Reexpress Model-Context-Protocol (MCP) Server

Für Tool-aufrufende LLMs (z. B. Claude Opus 4.5 oder Sonnet 4.5) und MCP-Clients, die unter macOS (Sequoia 15 oder neuer auf Apple Silicon) oder Linux laufen

Video-Übersicht[^1]: Hier

Der Reexpress MCP-Server ist eine Plug-and-Play-Lösung, um komplexe LLM-Pipelines sowie die tägliche Nutzung von LLMs für Suche und Qualitätssicherung in Softwareentwicklungs- und Data-Science-Umgebungen um eine hochmoderne statistische Verifizierung zu erweitern. Es ist die erste zuverlässige, statistisch robuste KI-Zweitmeinung für Ihre KI-Workflows.

Installieren Sie einfach den MCP-Server und fügen Sie den Reexpress-Prompt am Ende Ihres Chat-Textes hinzu. Das Tool-aufrufende LLM (z. B. Anthropic's LLM-Modell Claude Opus 4.5) überprüft dann seine Antwort mit dem bereitgestellten, vortrainierten Reexpress Similarity-Distance-Magnitude (SDM) Estimator, der gpt-5.2-2025-12-11, gemini-3-pro-preview und granite-3.3-8b-instruct (lokal ausgeführt) zusammen mit der Ausgabe des Tool-aufrufenden LLMs kombiniert und eine robuste Schätzung der prädiktiven Unsicherheit anhand einer Datenbank von Trainings- und Kalibrierungsbeispielen aus dem OpenVerification1-Datensatz berechnet. Einzigartig an der Reexpress-Methode ist, dass Sie das Modell einfach an Ihre Aufgaben anpassen können: Rufen Sie nach Abschluss einer Verifizierung einfach die Tools ReexpressAddTrue oder ReexpressAddFalse auf. Zukünftige Aufrufe des Reexpress-Tools berücksichtigen Ihre Aktualisierungen dann dynamisch bei der Berechnung der Verifizierungswahrscheinlichkeit. Wir liefern auch die Trainingsskripte für das Modell mit, sodass Sie eine vollständige Neuschulung durchführen können, wenn substanziellere Änderungen erforderlich sind oder Sie alternative zugrunde liegende LLMs verwenden möchten.

[!NOTE] Zusätzlich dazu, dass es Ihnen (dem Benutzer) eine fundierte Einschätzung des Vertrauens in die Ausgabe basierend auf Ihren Anweisungen liefert, kann das Tool-aufrufende LLM selbst die Verifizierungsausgabe nutzen, um seine Antwort schrittweise zu verfeinern, festzustellen, ob es zusätzliche externe Ressourcen oder Tools benötigt, oder ob es eine Sackgasse erreicht hat und Sie um weitere Klärung oder Informationen bitten muss. Das nennen wir Reasoning mit SDM-Verifizierung --- eine völlig neue Fähigkeit im KI-Toolkit, von der wir glauben, dass sie ein weitaus breiteres Spektrum an Anwendungsfällen für LLMs und LLM-Agenten sowohl für Einzelpersonen als auch für Unternehmen eröffnen wird.

Daten werden nur über Standard-LLM-API-Aufrufe an Azure/OpenAI und Google gesendet, wobei die gemini-3-pro-preview-Aufrufe über die API Standard-Websuchzugriff erhalten; die gesamte Verarbeitung für den SDM-Estimator erfolgt lokal auf Ihrem Computer. Reexpress MCP verfügt über ein einfaches und konservatives, aber effektives Dateizugriffssystem: Sie steuern, welche zusätzlichen Dateien (falls vorhanden) an die LLM-APIs gesendet werden, indem Sie Dateien explizit über die Dateizugriffs-Tools ReexpressDirectorySet() und ReexpressFileSet() angeben.

Was ist neu in Version 2.1.0

Version 2.1.0 verwendet gpt-5.2-2025-12-11 und gemini-3-pro-preview als Modell-Ensemble und ersetzt damit gpt-5-2025-08-07 und gemini-2.5-pro. Weitere Hinweise finden Sie in der changelog.md.

Related MCP server: File Convert MCP Server

Systemanforderungen

Der MCP-Server läuft unter Linux und macOS. Die Hauptvoraussetzung ist, dass die Maschine, auf der der MCP-Server läuft, in der Lage sein muss, ibm-granite/granite-3.3-8b-instruct lokal auszuführen (über die HuggingFace transformers-Bibliothek). Dies nimmt zwei kurze Modellerklärungen und eine kurze Zusammenfassung als Eingabe und muss nur 1 Token generieren, daher sind die Rechenanforderungen in der Praxis relativ bescheiden.

Installation

Siehe INSTALL.md.

[!TIP] Der Reexpress MCP-Server ist im Vergleich zu anderen MCP-Servern einfach einzurichten, aber wir setzen eine gewisse Vertrautheit mit LLMs, MCP und Befehlszeilentools voraus. Unsere Zielgruppe sind Entwickler und Data Scientists. Fügen Sie nur andere MCP-Server aus Quellen hinzu, denen Sie vertrauen, und bedenken Sie, dass andere MCP-Tools das Verhalten unseres MCP-Servers auf unerwartete Weise verändern könnten.

Konfigurationsoptionen

Siehe CONFIG.md.

Verwendung

Siehe documentation/HOW_TO_USE.md.

Generieren von statischem HTML mit der Ausgabe des Tool-Aufrufs

Siehe documentation/OUTPUT_HTML.md.

Richtlinien

Siehe documentation/GUIDELINES.md.

FAQ

Siehe documentation/FAQ.md.

Trainings- und Kalibrierungsdaten

Siehe documentation/DATA.md.

Evaluierung über OpenVerification1

Siehe documentation/EVAL.md.

System-Demonstrationspapier

Eine Kopie unseres System-Demonstrationspapiers "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following", das sich insbesondere auf Version 2.1.0 des Reexpress MCP-Servers konzentriert, ist hier enthalten. Die Unterstützungsskripte zur Replikation der Analyse sind hier enthalten.

Zitierung

Wenn Sie diese Software nützlich finden, ziehen Sie in Betracht, die folgenden Peer-Review-Papiere zu zitieren:

@misc{Schmaltz-2025-SimilarityDistanceMagnitudeActivations,
      title={Similarity-Distance-Magnitude Activations}, 
      author={Allen Schmaltz},
      year={2025},
      eprint={2509.12760},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2509.12760},
      note={To appear in \emph{Findings of the Association for Computational Linguistics: ACL 2026}, San Diego, CA, USA.},
}

@misc{Schmaltz-2026-ReexpressMCPServer,
      title={Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following}, 
      author={Allen Schmaltz},
      year={2026},
      note={To appear in the \emph{1st ACM Conference on AI and Agentic Systems: Demos (ACM CAIS'26 Demos)}, San Jose, CA, USA.},
}

\