Skip to main content
Glama

ruTS-mcp дает LLM-агенту инструменты библиотеки ruTS, чтобы измерить русский текст, а не оценивать его на глаз. Каждое значение приходит вместе с описанием, прочтением по шкале, если она есть, и предупреждениями, когда значение неустойчиво или не имеет смысла для текста.

  • analyze_text - статистики текста по группам: базовые, удобочитаемость с классом и возрастом читателя, лексическое разнообразие, морфология, фоностатистики, связность, стиль и канцелярит, лексическая сложность, стих, синтаксис

  • kwic - вхождения слова или словосочетания с контекстом

  • collocations - устойчивые сочетания и сочетаемость слова

  • dispersion - насколько равномерно слова распределены по тексту

  • keyness - ключевые слова относительно русского языка или другого текста

  • compare_texts - чем различаются два корпуса текстов по признакам стиля

  • Ресурсы и промпты - шкалы удобочитаемости и нормы стиля, готовые разборы: удобочитаемость, канцелярит, стихотворение, SEO-проверка, сравнение двух текстов

Установка

Сервер запускается через uvx из uv, который сам скачает пакет и Python. Подключение к Claude Code:

claude mcp add ruts -- uvx ruts-mcp

Для групп lexical, verse и syntax нужны словари и модель spaCy, их скачивает одна команда:

uvx ruts-mcp download

Сервер вместе со скиллом, который подсказывает агенту, как им пользоваться, ставит плагин Claude Code:

/plugin marketplace add SergeyShk/ruTS-mcp
/plugin install ruts@ruts-mcp

Подключение к Claude Desktop, Cursor и другим клиентам и настройки - в документации.

Related MCP server: humanizer-ru

Лицензия

MIT. Словари, которые скачивает ruts-mcp download, распространяются на условиях их авторов: частотный словарь Ляшевской и Шарова, словарь ударений Козиева (CC0), модель spaCy (MIT).

Available Tools

6 tools
analyze_textАнализ русского текстаA
Read-onlyIdempotent

Измерить русский текст статистиками библиотеки ruTS.

Используйте, чтобы получить точные числа о тексте, а не оценивать его на глаз. Считаются только запрошенные группы. Текст из файла передавайте через path, а не пересылайте целиком: так быстрее, и статистики считаются по исходному тексту.

Группы статистик:

  • basic: предложения, слова, слоги, символы, буквы, пробелы и знаки препинания; уникальные, длинные (от 6 букв), сложные (от 4 слогов), простые, односложные и многосложные слова с долей от всех слов; энтропия длин слов в буквах и слогах.

  • readability: удобочитаемость - сводный класс и формулы Флеша-Кинкайда, Флеша, Колман-Лиау, SMOG, ARI, LIX, RIX, Соловьёва-Иванова-Солнышкиной, Мацковского, Тулдавы, Дейла-Чейла и Ганнинга, время чтения; формулы класса и сводный класс читаются классом школы и возрастом читателя, индекс Флеша, LIX и RIX - полосой своей шкалы, у формул Мацковского и Тулдавы и времени чтения шкалы нет.

  • diversity: лексическое разнообразие - TTR и поправки к нему, MATTR, MSTTR, MTLD, HD-D, индексы Симпсона, Юла и Оноре, мера Орлова, энтропия, законы Ципфа и Хипса, взрывность частых слов.

  • morph: морфология по ruMorph в контексте предложения - части речи и 15 грамматических признаков (число и доля слов с каждым значением) и доли форм глагола: наклонения, инфинитив, причастия, деепричастия, совершенный вид, страдательные и возвратные формы.

  • phon: фоностатистики по буквам, без ударения, оглушения и редукции - доли гласных, сонорных, звонких и глухих согласных, тяжелые сочетания согласных, зияния, жесткость, открытые слоги, индексы аллитерации и ассонанса.

  • cohesion: связность по образцу Coh-Metrix и TAACO - повторы существительных, аргументов и знаменательных слов между предложениями (соседними, всеми парами, двумя следующими) и между соседними абзацами (абзац - строка текста), местоимения, данность, повтор времени и вида, коннекторы на 1000 слов - межпредложенческие и внутрипредложенческие, по классам.

  • lexical: лексическая сложность по частотам языка - доля слов, найденных в частотном словаре Ляшевской и Шарова, средняя частотность (ipm) и ее логарифм, диапазон и дисперсия по корпусу, сюрпризал и перплексия, доли слов из 1000-10000 самых частых лемм, лексическая плотность. Метрикам по словарю нужен скачанный словарь.

  • verse: стих - строки и строфы, метр и число стоп, отклонения от метра и пропуски ударений, доля рифмованных строк и схемы рифмовки, мужские, женские и дактилические окончания. Нужен скачанный словарь ударений; знак ударения в тексте (замо́к) важнее словаря.

  • syntax: синтаксис по дереву зависимостей модели spaCy - длина зависимостей, глубина и ветвистость дерева, слова до вершины предложения, валентность глаголов, клаузы, придаточные и инфинитивные клаузы, индексы сложности L2SCA (T-единицы, глагольные, сочиненные и сложные именные группы), сочинительные цепочки, модификаторы существительного, предложные цепочки, цепочки родительных падежей и именные цепочки («рост цен на нефть»), причастные и деепричастные обороты, пассив, инфинитивы, отрицания, расщепленные сказуемые («оказать помощь»), порядок подлежащих и дополнений, схожесть соседних предложений, отношение существительных к глаголам. Нужна скачанная модель spaCy; на длинном тексте разбор занимает секунды.

  • style: SEO-метрики по словоформам - классическая и академическая тошнота, водность с прочтением по нормам Advego и Text.ru, заспамленность и естественность по Ципфу без норм (нормы рассчитаны на тексты сайтов в несколько сотен слов, к художественной прозе неприменимы), самые частые словоформы и самые частые значимые слова, по которым считается академическая тошнота, лексические маркеры канцелярита с найденными словами и фразами: отглагольные существительные, производные предлоги, вводные слова, штампы. Синтаксические маркеры канцелярита - расщепленные сказуемые, цепочки родительных падежей, пассив, отношение существительных к глаголам - в группе syntax: для проверки на канцелярит берите style и syntax.

В результате по ключу на каждую запрошенную группу: статистика с ее значением "value", долей "share" или прочтением по шкале "interpretation", если они есть, и описанием "description" - что она считает; у маркеров канцелярита группы style еще число вхождений "count" и найденные слова и фразы "found". Значение null - статистика на этом тексте не определена. Ключ "warnings" - причины, по которым значения могут быть неустойчивы или не иметь смысла для этого текста: короткий текст, текст не на русском языке, не скачанные словари или модель (тогда предупреждение называет команду, которая их скачивает). Прочитайте предупреждения, прежде чем делать выводы.

Inputs: path, text, groups, descriptions, +2 more. Returns: object

collocationsКоллокацииA
Read-onlyIdempotent

Найти коллокации текста - пары слов, которые встречаются вместе чаще, чем случайно.

Используйте для устойчивых сочетаний, терминологии и сочетаемости слова (параметр node). Пара упорядочена: правое слово стоит не дальше window слов после левого. Леммы ruMorph берутся в контексте предложения.

В результате "n_words" - число слов текста, "measure" - мера и как ее читать, "collocations" - пары по убыванию меры: левое слово "left", правое "right", их частоты "freq_left" и "freq_right", частота пары "freq_pair" и значение меры "score". freq_pair - число пар позиций, где правое слово стоит в окне после левого: слово, повторенное в окне, дает несколько пар, поэтому freq_pair бывает больше частоты слова, и такая пара - повтор, а не устойчивое сочетание. Ключ "warnings" - предупреждения: текст не на русском языке, слова node нет в тексте, пар с такой частотой нет.

Inputs: node, path, text, top_n, +4 more. Returns: object

compare_textsСравнение корпусовA
Read-onlyIdempotent

Сравнить два корпуса текстов по признакам стиля и найти, чем они различаются сильнее всего.

Используйте для атрибуции авторства, сравнения жанров, переводов, текстов человека и модели. Тексты режутся подряд на окна ровно по window слов (whole_texts - тексты целиком), у каждого окна считаются около 150 признаков ruTS, и распределения признака в корпусах A и B сравниваются. Остаток текста короче окна и текст короче окна отбрасываются: ответ предупреждает о таких текстах и о потере больше 10 % слов корпуса на остатках. Для сравнения нужно хотя бы по два окна в каждом корпусе. Тексты из файлов передавайте через a_paths и b_paths.

Признаки по префиксам: basic_ - доли длинных, сложных, одно- и многосложных слов, букв, пробелов и знаков, буквы и слоги на слово; readability_ - формулы удобочитаемости; diversity_ - меры лексического разнообразия; morph_ - доли частей речи, отрицаний и кратких форм от слов (morph_pos_NOUN, morph_polarity_Neg, morph_style_variant_Short) и значений остальных признаков внутри признака (morph_case_Gen, morph_tense_Past); sents_ - средняя длина предложения в словах, ее стандартное отклонение, коэффициент вариации и автокорреляция соседних длин; punct_ - знаки по типам на 1000 слов и доля буквы ё; cohesion_ - статистики связности: повторы между предложениями, местоимения, данность, повтор времени и вида, коннекторы на 1000 слов.

В результате "window" - размер окна (null - тексты целиком), "n_windows" и "n_texts" - число окон и текстов в A и B, "features" - признаки по убыванию модуля дельты Клиффа, при равной дельте - по относительной разности медиан: средние по окнам "mean_a" и "mean_b", разность медиан A - B "median_diff" с 95% бутстрэп-интервалом "ci_low" - "ci_high", дельта Клиффа "cliff_delta" (от -1 до 1: доля пар окон, где в A больше, минус доля, где меньше; по модулю от 0,147 - малый, от 0,33 - средний, от 0,474 - большой эффект, Romano и др. 2006) и p-значение U-критерия Манна-Уитни с поправкой Холма на число признаков "p_holm". Окна одного текста не независимы: p_holm считает их независимыми и занижено, если текстов в корпусе мало, а бутстрэп-интервал берет целые тексты и при одном тексте в корпусе не определен. Ключ "warnings" - предупреждения: корпус не на русском языке, тексты корпусов разной длины при whole_texts, тексты или их остатки не вошли в сравнение, в корпусе один текст, ни одно различие не значимо.

Inputs: a, b, top_n, window, +3 more. Returns: object

dispersionДисперсия словA
Read-onlyIdempotent

Измерить, насколько равномерно слова распределены по тексту (дисперсия Гриса).

Используйте, чтобы отличить слово, которое проходит через весь текст, от слова, сосредоточенного в одном месте: частота их не различает. Текст делится на parts частей примерно равного размера.

В результате "n_words" - число слов текста, "words" - слова в порядке запроса или по убыванию частоты, с частотой "freq" и мерами дисперсии:

  • dp: отклонение пропорций DP Гриса, основная мера; 0 - слово распределено пропорционально размерам частей, наибольшее значение около 1 - 1/parts - все вхождения в одной части.

  • dp_norm: DP, деленное на наибольшее возможное значение; 1 - все вхождения в самой малой части.

  • juilland_d: D Жюйана; 1 - равномерно, 0 - в одной части.

  • carroll_d2: D2 Кэрролла по энтропии распределения; 1 - равномерно, 0 - в одной части.

  • rosengren_s: S Розенгрена; 1 - пропорционально, около 1/parts - в одной части.

  • kl_divergence: дивергенция Кульбака-Лейблера в битах; 0 - пропорционально, растет при сосредоточении. У слова, которого нет в тексте, частота 0 и меры null. Слово с частотой меньше parts не может попасть во все части, и его меры показывают сосредоточенность даже при самом ровном распределении. Ключ "warnings" - предупреждения: текст не на русском языке, слов нет в тексте, частота слов меньше числа частей.

Inputs: path, text, parts, top_n, +2 more. Returns: object

keynessКлючевые словаA
Read-onlyIdempotent

Найти ключевые слова текста - слова, которые в нем значимо чаще (или реже), чем в эталоне.

Используйте, чтобы понять, чем лексика текста отличается от обычного языка (эталон по умолчанию - частотный словарь, его нужно скачать командой ruts-mcp download) или от другого текста (reference или reference_path). Слова сравниваются в нижнем регистре и с е вместо ё, леммы - ruMorph в контексте предложения. Со словарем числа, слова с латиницей и сокращения без своей статьи, которые ruMorph раскрывает в другое слово (тов., г.), отбрасываются, а слово вне словаря получает его наименьшую частоту (freq_reference около 37): имена, термины и опечатки попадают в ключевые слова. Статьи словаря, которые лемматизатор не дает (во, со), в слова, которые чаще в эталоне, не попадают: в тексте эти формы относятся к леммам в и с.

В результате "n_words" - число слов текста, которые сравниваются с эталоном, "reference" - эталон, "measure" - мера сортировки и как ее читать, "keywords" - слова по убыванию меры: частота в тексте "freq_target" и в эталоне "freq_reference", они же на миллион слов "ipm_target" и "ipm_reference", логарифм правдоподобия "g2" (значимость, со знаком минус - слово чаще в эталоне) с p-значением "p_value", Log Ratio "log_ratio" (размер эффекта; при нулевой частоте в эталоне - оценка с поправкой 0,5, бывает меньше 0) и значение меры "score". p_value не поправлено на число проверенных слов: надежнее p < 0,0001 (g2 от 15,13). Ключ "warnings" - предупреждения: текст не на русском языке, ключевых слов нет.

Inputs: path, text, top_n, measure, +5 more. Returns: object

kwicКонкордансA
Read-onlyIdempotent

Найти все вхождения слова или словосочетания в тексте с контекстом (конкорданс KWIC).

Используйте, чтобы увидеть, как слово употребляется в тексте, и цитировать точно. Слова сравниваются без учета регистра и буквы ё, с by_lemma - по леммам ruMorph в контексте предложения (слово запроса - по любой лемме своих разборов); словосочетание не переходит через конец предложения.

В результате "n_matches" - число вхождений, "matches" - строки по порядку в тексте: контекст слева "left", вхождение "keyword", как оно записано в тексте, и контекст справа "right". Строки ограничены параметром limit и общим объемом ответа около 40 тысяч символов. Ключ "warnings" - предупреждения: текст не на русском языке, показаны не все вхождения.

Inputs: keyword (required), path, text, limit, +2 more. Returns: object

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    A4/5.0

    Scored across 6 tools

    Disambiguation4/5

    The six tools have largely distinct purposes: broad statistical analysis, keyword comparison, collocation extraction, corpus comparison, dispersion, and concordance. The main risk is conceptual overlap between analyze_text's lexical/cohesion groups and the specialized keyness/dispersion tools, but the descriptions clarify the boundaries well enough.

    Naming Consistency3/5

    Two tools use a clear verb_noun pattern (analyze_text, compare_texts), while the rest are noun-like names or an acronym (keyness, collocations, dispersion, kwic). The names are readable and memorable, but the set mixes conventions rather than following one predictable pattern.

    Tool Count5/5

    Six tools is well within the appropriate range for a Russian text-statistics server, and each tool covers a distinct analysis mode. analyze_text is broad but acts as a single umbrella for related statistical groups rather than inflating the tool count.

    Completeness4/5

    The set covers the core domain well: aggregate statistics, keywords, collocations, dispersion, concordance, and corpus comparison. A minor gap is that required dictionaries/models are referenced through an external download command rather than an exposed tool, which could create a dead end for agents without shell access.

    Maintenance

    ActivityActive
    ResponsivenessNo recent community issues

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      Not graded
      quality
      C
      maintenance
      Provides text statistics and readability scores (Flesch Reading Ease, Flesch-Kincaid Grade Level) via offline, keyless tools.
      68 npm
      MIT
    • A
      license
      A
      quality
      A
      maintenance
      Russian-text AI-trace detection and typography normalization over stdio MCP: finds chatbot copy-paste artifacts and invisible marks, counts soft AI-style signals; four tools, stdlib-only, no keys required.
      14
      7
      152
      MIT
    • F
      license
      Not graded
      quality
      A
      maintenance
      Enables agents to score prose from 0-100 for formulaic AI writing tells using purely programmatic rule-based heuristics, with no LLM judge or API calls. Returns a numeric score, band label, specific violations with surrounding context, per-category counts, and concrete advice, and can also analyze a file path directly.
      -
    • F
      license
      Not graded
      quality
      A
      maintenance
      Scores prose from 0 to 100 for formulaic AI writing patterns using purely programmatic rules, with no LLM judge or API calls. Enables agents to lint text or files and receive a score, band label, specific violations with surrounding context, and concrete advice for each hit.
      -