Wordsmith MCP

MCP（Model Context Protocol）サーバーであり、MCP互換のAIクライアントにオフラインのテキスト分析・書き換えツール一式を提供します — 統計、抽出的要約、キーワード抽出、可読性スコア、命名ケース変換、エンティティ抽出、テキスト差分。

APIキーは不要です。ネットワーク呼び出しもありません。状態もどこにも保存されません。すべては渡されたテキストに対してローカルで実行されるため、高速かつ無料で、非公開文書にも安全に使用できます。

MCP Python SDK で構築されています。

存在理由

言語モデルはテキストの判断は得意ですが、計測は驚くほど当てになりません — 正確な単語数やFleschスコアを尋ねても、推測で答えるだけです。Wordsmithは、そうした作業に対してモデルに決定的な計算機を提供するため、文書の長さ、難易度、重要な用語に関する回答は、推定ではなく計算によって得られます。

Related MCP server: armavita-originality-ai-mcp

ツール

すべてのツールは readOnlyHint: true、openWorldHint: false と注釈付けされています — 何も変更せず、インターネットにもアクセスしません。

git clone https://github.com/mirza1272/wordsmith-mcp.git
cd wordsmith-mcp
python3 -m venv .venv
source .venv/bin/activate      # Windows: .venv\Scripts\activate
pip install -e .

実行：

wordsmith-mcp

サーバーは stdio 経由でMCPを話し、クライアントを待って待機し続けます — これは正常な動作であり、ハングアップではありません。クライアント側がサーバーを起動します。詳細は以下を参照してください。

動作確認

python scripts/smoke_test.py

実際のMCPクライアントと同じようにサーバーを起動し、ツール一覧を取得して各ツールをすべて呼び出し、結果を表示します。

単体テストの実行

pip install -e ".[dev]"
pytest -q

クライアントへの接続

Claude Desktop

claude_desktop_config.json を編集します：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows: %APPDATA%\Claude\claude_desktop_config.json

• Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "wordsmith": {
      "command": "/absolute/path/to/wordsmith-mcp/.venv/bin/wordsmith-mcp"
    }
  }
}

Claude Desktopを再起動し、「この段落の読みやすさは？上位5キーワードは？」 のように尋ねてみてください。

Claude Code

claude mcp add wordsmith -- /absolute/path/to/wordsmith-mcp/.venv/bin/wordsmith-mcp

Cursor / Windsurf / その他のクライアント

mcpServers ブロックを受け付けるクライアントはすべて、上記のClaude Desktopの例と同じ形式を使用します。

MCP Inspector（ビジュアルデバッグ）

npx @modelcontextprotocol/inspector .venv/bin/wordsmith-mcp

ブラウザUIが開き、各ツールを手動で呼び出したり、生のJSON-RPCトラフィックを検査したりできます。

HTTPモード（ホステッドデプロイ向け）

同じサーバーは streamable HTTP にも対応しています。これはホステッドのマーケットプレイスが使用する方式です：

TRANSPORT=http PORT=8081 wordsmith-mcp

MCPエンドポイントは http://localhost:8081/mcp になります。

デプロイ

Smitheryの公開フォームは稼働中のHTTPS MCPエンドポイントを必要とするため、サーバーを先にホストしてから登録します。そのために Dockerfile と render.yaml が含まれています。smithery.yaml はコンテナを直接ビルドするホスト向けに用意されています。

詳しい手順: DEPLOY.md。

要するに：コンテナをホスト（Render、Railway、Fly.io — render.yaml が含まれています）にデプロイし、生成された https://<host>/mcp URLをSmitheryに公開します。

まずローカルでコンテナをビルドして動作確認しておくとよいでしょう：

docker build -t wordsmith-mcp .
docker run --rm -p 8081:8081 wordsmith-mcp

プロジェクト構成

wordsmith-mcp/
├── src/wordsmith_mcp/
│   ├── __init__.py        # package exports
│   ├── __main__.py        # python -m wordsmith_mcp
│   ├── server.py          # MCP server: tool definitions and schemas
│   └── textutils.py       # pure text logic, no MCP imports
├── scripts/smoke_test.py  # end-to-end client that exercises every tool
├── tests/test_textutils.py
├── examples/claude_desktop_config.json
├── Dockerfile
├── smithery.yaml
├── pyproject.toml
└── README.md

textutils.py はアルゴリズムを保持し、MCPからは何もインポートしないため、ロジック単体でユニットテストが可能です。server.py はそれらの関数をモデルに説明する薄いプロトコル層です。

仕組み（MCPの60秒ツアー）

MCPは、AIクライアントがサーバーによって公開されたツールを発見して呼び出すことを可能にするJSON-RPCプロトコルです。

1. クライアントがサーバーを起動します（stdio 経由のサブプロセスとして、または HTTP 経由で接続）。

2. クライアントとサーバーは、プロトコルバージョンと機能を通知する initialize ハンドシェイクを交換します。

3. クライアントは tools/list を呼び出します。SDKはPythonの型ヒントと Field(...) の説明から各ツールのJSON Schemaを生成するため、モデルはどの引数が有効かを正確に把握できます。

4. モデルがツールを必要と判断すると、クライアントは引数付きで tools/call を送信します。サーバーはPython関数を実行し、結果を人間が読めるテキストと、宣言された出力スキーマに一致する structuredContent の両方として返します。

したがって、ツールを追加するには、型付きのPython関数を書いて @mcp.tool(...) でデコレートするだけです。

このリポジトリの関連資料

• WRITEUP.md — 既存のMCPサーバー（Context7）の利用と、このサーバーの構築を通して学んだことについての私の記事。

• DEPLOY.md — このサーバーをSmitheryとGlamaに公開するためのステップバイステップガイド。

ライセンス

MIT — LICENSE を参照してください。