ai-to-agent-jev-mcp
Click on "Deploy Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@ai-to-agent-jev-mcp用 jev_ask 一次判斷:血糖數據是否需通知照護者、處理路徑及風險程度。"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
ai-to-agent-jev-mcp
ai-to-agent-jev-mcp — TypeSafe Jev 標準 MCP server
版本:1.0.0|發布日期:2026-09-22|語言:繁體中文
把 TypeSafe Jev(System One 決策模型)包裝成標準 MCP server,讓 Claude Code Agent 可以直接呼叫它做「判斷題」。
AI Coach 益力康陳董 × CGM Coach 血糖教練|2026 AI to Agent
為什麼需要這個
Jev 不生成文字、不寫程式、不聊天。它只做一件事:給它一個狀態 + 一組型別化問題,回傳結構化答案。
這正好補上 Agent 架構裡最缺的一塊——決策層。
沒有 Jev | 有 Jev | |
分流判斷 | Agent 呼叫 LLM 問「請回答 A/B/C」,慢、貴、偶爾漂移 | 一次呼叫回傳選項 + 機率 + 信心值,可重現 |
評分判斷 | 寫死 if/else 規則,或每次問 LLM | 依評分階梯回傳加權分數,直接在程式裡設門檻 |
真偽判斷 | 脆弱的「請回傳 JSON」prompt | 型別化回傳,不會格式錯亂 |
定位:Jev 是 Agent 手上的一個新工具,跟 Whisper、ffmpeg 平行——專門處理「判斷題」而非「生成題」。它不是用來取代 Claude Code 背後的模型。
Related MCP server: Jevbridge
安裝
1. 取得 API 金鑰
到 console.typesafe.ai 申請,也可以先在 Playground 試玩不寫程式。
2. 安裝依賴
pip install "mcp>=1.2" httpx3. 掛進 Claude Code
claude mcp add ai-to-agent-jev-mcp \
--env TYPESAFE_API_KEY=sk-your-key-here \
-- python3 /絕對路徑/ai-to-agent-jev-mcp/jev_mcp_server.py或手動寫進設定檔(~/.claude.json 或專案的 .mcp.json):
{
"mcpServers": {
"ai-to-agent-jev-mcp": {
"command": "python3",
"args": ["/絕對路徑/ai-to-agent-jev-mcp/jev_mcp_server.py"],
"env": {
"TYPESAFE_API_KEY": "sk-your-key-here"
}
}
}
}重開 Claude Code,用 /mcp 確認 ai-to-agent-jev-mcp 已連上。
環境變數
變數 | 必填 | 預設 |
| ✅ | — |
|
| |
|
| |
|
|
Claude Code 中使用
在 Agent 程式裡呼叫 Jev
MCP 連上後,Claude Code 會自動看到四個工具。你可以在程式碼中直接呼叫:
# 真偽判斷:單一 yes/no 問題
result = await jev_noul(
state="空腹血糖 186 mg/dL",
question="這個數值是否需要立即通知照護者?",
criteria={
"true": "明顯超出安全範圍,需立即處理",
"false": "在可控範圍內,例行追蹤"
}
)
# result = {"noul": 0.92, "confidence": 0.88}
# 分流選擇:固定選項中擇一
route = await jev_choice(
state="患者 BMI 28,無共病,願意配合運動",
question="該推薦哪種減重方案?",
criteria={
"輕運動+飲食調整": "BMI 在健康邊緣、無共病",
"醫療介入": "BMI > 30 或有共病風險",
"暫不介入": "患者未表達需求或條件不足"
}
)
# route = {"choice": "輕運動+飲食調整", "confidence": 0.91, "probabilities": {...}}
# 評分判斷:沿評分階梯打分
score = await jev_score(
state="短影音開場三秒未曾出現主人公,背景音樂偏低調",
question="這支短影音的開場鉤子強度?",
criteria=["平淡", "普通", "有吸引力", "非常抓人"]
)
# score = {"score": 1.5, "level": "普通", "confidence": 0.75}
# 批次決策(官方建議):一次問多題
answers = await jev_ask(
state="患者血糖資料:空腹 186、餐後 240、連續三天;症狀:疲倦、夜間頻尿",
questions={
"需通知照護者": {
"type": "noul",
"instructions": "這組數據是否需要立即通知?",
"criteria": {"true": "明顯超出且持續", "false": "可控範圍"}
},
"處理路徑": {
"type": "choice",
"instructions": "應走哪條處理路徑?",
"criteria": {"自動推播": "...", "人工跟進": "...", "就醫轉介": "..."}
},
"風險程度": {
"type": "score",
"instructions": "整體風險有多高?",
"criteria": ["控制良好", "需留意", "控制不佳", "立即介入"]
}
}
)
# answers = {
# "需通知照護者": {"noul": 0.92, "confidence": 0.88},
# "處理路徑": {"choice": "就醫轉介", "confidence": 0.85, ...},
# "風險程度": {"score": 3.2, "level": "立即介入", "confidence": 0.90}
# }在 Claude Code 對話中用文字呼叫
你也可以在 Claude Code 的對話框直接說:
用 jev_ask 一次問完三題:(1) 這筆訂單是否需人工確認?(2) 優先度如何?(3) 備註屬於哪一類?
Claude 會看到 MCP 工具並自動組織參數、呼叫 Jev、解析結果。
信心值怎麼用
ans = await jev_choice(...)
if ans["confidence"] < 0.6:
# 信心不足,不要直接自動執行
hand_off_to_human_or_llm()
else:
# 信心足夠,直接依選擇分流
execute(ans["choice"])四個工具
工具 | 回傳 | 什麼時候用 |
| 0~1 機率 | 是非題:條件成不成立、要不要觸發動作 |
| 選中項 + 各項機率 + 信心 | 分流:路由到固定的幾個處理路徑 |
| 加權分數 + 信心 | 程度題:緊急度、風險、品質、優先度 |
| 多題答案 | 決策點多時優先用這個 |
為什麼優先用 jev_ask
同樣的題目分開問跟一次問,答案一樣,但批次呼叫約便宜 12 倍、快 10 倍——因為 state 只送一次。Agent 流程裡只要有兩個以上的決策點,就該合併成一次 jev_ask。
三大事業的實際用例
1. 血糖管理 Agent
一次問完三題,程式再依數值分流:
{
"state": "空腹 186 mg/dL,餐後兩小時 240 mg/dL,連續三天。患者回報最近容易疲倦、夜間頻尿。",
"questions": {
"需通知照護者": {
"type": "noul",
"instructions": "這組數據是否需要立即通知照護者或衛教師?",
"criteria": {
"true": "數值明顯超出安全範圍且持續,或伴隨警示症狀",
"false": "在可控範圍內,例行追蹤即可"
}
},
"處理路徑": {
"type": "choice",
"instructions": "這個個案該走哪條處理路徑?",
"criteria": {
"自動衛教推播": "推送既有衛教內容即可",
"衛教師跟進": "需要人工聯繫了解狀況",
"建議就醫": "超出衛教範圍,應轉介醫療"
}
},
"風險程度": {
"type": "score",
"instructions": "整體血糖控制風險有多高?",
"criteria": ["控制良好", "需留意", "控制不佳", "需立即介入"]
}
}
}程式怎麼接:
if ans["需通知照護者"]["noul"] > 0.8:
notify_caregiver()
if ans["處理路徑"]["confidence"] < 0.6:
escalate_to_human() # 信心不足,不要自動決定
else:
route(ans["處理路徑"]["choice"])
if ans["風險程度"]["score"] >= 2.5:
flag_for_review()⚠️ 衛教定位提醒:Jev 的輸出是分流用的訊號,不是診斷。凡是「建議就醫」這條路徑,一律導向專業醫療,不要讓 Agent 直接給醫療建議。
2. 短影音生成 Agent
腳本草稿進來,先判斷風格與品質,再決定要不要進生成流程:
{
"state": "<腳本草稿全文>",
"questions": {
"風格模板": {
"type": "choice",
"instructions": "這支短影音該套用哪個風格模板?",
"criteria": {
"CGM衛教版": "專業醫療衛教口吻,重數據與實證",
"AI導師版": "創業經營乾貨,重方法論與案例",
"跨界融合版": "串接健康與商管,重觀點與洞察"
}
},
"開場鉤子強度": {
"type": "score",
"instructions": "前三秒的鉤子抓不抓得住人?",
"criteria": ["平淡", "普通", "有吸引力", "非常抓人"]
},
"有無醫療宣稱風險": {
"type": "noul",
"instructions": "腳本中是否出現可能觸法的療效宣稱?",
"criteria": {
"true": "有明示或暗示治療、療效、預防疾病的說法",
"false": "僅描述知識、經驗或一般性健康概念"
}
}
}
}程式怎麼接:鉤子分數 < 2 就退回重寫、療效宣稱 > 0.5 直接擋下不生成、風格模板決定套哪組素材與字卡。
3. 寵物餐廳自動化 Agent
訂單進來,判斷要不要人工介入:
{
"state": {
"訂位人數": 12,
"時段": "週六 18:00",
"備註": "兩隻狗對雞肉過敏,另有一隻大型犬需要無障礙走道",
"是否包廂": true
},
"questions": {
"需人工確認": {
"type": "noul",
"instructions": "這筆訂單是否需要人工致電確認?",
"criteria": {
"true": "有特殊餐飲需求、動線需求,或超出標準流程",
"false": "標準訂位,系統自動確認即可"
}
},
"處理優先度": {
"type": "score",
"instructions": "這筆訂單的處理優先度?",
"criteria": ["照常排入", "當日留意", "需立即處理"]
},
"備註類型": {
"type": "choice",
"instructions": "備註主要屬於哪一類需求?",
"criteria": {
"飲食限制": "過敏、忌口、特殊餐食",
"空間需求": "無障礙、大型犬、包廂配置",
"混合需求": "同時涉及飲食與空間",
"無特殊需求": "一般備註"
}
}
}
}程式怎麼接:需人工確認 > 0.7 就推到店長的待辦;備註類型 = 飲食限制 自動帶出過敏原檢查表;處理優先度 >= 1.5 當天早班先處理。
設計要點
信心值是第二道關卡。答案告訴你「是什麼」,信心告訴你「能不能直接照做」。低信心的決策交給 LLM 或人工,這是 Jev 最值錢的用法——比單純的 true/false 多一層安全網。
if answer["confidence"] < THRESHOLD:
hand_off_to_llm_or_human()
else:
act_on(answer["choice"])把複雜判斷拆成原子問題。與其問「這個個案該怎麼處理」,不如拆成三題各自判斷,權重留在你自己的程式裡——這樣門檻可以調、邏輯可以測、出錯可以追。
state 用結構化資料。訂單、紀錄、數據這類東西直接傳 JSON,比塞成一段文字準確。
錯誤處理
server 已內建:
429/529/5xx→ 指數退避自動重試最多 4 次(會聽Retry-After)401→ 回傳「API 金鑰無效」的中文說明422→ 回傳「請求格式不合法」並附上 API 指出的問題欄位所有錯誤都以
{"error": "..."}回傳,不會噴 stack trace 給 Agent
參數驗證也在送出前就擋掉:選項少於 2 個 / 超過 255 個、評分階梯少於 2 階 / 超過 10 階、choice 與 score 缺 criteria、未知題型。
測試
python3 test_offline.py用假的 API server 驗證請求格式與回傳解析,不需要金鑰、不連外網。目前 29 項全過。
版權與引用
AI Coach 益力康陳董 × CGM Coach 血糖教練|2026 AI to Agent
Copyright © 2026 AI Coach 益力康陳董。All rights reserved.
本版未授予 MIT、Apache 或 Creative Commons 等開放授權。公開展示不等於授予任意商用、改作或再散布權;使用條件見 LICENSE。這是保留權利的專案,不宣稱為開源軟體。
建議引用:AI Coach 益力康陳董(2026)。《ai-to-agent-jev-mcp:TypeSafe Jev 標準 MCP server》(1.0.0 版)。
This server cannot be deployed
Maintenance
Related MCP Connectors
Deterministic JSON repair, validate, example-gen, schema-coerce for agents. Zero LLM, sub-10ms.
Deterministic contextual decision arbitration and action routing for autonomous software. Takes current state, context, or intent plus caller-supplied candidate actions, state transitions, routes, refusals, escalations, tools, or models and returns a deterministic ordered candidate field. Also provides persistent machine representations for memory, retrieval, indexing, and downstream coherence measurement.
Deterministic decision layer for autonomous agents: reproducible PROCEED/REVIEW/SKIP verdicts.
Related MCP Servers
- AlicenseAqualityBmaintenanceEnables frontier coding agents to delegate routine probabilistic judgments to TypeSafe Jev, providing calibrated triage signals for failures, attempts, completion, context ranking, findings, risk, and generic evidence-grounded questions.7MIT
- AlicenseNot gradedqualityBmaintenanceEnables typed decisions, confidence-gated tool calls, and computer-use action selection for any LLM via Model Context Protocol, bridging TypeSafe Jev with Codex, Claude, Grok, and OpenCode.30MIT
- AlicenseAqualityBmaintenanceEnables AI coding agents to make fast, zero-output-token decisions by evaluating context, diffs, logs, or options through the OpenRouter Decisions API using TypeSafe Jev, returning calibrated probabilities for binary, categorical, or scoring questions.1136 npm2MIT
- AlicenseNot gradedqualityCmaintenanceEnables coding agents to run source-bound evidence checks and bounded batch judgments for classification, extraction, and decision tasks via TypeSafe Jev.MIT