jkudish/jev-mcp

Jev MCP – AI 에이전트를 위한 타입 지정된 판단 도구

무엇인가요 – TypeSafe의 Jev 언어 모델을 감싸고 "기계적 체크포인트" (MCP) 도구 세트를 노출하는 작은 Node 기반 서버입니다. 각 도구는 구체적인 요청(예: 검증할 주장, 스크리닝할 페이지, 순위를 매길 후보 목록 등)을 받아 타입 지정된 결과를 반환합니다: 확률 분포, 신뢰도 점수, 자동 승인 여부를 나타내는 플래그입니다. 목표는 대규모 LLM을 모든 데이터에 대해 실행해야 하는 상황에서 저비용, 고속의 검증을 제공하는 것입니다.

어떻게 얻을 수 있나요 – npm에서 패키지를 설치하고 로컬 서버로 실행하세요:

npx -y @jkudish/jev-mcp   # MCP 서버 시작

Node 20 이상과 TypeSafe API 키 (TYPESAFE_API_KEY)가 필요합니다. README에는 Amp, Claude Code, Codex, OpenCode 등 다양한 MCP 호환 클라이언트에 서버를 등록하는 방법도 안내되어 있습니다.

핵심 도구

도구	기능	일반적인 출력
jev_verify	제공된 증거에 따라 각 주장을 검증합니다.	주장별 판단(verified, contradicted, …), 전체 확률 분포, 신뢰도, 자동 승인 플래그.
jev_screen	에이전트가 페이지를 읽기 전에 프롬프트 인젝션, 실질성, 관련성을 탐지합니다.	injection, substance, relevance의 확률; 추천(pass, review, block, skip).
jev_find	자연어 쿼리에 대해 후보 텍스트 목록을 점수 매기고, 답변이 존재하는지 여부를 알려줍니다.	존재 확률, 상위-k 후보 ID와 확률.
jev_rerank	모든 후보에 대해 관련성 점수를 반환하고 정렬합니다.	각 항목에 관련성 확률이 포함된 정렬된 목록.
jev_classify	사용자가 제공한 클래스 카탈로그에 따라 항목을 일괄 라벨링합니다.	클래스 ID, 마진, 신뢰도, 항목별 자동 승인 플래그.
jev_decide	명시된 요구사항을 확인하면서 2~6개 후보 중 제한된 결정을 내립니다.	선택된 후보, 에스케이프 헛치기 플래그, 각 요구사항에 대한 지지/모순 여부.
jev_compare	두 개의 문장(전체 및 각 측면별)을 비교하여 동일한 사실을 말하는지, 모순되는지, 무관한지 판단합니다.	각 측면 및 전체에 대한 관계, 신뢰도, 자동 검토 플래그.
jev_extract	사용자가 제공한 정규식을 실행한 후 Jev가 올바른 매칭을 선택하고 소스에서 정확한 문자열을 반환합니다.	추출된 값, 상태(auto/review/not_found), 진단 정보.
jev_review	제안된 코드 차이를 증거, 사양, 테스트 등과 비교하여 점수를 매깁니다(소개에서 설명).
jev_gate	패치 리뷰와 주장 검증 단계를 한 번의 호출로 통합합니다.

왜 중요한가요 – 대규모 LLM은 비싸고 느립니다(1회 호출당 수초에서 수분). Jev MCP는 미미한 비용(수 센트의 일부)과 약 150~500ms의 지연을 통해 타입 지정된 판단을 제공하여 다음이 가능해집니다:

• 보고서나 PR 설명의 주장별로 사실 검증.
• 에이전트에 도달하기 전에 숨겨진 프롬프트 인젝션을 포함한 페이지를 차단.
• 임베딩이나 벡터 인덱스를 구축하지 않고 문서를 검색하거나 재정렬.
• 지원 티켓, 수신함 메시지, 로그 항목을 자동으로 라벨링.
• 단순한 결정(예: 배포 전략 선택)을 내리되, 모호한 경우는 인간이 확인할 수 있도록 표시.

설계 선택 및 제한 사항

• 타입 지정된 응답: 모든 도구는 엄격한 스키마를 강제합니다(확률의 합은 1이어야 하며, 신뢰도는 [0,1] 범위여야 함 등). 무효하거나 잘못된 모델 응답은 invalid_response로 보고되며, 조용히 수용되지 않습니다.
• 자동 승인 임계값: 각 도구는 기본 신뢰도 기준(auto_accept ≈ 0.8)을 가지며, 조정 가능합니다. 이 기준 미만일 경우 결과는 검토 대상으로 표시됩니다.
• 배치 제한: 1회 호출당 최대 250개 후보/클래스, 분류 시 64개 항목, 텍스트는 2,000자까지 자르며, 재정렬 시 총 100,000자 예산이 있습니다.
• 임베딩이나 인덱스 없음: 시스템은 Jev 모델의 의미적 점수 기반으로 작동하므로 별도의 벡터 저장소를 유지할 필요가 없습니다.
• 초기 단계 소프트웨어: README는 "거친 부분"에 주의를 당부하며 기여를 환영합니다.

일반적인 워크플로우

1. 서버 시작 (npx -y @jkudish/jev-mcp).
2. MCP 클라이언트 설정 (예: amp mcp add jev …).
3. 에이전트 코드에서 도구 호출, README에 표시된 JSON 인수를 전달.
4. 타입 지정된 결과 확인 – decision/action이 auto면 진행, 그렇지 않으면 인간 검토를 위해 일시 정지.

결론 – Jev MCP는 TypeSafe의 Jev 모델을 사용해 저비용, 고속, 구조화된 판단을 수행할 수 있는 실용적이고 오픈소스의 래퍼입니다. AI 에이전트 도구 생태계에 명확히 위치하며, 이미 MCP 스타일 서버를 지원하는 모든 워크플로우에 쉽게 통합할 수 있습니다.