omoshiro-mcp

흥미로움(面白さ) 분석을 위한 연구 기반 MCP 서버입니다.

이 서버는 콘텐츠에 점수를 매기지 않습니다. 평가 렌즈, 개념적 경계, 상호작용 패턴, 연구 참고 자료를 반환하여 호출 AI가 스스로 분석을 수행할 수 있도록 합니다.

원칙

평가 렌즈를 반환하며, 콘텐츠에 점수를 매기지 않습니다.

온톨로지는 다음을 분리합니다:

• 기본 렌즈: AI가 직접 검사하거나 청중 모델에 대해 상대적으로 검사할 수 있는 구성 요소

• 파생 동역학: 예측 오류나 불확실성 감소와 같은 시간에 따른 변화

• 복합 상태/메커니즘: 흥미, 호기심, 서스펜스, 유머, 통찰, 몰입, 경외, 전이

• 결과: 즐거움, 주의, 기억, 학습, 지속성 등

이를 통해 모든 것을 무의미한 interestingness_score로 축소하는 것을 방지합니다.

Related MCP server: AI Evaluator MCP Server

MCP 엔드포인트

Vercel에 배포할 때 다음을 사용하세요:

https://<your-project>.vercel.app/mcp

프로토콜: MCP Streamable HTTP / JSON-RPC.

도구

get_lenses

대상에 대한 선별된 기본 렌즈 세트를 반환합니다.

예시 인수:

{
  "target_type": "oogiri",
  "analysis_goal": "humor"
}

search_lenses

자연어 용어로 기본 및 복합 구성 요소를 검색합니다.

{
  "query": "unexpected but understandable"
}

get_lens

기본 렌즈의 정의, 진단 질문, 개념적 경계, 적용 가능성 및 추론 가능성을 반환합니다.

{"id":"novelty"}

get_composite

복합 메커니즘/상태와 그 입력 구성 요소를 반환합니다.

{"id":"suspense"}

list_ontology

전체 온톨로지와 핵심 참고 자료를 나열합니다.

핵심 기본 렌즈

현재 v0.1에는 21개의 기본 요소가 포함됩니다:

• novelty

• complexity

• comprehensibility

• processing_fluency

• relevance

• information_gap

• knowability

• uncertainty

• expectation_strength

• outcome_significance

• conflict_instability

• violation

• benignness

• vastness

• accommodation_demand

• challenge

• competence

• control

• autonomy

• feedback_clarity

• relatedness

파생 동역학

• prediction_error

• information_gain

• uncertainty_reduction

• gap_resolution

• conflict_resolution

• comprehension_gain

• fluency_gain

• mastery_progress

복합 메커니즘 / 상태

• interest

• curiosity

• suspense

• humor_benign_violation

• humor_incongruity_resolution

• insight

• flow

• awe

• transportation

복합체는 점수가 아닙니다. 예를 들어:

Interest ≈ novelty/complexity × sufficient comprehensibility
Curiosity ≈ information gap × knowability × relevance × uncertainty
Suspense ≈ uncertainty × expectation strength × outcome significance
Benign-violation humor ≈ violation × benignness
Awe ≈ vastness × accommodation demand

이것들은 검증된 보편적인 방정식이 아니라 개념적 패턴입니다.

추론 가능성

각 렌즈에는 inferability 필드가 포함됩니다:

• direct: 종종 콘텐츠 자체에서 검사할 수 있음

• audience_model_required: 사전 지식, 문화, 장르 기대 등에 따라 달라짐

• experience_required: 실제 심리적 상태는 청중/플레이어 증거 없이 주장해서는 안 됨

예를 들어, novelty는 청중 상대적이지만, 실제 flow나 transportation은 아티팩트를 읽는 것만으로는 신뢰할 수 있게 주장할 수 없습니다.

예시 워크플로

사용자 질문:

이런 엔지니어는 싫어. 어떤 엔지니어? 답변: 키보드가 너무 커서 방에 들어가지 않음

호출 AI:

1. get_lenses({ target_type: "oogiri", analysis_goal: "humor" }) 호출

2. expectation_strength, violation, benignness, novelty, comprehensibility, processing_fluency와 같은 렌즈 수신

3. 실제 분석을 직접 수행

4. MCP에 유머 점수를 출력하도록 요청하지 않음

연구 기반

v0.1 온톨로지는 다음 연구를 포함한 작업을 바탕으로 합니다:

• Silvia, P. J. (2005). What Is Interesting? Exploring the Appraisal Structure of Interest. Emotion.

• Loewenstein, G. (1994). The Psychology of Curiosity: A Review and Reinterpretation. Psychological Bulletin.

• Kang, M. J. et al. (2009). The Wick in the Candle of Learning: Epistemic Curiosity Activates Reward Circuitry and Enhances Memory. Psychological Science.

• Reber, R., Schwarz, N., & Winkielman, P. (2004). Processing Fluency and Aesthetic Pleasure. Personality and Social Psychology Review.

• McGraw, A. P. & Warren, C. (2010). Benign Violations: Making Immoral Behavior Funny. Psychological Science.

• Keltner, D. & Haidt, J. (2003). Approaching Awe, a Moral, Spiritual, and Aesthetic Emotion. Cognition and Emotion.

• Ryan, R. M., Rigby, C. S., & Przybylski, A. (2006). The Motivational Pull of Video Games. Motivation and Emotion.

• Busselle, R. & Bilandzic, H. (2009). Measuring Narrative Engagement. Media Psychology.

온톨로지는 이러한 문헌 전반에 걸친 엔지니어링 종합체이며, 특정 논문이 완전한 구조를 정의한다는 주장이 아닙니다.

개발

서버는 의도적으로 의존성이 낮으며 Vercel 서버리스 엔드포인트로 api/mcp.js에 구현되었습니다.

/mcp에 GET 요청을 하면 서버 메타데이터가 반환됩니다. MCP 클라이언트는 initialize, tools/list, tools/call에 대해 POST JSON-RPC 요청을 사용해야 합니다.

라이선스

MIT