jkudish/jev-mcp

Jev MCP – AI代理人的类型化判断工具

是什么 – 一个基于Node的小型服务器，封装了TypeSafe的Jev语言模型，并暴露一组“机械式检查点”（MCP）工具。每个工具接收一个具体请求（例如，需要验证的主张、需要筛查的页面、需要排序的候选列表），并返回一个类型化的结果：概率分布、置信度分数和一个自动接受标志，表明答案是否可以自动接受或需要人工审查。目标是为自主代理提供低成本、快速的检查，而无需对每条数据都运行大型LLM。

如何获取 – 从npm安装该包并作为本地服务器运行：

npx -y @jkudish/jev-mcp   # 启动MCP服务器

需要Node 20+和一个TypeSafe API密钥（TYPESAFE_API_KEY）。README甚至展示了如何将服务器注册到多种MCP兼容客户端（Amp、Claude Code、Codex、OpenCode等）。

核心工具

工具	功能	典型输出
jev_verify	根据提供的证据验证每个主张。	每个主张的判断结果（verified, contradicted, …）、完整概率分布、置信度、自动接受标志。
jev_screen	在代理读取页面前检测提示注入、实质性内容和相关性。	injection, substance, relevance的概率；建议（pass, review, block, skip）。
jev_find	根据自然语言查询对候选文本列表进行评分，并判断是否存在答案。	存在概率、前k个候选ID及其概率。
jev_rerank	为每个候选项返回相关性评分并进行排序。	每项都有相关性概率的排序列表。
jev_classify	根据用户提供的类别目录对项目进行批量分类。	类别ID、置信度、每项的自动接受标志。
jev_decide	在2-6个候选项中做出有限决策，检查每个候选项是否符合明确要求。	选定的候选项、逃生标志、每项要求的支持/矛盾情况。
jev_compare	比较两个段落（整体和各方面），判断它们是否陈述相同事实、相互矛盾或无关。	每个方面的关系及整体关系，附带置信度和自动审查标志。
jev_extract	运行用户提供的正则表达式，然后让Jev选择正确匹配项，并从源文本中返回精确字符串。	提取的值、状态（auto/review/not_found）、诊断信息。
jev_review	根据证据、规范、测试等对提议的代码差异进行评分（在介绍中描述）。
jev_gate	在一次调用中结合补丁审查和主张验证步骤。

为何重要 – 大型LLM成本高且速度慢（每次调用需数秒至数分钟）。Jev MCP以不到一美分的微小成本和约150-500毫秒的延迟，提供类型化判断，使其在以下场景中变得实用：

• 逐条验证报告或PR描述中的主张。
• 在页面到达代理前阻止包含隐藏提示注入的页面。
• 无需构建嵌入或向量索引即可查找或重新排序文档。
• 自动标记支持工单、收件箱消息或日志条目。
• 做出简单决策（例如选择部署策略），同时将模糊情况暴露给人工处理。

设计选择与限制

• 类型化响应：每个工具都强制执行严格模式（概率总和必须为1，置信度在[0,1]范围内等）。无效或格式错误的模型响应会被报告为invalid_response，而非静默接受。
• 自动接受阈值：每个工具都有默认置信度阈值（auto_accept ≈ 0.8），可调；低于该阈值的结果将被标记为需人工审查。
• 批量限制：单次调用最多250个候选项/类别，分类最多64项，文本截断至2000字符，重排序总预算为100000字符。
• 无嵌入或索引：系统依赖Jev模型的语义评分，因此无需维护单独的向量存储。
• 早期阶段软件：README警告存在“粗糙边缘”，并鼓励贡献。

典型工作流

1. 启动服务器（npx -y @jkudish/jev-mcp）。
2. 配置MCP客户端（例如，amp mcp add jev …）。
3. 从代理代码中调用工具，按README所示传递JSON参数。
4. 检查类型化结果 – 如果decision/action为auto，则继续；否则暂停等待人工审查。

总结 – Jev MCP是一个实用的开源封装，让自主代理能够使用TypeSafe的Jev模型以低成本、高速度、结构化的方式执行判断。它明确处于AI代理工具领域，可轻松集成到任何已支持MCP风格服务器的工作流中。