Verified Regex Generator

MCP → Verified Regex Generator. El usuario describe un patrón en inglés sencillo. Un LLM genera la regex. Un agente genera cadenas de muestra reales (ejemplos positivos y negativos), prueba la regex contra ellas con el motor re real, e itera si falla. Las regex son famosas por parecer correctas mientras están sutilmente mal — la verificación es todo el valor aquí, no la generación.

Se ejecuta en Groq (openai/gpt-oss-120b por defecto) — rápido y compatible con el nivel gratuito, así que es barato de demostrar públicamente.

Esto no es "pídele a un LLM una regex y espera". Es un bucle de verificación cerrado:

description  ──►  LLM writes a candidate regex
                        │
description  ──►  LLM writes real test strings (incl. tricky near-misses)
                        │
                        ▼
              Python's `re` engine checks the candidate
              against every test string — ground truth,
              not the model's opinion of itself
                        │
              ┌─────────┴─────────┐
          all pass             something failed
              │                     │
              ▼                     ▼
           done               feed the exact failures
                               back to the model, try again

Demostración

Una ejecución real: "número de teléfono de EE. UU." → el agente escribe 16 cadenas de prueba, propone una regex candidata, la comprueba contra el motor re real de Python y converge en un patrón verificado en 2 iteraciones.

Related MCP server: EvalView

Qué hay aquí

• regex_agent/core.py — el bucle real del agente (independiente del transporte). Todo lo demás es una capa fina alrededor de esto.

• mcp_server/ — un servidor MCP real que expone generate_verified_regex como herramienta, para que pueda usarse directamente desde Claude Desktop o Claude Code.

• web/ — una demo con FastAPI + JavaScript puro con dos partes:

  1. Una vista animada y en vivo del razonamiento del agente: casos de prueba, cada regex candidata y la tabla de aprobado/fallo por iteración.

  2. Un probador en vivo estilo regex101 debajo — un campo de patrón editable con banderas (g/i/m/s/coincidencia completa), resaltado de coincidencias en vivo contra tu propia cadena de prueba, una lista de coincidencias con grupos de captura y un desglose token por token en inglés sencillo de la regex (todo en el cliente, sin llamadas a la API). Se rellena automáticamente con lo que el agente acaba de verificar, pero funciona de forma independiente para cualquier regex que pegues — útil incluso si ya conoces regex y solo quieres probar una.

  No se requiere cliente MCP — se ejecuta en un navegador.

Configuración

pip install -r requirements.txt
cp .env.example .env   # then add your GROQ_API_KEY

Ejecutar la demo web

cd web
python server.py

Abre http://127.0.0.1:8000.

Ejecutar el servidor MCP

Añade esto a la configuración de tu cliente MCP (por ejemplo, claude_desktop_config.json de Claude Desktop, o .claude/settings.json para Claude Code):

{
  "mcpServers": {
    "verified-regex-generator": {
      "command": "python",
      "args": ["/absolute/path/to/2 project/mcp_server/server.py"]
    }
  }
}

Luego pídele a Claude algo como "Usa el generador de regex verificado para crearme una regex para un número de teléfono de EE. UU." — llamará a la herramienta, que ejecuta el bucle completo de generar → probar → verificar en el servidor y devuelve un informe JSON.

Por qué esto es una buena demostración

La mayoría de las demos de "IA escribe código" se detienen en la generación. Esta trata la primera respuesta del LLM como una hipótesis, no como una respuesta — y solo afirma éxito una vez que se comprueba contra la verdad de referencia (el motor de regex real, sobre cadenas reales, incluyendo casi-fallos adversariales que el propio modelo propone). Ese bucle — generar → verificar → revisar — es el patrón central detrás de las herramientas agénticas fiables, y es lo bastante pequeño para leerse de principio a fin en regex_agent/core.py.