jkudish/jev-mcp

Jev MCP – AI代理人的類型化判斷工具

是什麼 – 一個基於Node的小型伺服器，封裝了TypeSafe的Jev語言模型，並公開一組「機械式檢查點」（MCP）工具。每個工具接收一個具體請求（例如，需驗證的主張、需篩選的頁面、需排序的候選清單），並返回一個類型化的結果：機率分佈、信賴度分數與一個自動接受旗標，表示答案是否可自動接受或需人工審查。目標是為自主代理提供低成本、快速的檢查，而無需對每筆資料都執行大型LLM。

如何取得 – 從npm安裝套件並作為本機伺服器執行：

npx -y @jkudish/jev-mcp   # 啟動MCP伺服器

需要Node 20+與一個TypeSafe API金鑰（TYPESAFE_API_KEY）。README甚至示範如何將伺服器註冊到多種MCP相容的客戶端（Amp、Claude Code、Codex、OpenCode等）。

核心工具

工具	功能	典型輸出
jev_verify	根據提供的證據驗證每個主張。	每個主張的判決結果（verified, contradicted, …）、完整機率分佈、信賴度、自動接受旗標。
jev_screen	在代理讀取頁面之前檢測提示注入、實質內容與相關性。	injection, substance, relevance的機率；建議（pass, review, block, skip）。
jev_find	根據自然語言查詢對候選文字列表進行評分，並判斷是否存在答案。	存在機率、前k個候選ID及其機率。
jev_rerank	為每個候選項目返回相關性分數並排序。	每項都有相關性機率的排序清單。
jev_classify	根據使用者提供的類別目錄對項目進行批量分類。	類別ID、置信度、每項的自動接受旗標。
jev_decide	在2-6個候選項目中做出有限決策，檢查每個候選項目是否符合明確要求。	選定的候選項目、逃生旗標、每項要求的支持/矛盾情況。
jev_compare	比較兩個段落（整體與各方面），判斷它們是否陳述相同事實、相互矛盾或無關。	每個方面的關係及整體關係，附帶信賴度與自動審查旗標。
jev_extract	執行使用者提供的正規表示式，然後讓Jev選擇正確匹配項，並從來源文本中返回精確字串。	提取的值、狀態（auto/review/not_found）、診斷資訊。
jev_review	根據證據、規格、測試等對建議的程式碼差異進行評分（在介紹中描述）。
jev_gate	在一次呼叫中結合補丁審查與主張驗證步驟。

為何重要 – 大型LLM成本高且速度慢（每次呼叫需數秒至數分鐘）。Jev MCP以不到一美分的微小成本與約150-500毫秒的延遲，提供類型化判斷，使其在以下情境中變得實用：

• 逐條驗證報告或PR描述中的主張。
• 在頁面到達代理前阻止包含隱藏提示注入的頁面。
• 無需建立嵌入或向量索引即可查找或重新排序文件。
• 自動標記支援工單、收件箱訊息或日誌項目。
• 做出簡單決策（例如選擇部署策略），同時將模糊情況暴露給人工處理。

設計選擇與限制

• 類型化回應：每個工具都強制執行嚴格模式（機率總和必須為1，信賴度在[0,1]範圍內等）。無效或格式錯誤的模型回應會被報告為invalid_response，而非靜默接受。
• 自動接受閾值：每個工具都有預設信賴度閾值（auto_accept ≈ 0.8），可調整；低於該閾值的結果將被標記為需人工審查。
• 批量限制：單次呼叫最多250個候選項目/類別，分類最多64項，文字截斷至2000字元，重排序總預算為100000字元。
• 無嵌入或索引：系統依賴Jev模型的語義評分，因此無需維護獨立的向量儲存。
• 早期階段軟體：README警告存在「粗糙邊緣」，並鼓勵貢獻。

典型工作流程

1. 啟動伺服器（npx -y @jkudish/jev-mcp）。
2. 設定MCP客戶端（例如，amp mcp add jev …）。
3. 從代理程式碼中呼叫工具，按README所示傳遞JSON參數。
4. 檢查類型化結果 – 如果decision/action為auto，則繼續；否則暫停等待人工審查。

總結 – Jev MCP是一個實用的開源封裝，讓自主代理能使用TypeSafe的Jev模型以低成本、高速度、結構化的方式執行判斷。它明確處於AI代理工具領域，可輕鬆整合到任何已支援MCP風格伺服器的工作流程中。