獬豸(Xiezhi)小说投稿评审 MCP Server
Provides a placeholder Meituan platform profile for novel submission review; once configured with focus, must-have, and forbidden criteria, it can evaluate chapters against Meituan-specific submission preferences.
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., "@獬豸(Xiezhi)小说投稿评审 MCP Server 用七猫标准评审这三章,给出每章结论、分数和最该改的三点"
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.
獬豸 · 小说投稿评审 MCP(Xiezhi)
名字由来:獬豸(xiè zhì)是中国古代神话中的独角神兽,能辨是非曲直,见人相争便触其无理者。它象征"明辨、刚正、一票否决"——正是这套工具要做的事:三审辨优劣、红队挑硬伤、闸门定放行。技术标识仍保留
novel-review-mcp,便于检索与兼容。
给 AI 生成的小说做投稿前严格评审的 MCP Server:三审流水线 + 红队挑刺 + 头部对标 + 反漂移,并用分层拦截与增量机制避免"每次评审都把一卷重读一遍"。
目标平台:七猫、番茄、起点、晋江、美团(占位模板),未知平台自动回退通用档。
平台档案是公开投稿/签约资料的整理,时效性强,实际投稿以各平台官方最新公告为准。美团档案为占位模板,填入
focus/must_have/forbidden后启用。
它解决什么
诉求 | 机制 |
多平台过稿 |
|
后续不漂移 | 事实契约硬校验 + 摘要金字塔跨章检查 + 改动 ≥10 处自动复审 |
严格评审 | 合规定位(一票否决)→ 内容质量 → 批次终审,加独立红队与 8 维头部对标 |
评审不空跑 | L1/L2 毫秒级前置短路 + 影响半径增量 + hash 缓存 + 并行限流 |
效率可核对 | 真实调用数/耗时/token 账本( |
评审员偏差 | P2b 双评审(红队+对标)+ P2c 独立盲评,分歧升级人工、不自动放行 |
设计原则:形态/结构判据优先于枚举黑名单;可复现技术细节用结构识别;词表扫不出叙述声音与逻辑断链,这类必须进 L3 语义评审。
Related MCP server: vibelore
零基础接入:把这段话发给你的 AI
不用懂命令行。 只要你日常用的 AI 助手支持 MCP(能挂外部工具),把下面这段话原样复制给它,让它替你完成安装和配置。它熟悉命令行,你只需要验收结果。
两个前提(缺的话先跟 AI 说清楚): ① 你的 AI 助手支持 MCP 且能启动外部进程(stdio 方式); ② 有一个 OpenAI 兼容格式的大模型端点(地址和密钥)——没有也能装,但评审只会显示"未定",不会假装修好。
A. 一次性接入话术(复制发给 AI)
我想用一个叫「獬豸」的小说投稿评审工具,它是个 MCP Server。我不懂技术,这一步由你来做,做完告诉我结果:
1. 克隆仓库:git@github.com:proteus-vue/novel-review-mcp.git
如果 SSH 连不上,改用 https://github.com/proteus-vue/novel-review-mcp.git
2. 存到一个你长期保留、路径里没有中文和空格的目录。
3. 用 Python 3.10+ 建虚拟环境,执行 pip install . 安装。
4. 把它挂成你的 MCP server:协议 stdio,command 用 python 的绝对路径,
args 是 server.py 的绝对路径,cwd 设为 src 目录。
如果你支持安装后的 xiezhi-review 命令,就直接用它,省掉 cwd。
5. 运行 python src/server.py --selfcheck,全部为 true 才算成功。
6. 我接下来会给你大模型的 API 地址、密钥、模型名,请把它们设成环境变量:
NOVEL_REVIEW_LLM_URL / NOVEL_REVIEW_LLM_KEY / NOVEL_REVIEW_LLM_MODEL。
注意:没配模型前它处于离线桩模式,输出"未定"是正常的,不会假装通过。
做完用一句话告诉我"可以用了",并把 server.py 的绝对路径记下来。以后我发章节给你,你直接用这个工具帮我评审。把 API 信息发给它时,接着说:
这是我的模型信息:地址 ___ 、密钥 ___ 、模型名 ___ 。请设置好上面那三个环境变量,再跑一次 --selfcheck 确认。以后评审就走这个模型。B. 日常最简话术(配好后,每次只要这一句)
我接下来发你几章正文,目标平台是【七猫/番茄/起点/晋江/美团,选一个】。
请用獬豸帮我评审:每章告诉我 verdict(放行/修改后发布/禁止发布)、分数、
否决原因和最该改的三点。评完把结论留着,我可能让你据此生成下一章写作约束。C. 进阶闭环话术(想要"写稿不跑偏"时用)
在上面评审基础上,再帮我做三件事:
1. 用 extract_facts 从正文抽事实契约候选,列出来让我确认后再固化,
别把没核对的数字当成已确认设定。
2. 用 next_chapter_brief 把评审结论转成下一章写作约束,
以后你帮我写第 N+1 章时,必须遵守这些约束。
3. 发布前做一次独立复核:先用 blind_review_package 生成隔离包,
另开一个看不到旧报告的干净会话评审,再用 blind_review 和 blind_compare
对比,告诉我有没有判定翻转、分数差多少。
另外我改了某几章后,不要全卷重读:先跑 impact_plan 看影响半径,只重评受影响的章节。给非技术用户的三点提醒
没配模型 = 不会放行:桩模式下所有结论都是"未定",这是诚实设计,不是故障;配好
NOVEL_REVIEW_LLM_*才会真正打分。报错不用看懂:任何红字、失败信息,原样复制发回给 AI,让它自己排查,基本不需要你动手。
平台/路径细节交给 AI:目标平台写中文名即可(它会对应到
qimao/fanqie/qidian/jinjiang/meituan);Windows 注意让它用绝对路径。
安装
需要 Python 3.10+。代码里没有平台专属分支,路径全部走 pathlib,Windows / macOS / Linux 同一套源码。
git clone git@github.com:proteus-vue/novel-review-mcp.git
cd novel-review-mcp创建虚拟环境:
# macOS / Linux
python3 -m venv .venv && source .venv/bin/activate
# Windows PowerShell
py -3 -m venv .venv && .\.venv\Scripts\Activate.ps1
# Windows CMD
py -3 -m venv .venv && .venv\Scripts\activate.bat安装依赖:
pip install -r src/requirements.txt
# 或打包安装(推荐给非 Python 客户端)
pip install .pip install . 后会生成 xiezhi-review 命令(Windows 为 xiezhi-review.exe),旧命令 novel-review-mcp 保留兼容。wheel 安装的配置文件位于 <venv>/xiezhi_review/,缓存默认写到 ~/.xiezhi_review/,可用 XIEZHI_CACHE_DIR / XIEZHI_CACHE_ROOT 覆盖。
多语言
调用侧不限语言:Server 走 MCP stdio(JSON-RPC),Node.js / Go / Rust / Java 等任何能启动子进程的客户端都能挂载;返回是纯 JSON,与客户端语言无关。
评审内容目前是中文网文规则:rules.yaml / prompts.md / platforms.yaml 面向七猫 / 番茄 / 起点 / 晋江。要评审英文等其它语种,不需要改代码——另备一套同名配置文件(保持 stage key 与 JSON schema 一致),指向它即可:
# macOS / Linux
export XIEZHI_CONFIG_DIR=/path/to/my-language-pack
# Windows PowerShell
$env:XIEZHI_CONFIG_DIR = "C:\path\to\my-language-pack"该目录需包含 rules.yaml、platforms.yaml、benchmarks.yaml、prompts.md;配置整体切换,缓存也落在语言包目录。缺文件会明确报错,不会静默回退到中文规则。
接入 LLM(重要)
L3 语义评审必须由模型判断。未配置模型时 Server 使用离线桩,明确输出 stub_no_judgement / "未定",不会伪造通过率。
export NOVEL_REVIEW_LLM_URL="https://your-endpoint/v1/chat/completions"
export NOVEL_REVIEW_LLM_KEY="your-api-key"
export NOVEL_REVIEW_LLM_MODEL="your-model"网关是 OpenAI Chat Completions 兼容格式;也可在代码里 llm.set_gateway(your_gateway) 注入自定义实现(任意带 async chat(prompt)->str 的对象)。鉴权与端点细节见 src/llm.py。
运行
cd src
python server.py --selfcheck # 自检:规则加载/红线命中/短路/平台回退
python demo.py # 5 章虚构样例跑完整报告(桩模式)
python test_pipeline.py # 关键路径验证(假网关,9 项)
python test_p2_telemetry.py # P2a 真实调用/耗时/token 账本验证(12 项)
python test_p2c_blind.py # P2c 盲评隔离/校验/回注/对照验证(14 项)
python test_p2b_dual.py # P2b 双评审合并/分歧/一票否决验证(15 项)
python server.py # stdio 模式,供写稿 Agent 挂载在客户端配置 stdio MCP server 时,command 指向 python,args 为 [/绝对路径/src/server.py],cwd 设为 src/。Windows 下 command 用 python.exe 绝对路径,args 形如 ["C:\\...\\novel-review-mcp\\src\\server.py"];若已 pip install .,也可直接用 xiezhi-review 命令,无需 cwd。环境变量用 set(CMD)或 $env:NAME = "值"(PowerShell)设置。
MCP 工具(25 个)
工具 | 作用 |
| L1 形态红线 + L2 关键词打分,毫秒级;致命项直接禁止发布 |
| 单章三审:一审合规定位(硬拒短路)→二审质量→三审终审→红队→对标 |
| 批次评审:影响半径增量 + 摘要金字塔反漂移 + 复审铁律 |
| 跨章一致性:事实契约硬校验 + 摘要层 LLM 冲突发现 |
| 单章内部自洽:时序倒退 / 数字互斥 / 称谓变体,零成本弱信号,只报 suspect + 原文证据 |
| 节奏检查:爽点/冲突/钩子密度 + 节奏荒漠检测,机器层为主、LLM 仅跨章探针 |
| 红队挑刺:逻辑漏洞/动机断裂/硬巧合/读者弃书点 |
| 按结构密度 8 维对标头部,输出 gap |
| 平台收稿偏好适配度评分 |
| 黄金开篇:前 300 字主角/冲突/悬念 + 800 字金手指 |
| 章末钩子判定与强度 |
| 查看影响半径(零成本,不调 LLM) |
| P1 闭环:从正文抽硬数据生成候选事实契约( |
| 伏笔台账登记(去重)/ 回收,持久化落盘 |
| 查看台账 / 超期未收提醒(无章序不臆断) |
| 评审回流:把上轮评审结论 + 未收伏笔 + 人设锚转成下一章写作约束块,含可直接喂写稿 Agent 的 |
| 缓存命中统计 / 清空 |
| P2c 盲评:生成隔离输入包 / 校验外部 judgements |
| 回注独立盲评跑完整流水线 / 事后对照分数、判定、否决差异 |
| 列出平台档案、规则版本、提示词维度 |
AI 写小说闭环(P1)
评审不该只是事后体检,而要在写下一章前变成护栏。推荐这样串:
写完 N 章 → review_batch(三审+红队+对标)→ 评审报告
→ extract_facts(N章) 得候选契约(人工/LLM 复核后固化)
→ foreshadow_register/close 维护伏笔台账
→ next_chapter_brief(报告, 契约, 人设) 得第 N+1 章约束块
→ 把约束块的 prompt 喂给写稿 Agent → 写完再评审(闭环)extract_facts用结构化value_set(单位 + 允许数值集合),中文/阿拉伯数字通吃;同单位未必同量,所以一律标suspect候选,复核后才能当正式契约,不冒充确认结论。next_chapter_brief是评审结论的确定性转写,不新增判断;上轮是桩模式时会在 prompt 里明确标注,避免拿空判定当约束。伏笔台账落盘到缓存根(wheel 只读环境安全),
XIEZHI_CACHE_DIR可覆盖。
效率观测(P2a)
review_chapter / review_batch 的返回报告新增 timing 与 telemetry,把"评审快"从估算变成可核对的事实:
字段 | 含义 |
| 本次调用真实墙钟耗时 |
| 批次各阶段墙钟:L1/L2、单章评审、摘要、跨章、聚合 |
| 真实 LLM 调用次数,非估算 |
| 模型累计耗时 / 限流排队耗时 |
|
|
| 按 stage 拆分的 calls / 耗时 / token |
efficiency.llm_calls_estimate保留旧字段兼容;对外结论以llm_calls_actual为准。并发限流下
llm_cumulative_sec可能大于wall_sec(多次调用并行),这不是错误;timing.phases才是墙钟拆分。自定义网关只实现
async chat(prompt)时仍可用,但没有 usage;此时tokens.available=false,不会填 0 冒充真实消耗。OpenAI 兼容端点返回标准usage会自动入账。硬拒短路、缓存复用都会如实反映为更少的
llm_calls_actual;评分与闸门完全不受这些新字段影响。
双评审(P2b,默认关闭)
单评审员可能被上下文锚定。P2b 对红队 + 对标两路各跑一次评审再合并,其余阶段仍单评审以控制成本。默认关闭,需显式开启:
# src/rules.yaml
dual_review:
enabled: true
stages: [red_team, benchmark]
disagreement_gap: 10第二评审员默认复用主网关(同一模型换视角),报告会标 committee.independent=false——这不是独立投票。想要真正的独立判断,必须配第二后端:
export NOVEL_REVIEW_LLM2_URL="https://second-endpoint/v1/chat/completions"
export NOVEL_REVIEW_LLM2_KEY="your-api-key"
export NOVEL_REVIEW_LLM2_MODEL="your-second-model"
# 或在代码里 llm.set_secondary_gateway(your_gateway)合并规则(见 overall.committee 与 strict_gate.disagreement_chapters):
规则 | 行为 |
一票否决 | 任一评审 blocking / reject / below 即成立,不可被多数票推翻 |
分数 | 取两路中位数,不算出虚假的"共识分" |
分歧 | 判定语义冲突或归一百分制分差 ≥ |
自动放行 | 有分歧时禁止自动放行,单章/批次都标"双评审分歧待人工复核" |
成本 | 开启后红队+对标各多 1 次调用(单章 5→7),真实反映在 |
默认关闭时行为、判定口径、调用次数与旧版完全一致,升级无感。
同模型双开只提供"多视角",不能替代不同模型的独立判断;要更彻底地解决锚定请配合 P2c 盲评。
盲评回归(P2c)
独立盲评解决的是"评审员被既有报告锚定":把判定交给外部评审员时,只给正文和提示词,不给任何旧分数、报告或人工结论。
推荐流程:
blind_review_package(chapters, platform, persona?, facts?)→ 得到只含正文 + 提示词的隔离包,先确认isolation.safe=true。把隔离包交给独立评审员 / 子代理,按
prompts.md输出judgements。blind_validate_judgements(chapters, judgements)→ 先校验结构;valid=false不跑引擎。blind_review(chapters, judgements, ...)→ 回注完整三审流水线,附blind.validation与blind.audit;运行前后清缓存并恢复网关,避免盲评结果污染普通评审。blind_compare(original_report, blind_report)→ 输出分数差、判定翻转、否决增减;只呈现差异,不自动改写任何报告。
judgements 最小结构:
{
"<chapter_id>": {
"first_review": {"pass": true, "verdict": "pass", "redline_hits": [], "issues": []},
"second_review": {"score": 85, "issues": []},
"third_review": {"score": 86, "issues": []},
"red_team": {"blocking": false, "attack_points": [], "verdict": "accept"},
"benchmark": {"total": 8.5, "gaps": [], "verdict": "near"}
},
"summaries": {
"<chapter_id>": {"chapter_id": "<chapter_id>", "actors": [], "actions": [], "conflicts": [],
"payoffs": [], "hook": "", "new_foreshadow": [], "closed_foreshadow": [],
"hard_data": {"time": "", "numbers": []}, "persona_state": ""}
},
"anti_drift": {"conflicts": [], "drift_signals": [], "pass": true}
}second_review.score/third_review.score必须是百分制 0–100。传 0–10 时校验只告警score_scale_suspect,不自动换算。回注网关按正文片段定位章节;定位不到或有歧义会记入
blind.audit,绝不静默套用别的章。盲评不是"自动采信",而是"独立判断 + 事后对照"。冲突项必须回正文逐字核对;P2a 的
telemetry在盲评报告中同样可用。
评分口径
second_review.score 与 third_review.score 参与加权,统一用百分制 0–100;与 rules.yaml 的 rubric.verdict(pass 80 / revise 70)和 strict_gate(单章 85 / 批次 90)同尺度。其余 stage 的 0–10 项为独立展示分,不参与聚合;benchmark.total 为 0–10 展示分,其 verdict 参与否决。详见 src/prompts.md 顶部说明。
配置
文件 | 作用 |
| 红线/L2 打分/三审流水线/严格闸门/复审铁律/效率参数 |
| 平台档案(focus / must_have / forbidden / hard_window) |
| 8 维头部对标基线与阈值 |
| L3 各阶段提示词模板,按 |
缓存 key 含规则版本;升级规则或提示词后建议调 cache_clear。缓存落盘在 src/.review_cache/,已加入 .gitignore。
事实契约(facts)
跨章硬数据约束由调用方以 facts 参数传入,结构:
{"rules": [{"name": "规则名", "must_not": ["正则1", "正则2"]}]}引擎做确定性正则校验。
单章内部自洽(P0 新增):check_self_consistency 提供确定性弱信号——时序倒退、数字互斥、称谓变体,只报 suspect + 原文证据。注意边界:这是弱信号,不判 fatal/reject,最终仍需 L3 语义层或人工复核;facts 契约仍只管跨章硬数据。
项目结构
novel-review-mcp/
├── src/
│ ├── server.py # MCP 入口,25 个工具 + selfcheck
│ ├── engine.py # 三审流水线 / 聚合判定 / 影响半径
│ ├── layers.py # L1 红线 + L2 打分 + P0 机器层信号 + value_set 契约校验
│ ├── facts.py # P1 闭环:契约抽取 / 伏笔台账 / 评审回流约束块
│ ├── summarizer.py # 摘要金字塔(伏笔通用抽取)
│ ├── llm.py # 可插拔 LLM 网关 + latency/usage 采集
│ ├── telemetry.py # P2a 真实调用/耗时/token 账本(contextvars 并发安全)
│ ├── committee.py # P2b 双评审合并 / 分歧判定(纯函数)
│ ├── blind.py # P2c 盲评隔离包 / judgements 校验回注 / 事后对照
│ ├── cache.py # hash 增量缓存
│ ├── config.py # 配置加载(路径相对本文件,不依赖 cwd)
│ ├── demo.py / test_pipeline.py / test_p0_signals.py / test_p1_guardrail.py / test_p2_telemetry.py / test_p2b_dual.py / test_p2c_blind.py
│ └── *.yaml / prompts.md / requirements.txt
├── LICENSE / CHANGELOG.md / CONTRIBUTING.md已知边界
未接模型时 L3 明确"未定",不伪造通过率。
平台规则为公开资料整理,需自行核对官方最新口径。
facts.json类契约只覆盖跨章硬数据,单章内部逻辑靠语义层。红队与对标的"否决"是策略判断,阈值可在
rules.yaml调整。成本账本依赖网关返回 usage;自定义网关未提供时只标
tokens.available=false,不猜 token 数。盲评包只能剔除工具可见的评审字段,无法约束外部评审员进程是否偷偷读了别的文件;真正隔离需由调用方保证。
P2b 同网关双开只是多视角,不是独立投票;独立判断需配第二模型后端,且即便如此也只是"双评审"而非真实编辑部。
License
MIT — 见 LICENSE。
Available Tools
25 toolsbenchmarkC
对标头部:按结构密度维度打分,输出与头部基线的 gap。
Inputs: text (required), platform.
blind_compareB
事后对照原评审与盲评的分数/判定/否决差异;只呈现,不自动改写判定。
Inputs: blind_report (required), original_report (required).
blind_reviewC
P2c:用独立盲评 judgements 回注完整三审流水线,附校验与命中审计;前后清缓存防污染。
Inputs: chapters (required), judgements (required), facts, persona, +3 more.
blind_review_packageB
P2c 盲评输入包:只含正文+提示词,显式剔除既有评审字段,供独立评审员产出 judgements。
Inputs: chapters (required), facts, persona, platform, +1 more.
blind_validate_judgementsB
校验外部盲评 JSON 的结构与评分口径;不补分、不自动换算。
Inputs: chapters (required), judgements (required).
cache_clearA
清空评审缓存(规则/提示词升级后建议调用)。
Inputs: no named parameters.
cache_statsC
缓存命中统计与清空能力(clear=false 只看)。
Inputs: no named parameters.
check_chapter_endC
章末钩子判定与强度。
Inputs: text (required).
check_consistencyC
跨章一致性:事实契约硬校验 + 摘要层 LLM 冲突发现。
Inputs: chapters (required), facts.
check_openingC
黄金开篇:前 300 字主角/冲突/悬念 + 800 字金手指。
Inputs: text (required), platform.
check_pacingB
节奏检查:爽点/冲突/钩子密度 + 节奏荒漠检测。机器层为主,LLM 仅跨章探针。
Inputs: chapters (required).
check_redlineC
L1 形态红线 + L2 关键词打分,毫秒级;致命项直接判禁止发布。
Inputs: text (required), platform, chapter_id.
check_self_consistencyA
单章内部自洽弱信号:时序倒退/数字互斥/称谓变体。零成本,只报 suspect 与原文证据,不判 fatal。
Inputs: text (required).
extract_factsC
从正文抽硬数据生成候选事实契约(fact_check 兼容)。零 LLM,候选需复核,含跨章同单位多值 suspect。
Inputs: chapters (required).
foreshadow_closeC
回收伏笔:按文本匹配把台账 open 条目标记为 closed。
Inputs: items (required), chapter_id (required), evidence.
foreshadow_listC
查看伏笔台账:status=open|closed|all。
Inputs: status.
foreshadow_overdueB
超期未收伏笔提醒;无章序信息时不臆断,返回空。
Inputs: max_age, current_chapter_index.
foreshadow_registerC
登记伏笔到持久化台账(去重);chapter_index 用于超期计算。
Inputs: items (required), chapter_id (required), chapter_index.
impact_planB
查看影响半径:哪些章全文重评、哪些只走摘要、哪些复用缓存。零成本,不调 LLM。
Inputs: chapters (required), radius, revised_ids.
list_profilesB
列出可用平台档案、规则版本与提示词维度。
Inputs: no named parameters.
next_chapter_briefB
评审回流:把上轮评审结论+未收伏笔+人设锚转成下一章写作约束块(含可直接喂给写稿 Agent 的 prompt)。
Inputs: review (required), facts, persona, platform, +2 more.
platform_fitC
平台适配度:按目标平台收稿偏好打分并列出差距。
Inputs: text (required), platform.
red_teamB
红队挑刺:专找逻辑漏洞/动机断裂/硬巧合/读者会弃书的点。
Inputs: text (required), revision_note.
review_batchC
批次评审:影响半径增量 + 摘要金字塔跨章反漂移 + 复审铁律触发。chapters=[{id,text}]。
Inputs: chapters (required), facts, persona, platform, +1 more.
review_chapterC
单章三审流水线:一审合规定位(硬拒短路)→二审内容质量→三审终审漂移→红队挑刺→对标头部。
Inputs: text (required), facts, persona, platform, +2 more.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 25 tools
The set has many clearly dimension-specific probes, but several tools overlap: review_chapter already embeds check_redline, red_team, benchmark, and platform_fit, so an agent must decide between the aggregate pipeline and component calls. cache_stats also advertises a clear capability that duplicates cache_clear. Descriptions help but do not fully eliminate these boundary questions.
All names are snake_case and largely follow grouped verb_noun or prefixed conventions (check_*, review_*, foreshadow_*, cache_*, blind_*). A few standalone names are noun phrases (red_team, benchmark, platform_fit, impact_plan) rather than verb-led, and verb choice varies, but the pattern remains readable and casing is consistent.
25 tools is at the heavy end; the domain is genuinely complex, covering redlines, single/batch review, consistency, pacing, foreshadowing, blind review, and caching, so most tools earn a place. Still, the aggregate-vs-component duplication and granular probes make the surface larger than an agent can comfortably navigate, fitting the borderline-heavy range.
Coverage is unusually thorough for novel submission review: compliance, quality, pacing, consistency, foreshadowing lifecycle, platform fit, blind review, and next-chapter brief all have tools. Minor gaps remain: there is no explicit fact-contract review/approve/update operation after extract_facts, and no history/retrieval tool for prior review outputs beyond cache statistics. These are workable gaps.
Maintenance
Related MCP Connectors
Preflight QA for AI-agent deliverables with structured verdicts and repair guidance.
Versioned artifact review for people and AI agents, with contextual comments and human control.
MCP-native AI evaluation: rubric audits, eval suites, and proof reports for AI/LLM output.
Pre-execution governance for AI agents. Deterministic PASS/FAIL/REVIEW verdicts, replayable proof.
Related MCP Servers
- AlicenseAqualityCmaintenanceEnables AI tools to collaboratively write novels by managing chapters, characters, and story state through commands like validate, context, draft, review, and approve.8MIT
- AlicenseAqualityBmaintenanceEnables AI hosts to plan, draft, and check long-form novel chapters while honoring canon settings, character state, arcs, and check ordering, with approval-gated atomic commits. It keeps world, character, and chapter files as the human-editable source of truth, with snapshots and rollback for recovery.2717 npmApache 2.0
- AlicenseAqualityCmaintenanceEnables AI coding agents to submit work for external review before declaring a task done, receiving evidence-backed fix lists and verdicts based on git-measured changes and calibrated quality scoring.3MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI agents to draft long-form web novels with persistent, disk-backed memory, assembling a pre-writing task brief from structured settings, outlines, foreshadowing ledgers, and timelines, then committing post-chapter fact increments. It also audits pacing, checks per-chapter six-dimension consistency, gates commits on unresolved review findings, and can replay the commit chain to rebuild state when records and manuscripts disagree.1MIT