella si trabajas con un asistente que tiene acceso a una consola.
El ahorro tiene una explicación mecánica. Lo que entra en el modelo es la documentación de la herramienta, una vez, y el texto de tu pregunta. Lo que sale es una línea de comandos. Los datos de tráfico, que es lo voluminoso, se quedan en tu máquina, en el archivo donde los hayas volcado.
Los modelos actuales manejan bien la sintaxis de línea de órdenes, y una interfaz con una estructura predecible como la de te-api les resulta fácil de generar.
Un patrón que funciona bien
Pídele a la IA que lea la documentación, que te proponga la secuencia completa de órdenes para el análisis que tienes en la cabeza y que te explique qué hace cada una. Revisas, ejecutas y le pasas solo el resultado que te interesa interpretar. El trabajo pesado lo hace el terminal. El modelo traduce tu intención a sintaxis y lee los números que le enseñas.
Dónde empezar
te-api está publicado en GitHub y es gratuito. Necesitas Python 3.12 o superior y uv. Las credenciales de cliente son las mismas que ya usas contra la API.
Si tu equipo trabaja hoy con la API a base de curl y scripts propios, la migración es directa: mismos endpoints, misma autenticación, menos código que mantener.
Fuentes:
- TE-API en GitHub: instalación, autenticación OAuth2, estructura de órdenes y ejemplos de comandos.
- Transparent Edge Docs: documentación de producto y acceso a la referencia de la API.
- Anthropic Engineering: Code execution with MCP: coste en contexto de las definiciones de herramientas y de los resultados intermedios en MCP.
Sonia Arévalo es Product Marketing Manager en Transparent Edge.
Cómo acabó una Analista de Sistemas estudiando Tecnología de los Alimentos es complicado de explicar. Si le añades que luego decidió dedicarse al Marketing Digital, ya es un enigma completo que esta chica haga tantas cosas bien. Más argentina que el asado, Sonia mantiene nuestra web y redes sociales traduciendo el
élficolenguaje técnico a algo asimilable para la gente normal. “Exselente” es su interjección favorita, que hace juego con su trabajo.
