Verified Regex Generator

MCP → Verified Regex Generator。 用户用自然语言描述一个模式。LLM 生成正则表达式。一个智能体生成真实的样本字符串（正例 + 反例）， 用真正的 re 引擎对正则进行测试，如果出错则迭代修正。 正则表达式以"看起来正确"但实际微妙出错而臭名昭著——验证才是这里的核心价值， 而不是生成本身。

运行在 Groq 上（默认使用 openai/gpt-oss-120b）——速度快且免费额度 友好，因此公开演示成本很低。

这不是"让 LLM 写个正则然后碰运气"。这是一个闭环验证流程：

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

演示

一次真实运行："美国电话号码" → 智能体编写 16 个测试字符串，提出一个候选正则， 用 Python 真正的 re 引擎进行校验，并在 2 次迭代内收敛到一个经过验证的模式。

Related MCP server: EvalView

项目内容

• regex_agent/core.py — 实际的智能体循环（与传输方式无关，模型无关）。其他 一切都是围绕这个的薄封装。

• mcp_server/ — 一个真正的 MCP 服务器，将 generate_verified_regex 作为工具暴露出来，因此可以直接从 Claude Desktop 或 Claude Code 中使用。

• web/ — 一个 FastAPI + 原生 JS 演示，包含两个部分：

  1. 智能体推理过程的实时动画视图：测试用例、每个候选正则，以及每次迭代的 通过/失败表格。

  2. 下方的 regex101 风格实时测试器 — 一个可编辑的模式字段，支持标志 （g/i/m/s/全匹配）、针对你自己的测试字符串的实时匹配高亮、 带捕获组的匹配列表，以及正则的逐 token 自然语言解析 （全部在客户端完成，无需 API 调用）。它会自动填入智能体刚刚验证过的 内容，但也可以独立使用，适用于你粘贴进来的任何正则——即使你已经精通 正则、只想测试一个，也很有用。

  无需 MCP 客户端——在浏览器中即可运行。

环境搭建

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

运行 Web 演示

cd web
python server.py

打开 http://127.0.0.1:8000。

运行 MCP 服务器

将其添加到你的 MCP 客户端配置中（例如 Claude Desktop 的 claude_desktop_config.json， 或 Claude Code 的 .claude/settings.json）：

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

然后向 Claude 提问，例如 "用 verified regex generator 帮我构建一个美国电话号码的正则。" ——它会调用该工具，在服务端运行完整的 生成 → 测试 → 验证 循环， 并返回一份 JSON 报告。

为什么这是一个很好的展示

大多数"AI 写代码"的演示止步于生成。这个项目将 LLM 的首次回答视为一个假设， 而非答案——并且只有在它通过真实基准（真正的正则引擎、真实的字符串， 包括模型自己提出的对抗性近似误例）验证之后才宣称成功。这个循环——生成 → 验证 → 修订—— 是可靠的智能体工具背后的核心模式，而且它足够小，可以在 regex_agent/core.py 中 从头到尾读完。