ai-to-agent-jev-mcp
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
ai-to-agent-jev-mcp
ai-to-agent-jev-mcp — TypeSafe Jev 標準 MCP server
版本:1.0.0|發布日期:2026-09-22|語言:繁體中文
把 TypeSafe Jev(System One 決策模型)包裝成標準 MCP server,讓 Claude Code Agent 可以直接呼叫它做「判斷題」。
AI Coach 益力康陳董 × CGM Coach 血糖教練|2026 AI to Agent
為什麼需要這個
Jev 不生成文字、不寫程式、不聊天。它只做一件事:給它一個狀態 + 一組型別化問題,回傳結構化答案。
這正好補上 Agent 架構裡最缺的一塊——決策層。
沒有 Jev | 有 Jev | |
分流判斷 | Agent 呼叫 LLM 問「請回答 A/B/C」,慢、貴、偶爾漂移 | 一次呼叫回傳選項 + 機率 + 信心值,可重現 |
評分判斷 | 寫死 if/else 規則,或每次問 LLM | 依評分階梯回傳加權分數,直接在程式裡設門檻 |
真偽判斷 | 脆弱的「請回傳 JSON」prompt | 型別化回傳,不會格式錯亂 |
定位:Jev 是 Agent 手上的一個新工具,跟 Whisper、ffmpeg 平行——專門處理「判斷題」而非「生成題」。它不是用來取代 Claude Code 背後的模型。
Related MCP server: Jevbridge
安裝
1. 取得 API 金鑰
到 console.typesafe.ai 申請,也可以先在 Playground 試玩不寫程式。
2. 安裝依賴
pip install "mcp>=1.2" httpx3. 掛進 Claude Code
claude mcp add ai-to-agent-jev-mcp \
--env TYPESAFE_API_KEY=sk-your-key-here \
-- python3 /絕對路徑/ai-to-agent-jev-mcp/jev_mcp_server.py或手動寫進設定檔(~/.claude.json 或專案的 .mcp.json):
{
"mcpServers": {
"ai-to-agent-jev-mcp": {
"command": "python3",
"args": ["/絕對路徑/ai-to-agent-jev-mcp/jev_mcp_server.py"],
"env": {
"TYPESAFE_API_KEY": "sk-your-key-here"
}
}
}
}重開 Claude Code,用 /mcp 確認 ai-to-agent-jev-mcp 已連上。
環境變數
變數 | 必填 | 預設 |
| ✅ | — |
|
| |
|
| |
|
|
Claude Code 中使用
在 Agent 程式裡呼叫 Jev
MCP 連上後,Claude Code 會自動看到四個工具。你可以在程式碼中直接呼叫:
# 真偽判斷:單一 yes/no 問題
result = await jev_noul(
state="空腹血糖 186 mg/dL",
question="這個數值是否需要立即通知照護者?",
criteria={
"true": "明顯超出安全範圍,需立即處理",
"false": "在可控範圍內,例行追蹤"
}
)
# result = {"noul": 0.92, "confidence": 0.88}
# 分流選擇:固定選項中擇一
route = await jev_choice(
state="患者 BMI 28,無共病,願意配合運動",
question="該推薦哪種減重方案?",
criteria={
"輕運動+飲食調整": "BMI 在健康邊緣、無共病",
"醫療介入": "BMI > 30 或有共病風險",
"暫不介入": "患者未表達需求或條件不足"
}
)
# route = {"choice": "輕運動+飲食調整", "confidence": 0.91, "probabilities": {...}}
# 評分判斷:沿評分階梯打分
score = await jev_score(
state="短影音開場三秒未曾出現主人公,背景音樂偏低調",
question="這支短影音的開場鉤子強度?",
criteria=["平淡", "普通", "有吸引力", "非常抓人"]
)
# score = {"score": 1.5, "level": "普通", "confidence": 0.75}
# 批次決策(官方建議):一次問多題
answers = await jev_ask(
state="患者血糖資料:空腹 186、餐後 240、連續三天;症狀:疲倦、夜間頻尿",
questions={
"需通知照護者": {
"type": "noul",
"instructions": "這組數據是否需要立即通知?",
"criteria": {"true": "明顯超出且持續", "false": "可控範圍"}
},
"處理路徑": {
"type": "choice",
"instructions": "應走哪條處理路徑?",
"criteria": {"自動推播": "...", "人工跟進": "...", "就醫轉介": "..."}
},
"風險程度": {
"type": "score",
"instructions": "整體風險有多高?",
"criteria": ["控制良好", "需留意", "控制不佳", "立即介入"]
}
}
)
# answers = {
# "需通知照護者": {"noul": 0.92, "confidence": 0.88},
# "處理路徑": {"choice": "就醫轉介", "confidence": 0.85, ...},
# "風險程度": {"score": 3.2, "level": "立即介入", "confidence": 0.90}
# }在 Claude Code 對話中用文字呼叫
你也可以在 Claude Code 的對話框直接說:
用 jev_ask 一次問完三題:(1) 這筆訂單是否需人工確認?(2) 優先度如何?(3) 備註屬於哪一類?
Claude 會看到 MCP 工具並自動組織參數、呼叫 Jev、解析結果。
信心值怎麼用
ans = await jev_choice(...)
if ans["confidence"] < 0.6:
# 信心不足,不要直接自動執行
hand_off_to_human_or_llm()
else:
# 信心足夠,直接依選擇分流
execute(ans["choice"])四個工具
工具 | 回傳 | 什麼時候用 |
| 0~1 機率 | 是非題:條件成不成立、要不要觸發動作 |
| 選中項 + 各項機率 + 信心 | 分流:路由到固定的幾個處理路徑 |
| 加權分數 + 信心 | 程度題:緊急度、風險、品質、優先度 |
| 多題答案 | 決策點多時優先用這個 |
為什麼優先用 jev_ask
同樣的題目分開問跟一次問,答案一樣,但批次呼叫約便宜 12 倍、快 10 倍——因為 state 只送一次。Agent 流程裡只要有兩個以上的決策點,就該合併成一次 jev_ask。
三大事業的實際用例
1. 血糖管理 Agent
一次問完三題,程式再依數值分流:
{
"state": "空腹 186 mg/dL,餐後兩小時 240 mg/dL,連續三天。患者回報最近容易疲倦、夜間頻尿。",
"questions": {
"需通知照護者": {
"type": "noul",
"instructions": "這組數據是否需要立即通知照護者或衛教師?",
"criteria": {
"true": "數值明顯超出安全範圍且持續,或伴隨警示症狀",
"false": "在可控範圍內,例行追蹤即可"
}
},
"處理路徑": {
"type": "choice",
"instructions": "這個個案該走哪條處理路徑?",
"criteria": {
"自動衛教推播": "推送既有衛教內容即可",
"衛教師跟進": "需要人工聯繫了解狀況",
"建議就醫": "超出衛教範圍,應轉介醫療"
}
},
"風險程度": {
"type": "score",
"instructions": "整體血糖控制風險有多高?",
"criteria": ["控制良好", "需留意", "控制不佳", "需立即介入"]
}
}
}程式怎麼接:
if ans["需通知照護者"]["noul"] > 0.8:
notify_caregiver()
if ans["處理路徑"]["confidence"] < 0.6:
escalate_to_human() # 信心不足,不要自動決定
else:
route(ans["處理路徑"]["choice"])
if ans["風險程度"]["score"] >= 2.5:
flag_for_review()⚠️ 衛教定位提醒:Jev 的輸出是分流用的訊號,不是診斷。凡是「建議就醫」這條路徑,一律導向專業醫療,不要讓 Agent 直接給醫療建議。
2. 短影音生成 Agent
腳本草稿進來,先判斷風格與品質,再決定要不要進生成流程:
{
"state": "<腳本草稿全文>",
"questions": {
"風格模板": {
"type": "choice",
"instructions": "這支短影音該套用哪個風格模板?",
"criteria": {
"CGM衛教版": "專業醫療衛教口吻,重數據與實證",
"AI導師版": "創業經營乾貨,重方法論與案例",
"跨界融合版": "串接健康與商管,重觀點與洞察"
}
},
"開場鉤子強度": {
"type": "score",
"instructions": "前三秒的鉤子抓不抓得住人?",
"criteria": ["平淡", "普通", "有吸引力", "非常抓人"]
},
"有無醫療宣稱風險": {
"type": "noul",
"instructions": "腳本中是否出現可能觸法的療效宣稱?",
"criteria": {
"true": "有明示或暗示治療、療效、預防疾病的說法",
"false": "僅描述知識、經驗或一般性健康概念"
}
}
}
}程式怎麼接:鉤子分數 < 2 就退回重寫、療效宣稱 > 0.5 直接擋下不生成、風格模板決定套哪組素材與字卡。
3. 寵物餐廳自動化 Agent
訂單進來,判斷要不要人工介入:
{
"state": {
"訂位人數": 12,
"時段": "週六 18:00",
"備註": "兩隻狗對雞肉過敏,另有一隻大型犬需要無障礙走道",
"是否包廂": true
},
"questions": {
"需人工確認": {
"type": "noul",
"instructions": "這筆訂單是否需要人工致電確認?",
"criteria": {
"true": "有特殊餐飲需求、動線需求,或超出標準流程",
"false": "標準訂位,系統自動確認即可"
}
},
"處理優先度": {
"type": "score",
"instructions": "這筆訂單的處理優先度?",
"criteria": ["照常排入", "當日留意", "需立即處理"]
},
"備註類型": {
"type": "choice",
"instructions": "備註主要屬於哪一類需求?",
"criteria": {
"飲食限制": "過敏、忌口、特殊餐食",
"空間需求": "無障礙、大型犬、包廂配置",
"混合需求": "同時涉及飲食與空間",
"無特殊需求": "一般備註"
}
}
}
}程式怎麼接:需人工確認 > 0.7 就推到店長的待辦;備註類型 = 飲食限制 自動帶出過敏原檢查表;處理優先度 >= 1.5 當天早班先處理。
設計要點
信心值是第二道關卡。答案告訴你「是什麼」,信心告訴你「能不能直接照做」。低信心的決策交給 LLM 或人工,這是 Jev 最值錢的用法——比單純的 true/false 多一層安全網。
if answer["confidence"] < THRESHOLD:
hand_off_to_llm_or_human()
else:
act_on(answer["choice"])把複雜判斷拆成原子問題。與其問「這個個案該怎麼處理」,不如拆成三題各自判斷,權重留在你自己的程式裡——這樣門檻可以調、邏輯可以測、出錯可以追。
state 用結構化資料。訂單、紀錄、數據這類東西直接傳 JSON,比塞成一段文字準確。
錯誤處理
server 已內建:
429/529/5xx→ 指數退避自動重試最多 4 次(會聽Retry-After)401→ 回傳「API 金鑰無效」的中文說明422→ 回傳「請求格式不合法」並附上 API 指出的問題欄位所有錯誤都以
{"error": "..."}回傳,不會噴 stack trace 給 Agent
參數驗證也在送出前就擋掉:選項少於 2 個 / 超過 255 個、評分階梯少於 2 階 / 超過 10 階、choice 與 score 缺 criteria、未知題型。
測試
python3 test_offline.py用假的 API server 驗證請求格式與回傳解析,不需要金鑰、不連外網。目前 29 項全過。
版權與引用
AI Coach 益力康陳董 × CGM Coach 血糖教練|2026 AI to Agent
Copyright © 2026 AI Coach 益力康陳董。All rights reserved.
本版未授予 MIT、Apache 或 Creative Commons 等開放授權。公開展示不等於授予任意商用、改作或再散布權;使用條件見 LICENSE。這是保留權利的專案,不宣稱為開源軟體。
建議引用:AI Coach 益力康陳董(2026)。《ai-to-agent-jev-mcp:TypeSafe Jev 標準 MCP server》(1.0.0 版)。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Typed-question decisions from Jev: classify, moderate, route models and guard tool calls.
Typed AI decisions for agents: classify, route, screen evidence, score and batch-label text.
Deterministic JSON repair, validate, example-gen, schema-coerce for agents. Zero LLM, sub-10ms.
Grade essays, check resumes, and ask typed yes/no, choice and rubric questions, powered by Jev.
Related MCP Servers
- AlicenseAqualityCmaintenanceEnables frontier coding agents to delegate routine probabilistic judgments to TypeSafe Jev, providing calibrated triage signals for failures, attempts, completion, context ranking, findings, risk, and generic evidence-grounded questions.7MIT
- AlicenseNot gradedqualityBmaintenanceEnables typed decisions, confidence-gated tool calls, and computer-use action selection for any LLM via Model Context Protocol, bridging TypeSafe Jev with Codex, Claude, Grok, and OpenCode.48MIT
- AlicenseAqualityBmaintenanceEnables AI coding agents to make fast, zero-output-token decisions by evaluating context, diffs, logs, or options through the OpenRouter Decisions API using TypeSafe Jev, returning calibrated probabilities for binary, categorical, or scoring questions.123 npm3MIT
- AlicenseNot gradedqualityBmaintenanceEnables coding agents to run source-bound evidence checks and bounded batch judgments for classification, extraction, and decision tasks via TypeSafe Jev.28 npmMIT