Servidor del Protocolo de Contexto de Modelo (MCP) Reexpress

Para LLMs con capacidad de llamada a herramientas (p. ej., Claude Opus 4.5 o Sonnet 4.5) y clientes MCP que se ejecutan en macOS (Sequoia 15 o posterior en Apple silicon) o Linux

Resumen en vídeo[^1]: Aquí

El servidor MCP Reexpress es una solución lista para usar que añade verificación estadística de vanguardia a sus complejos flujos de trabajo de LLM, así como a su uso diario de LLMs para búsquedas y control de calidad en entornos de desarrollo de software y ciencia de datos. Es la primera segunda opinión de IA fiable y estadísticamente robusta para sus flujos de trabajo de IA.

Simplemente instale el servidor MCP y luego añada el prompt de Reexpress al final de su texto de chat. El LLM con capacidad de llamada a herramientas (p. ej., el modelo Claude Opus 4.5 de Anthropic) comprobará entonces su respuesta con el estimador de Distancia-Magnitud de Similitud (SDM) preentrenado de Reexpress, que combina gpt-5.2-2025-12-11, gemini-3-pro-preview y granite-3.3-8b-instruct (ejecutado localmente), junto con la salida del LLM que realiza la llamada a la herramienta, y calcula una estimación robusta de la incertidumbre predictiva frente a una base de datos de ejemplos de entrenamiento y calibración del conjunto de datos OpenVerification1. De forma exclusiva en el método Reexpress, puede adaptar fácilmente el modelo a sus tareas: simplemente llame a las herramientas ReexpressAddTrue o ReexpressAddFalse después de que se haya completado una verificación, y las futuras llamadas a la herramienta Reexpress tendrán en cuenta sus actualizaciones de forma dinámica al calcular la probabilidad de verificación. También incluimos los scripts de entrenamiento para el modelo, de modo que pueda realizar un reentrenamiento completo cuando se necesiten cambios más sustanciales o desee utilizar otros LLM subyacentes.

[!NOTE] Además de proporcionarle (a usted, el usuario) una estimación fundamentada de la confianza en la salida dadas sus instrucciones, el propio LLM que realiza la llamada a la herramienta puede utilizar la salida de verificación para refinar progresivamente su respuesta, determinar si necesita recursos o herramientas externas adicionales, o si ha llegado a un punto muerto y necesita pedirle más aclaraciones o información. Eso es lo que llamamos razonamiento con verificación SDM: una capacidad totalmente nueva en el kit de herramientas de IA que creemos que abrirá una gama mucho más amplia de casos de uso para LLMs y agentes de LLM, tanto para particulares como para empresas.

Los datos solo se envían a través de llamadas API de LLM estándar a Azure/OpenAI y Google, y las llamadas a gemini-3-pro-preview tienen acceso estándar a la búsqueda web a través de la API; todo el procesamiento para el estimador SDM se realiza localmente en su ordenador. Reexpress MCP tiene un sistema de acceso a archivos simple y conservador, pero eficaz: usted controla qué archivos adicionales (si los hay) se envían a las API de LLM especificando explícitamente los archivos a través de las herramientas de acceso a archivos ReexpressDirectorySet() y ReexpressFileSet().

Novedades en la versión 2.1.0

La versión 2.1.0 utiliza gpt-5.2-2025-12-11 y gemini-3-pro-preview como conjunto de modelos, reemplazando a gpt-5-2025-08-07 y gemini-2.5-pro. Notas adicionales en changelog.md.

Related MCP server: File Convert MCP Server

Requisitos del sistema

El servidor MCP se ejecuta en Linux y macOS. El requisito principal es que la máquina que ejecuta el servidor MCP debe ser capaz de ejecutar localmente ibm-granite/granite-3.3-8b-instruct (a través de la biblioteca transformers de HuggingFace). Esto toma como entrada dos explicaciones breves del modelo y un resumen breve y solo necesita generar 1 token, por lo que los requisitos de computación son relativamente modestos en la práctica.

Instalación

Consulte INSTALL.md.

[!TIP] El servidor MCP Reexpress es sencillo de configurar en comparación con otros servidores MCP, pero asumimos cierta familiaridad con LLMs, MCP y herramientas de línea de comandos. Nuestro público objetivo son desarrolladores y científicos de datos. Solo añada otros servidores MCP de fuentes en las que confíe, y tenga en cuenta que otras herramientas MCP podrían alterar el comportamiento de nuestro servidor MCP de formas inesperadas.

Opciones de configuración

Consulte CONFIG.md.

Cómo utilizar

Consulte documentation/HOW_TO_USE.md.

Generación de HTML estático con la salida de la llamada a la herramienta

Consulte documentation/OUTPUT_HTML.md.

Directrices

Consulte documentation/GUIDELINES.md.

Preguntas frecuentes (FAQ)

Consulte documentation/FAQ.md.

Datos de entrenamiento y calibración

Consulte documentation/DATA.md.

Evaluación sobre OpenVerification1

Consulte documentation/EVAL.md.

Documento de demostración del sistema

Una copia de nuestro documento de demostración del sistema "Introspectable, Updatable, and Uncertainty-aware Classification of Language Model Instruction-following", que se centra en particular en la versión 2.1.0 del servidor MCP Reexpress, se incluye aquí. Los scripts de soporte para replicar el análisis se incluyen aquí.

Cita

Si encuentra útil este software, considere citar los siguientes artículos revisados por pares:

@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.},
}

\