Jev Filter

Name: Jev Filter
Author: apixly-ai

von apixly-aiVersion 0.4.2i★ –iLäuft auf deinem Computer

Name in der Registryio.github.apixly-ai/jev-filter

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

Read-only semantic filtering, code search, log triage and traceable evidence for AI agents.

Die drei Säulen von PopNx MCP

Diese drei werden nie zu einer Punktzahl zusammengefasst: Meinungen, Messungen und Beliebtheit sind verschiedene Dinge.

Stimmen der NutzeriNoch keine BewertungenBewertungen starten in einem späteren Schritt zusammen mit Benutzerkonten
Unsere Basischecksi1 von 1 bestandenAnhand öffentlicher Informationen geprüft; Code noch nicht gescannt
NutzungiNoch nicht gemessen★ –

Was du damit machen kannst

Für diesen Server haben wir noch keine Zusammenfassung in einfacher Sprache geschrieben. Unten stehen die Fakten, die wir aus der Registry gelesen haben.

Verbindung: Läuft auf deinem Computer
Transport: stdio
Kategorie: Suche & KI-Gedächtnis
Das musst du eintragen: TYPESAFE_API_KEY

Installation

Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.

Bevor du installierst

Basischecks: 1 von 1 bestanden
Läuft auf deinem Computer mit den Rechten deines Benutzerkontos (Dateien, Netzwerk, Apps).
Das trägst du selbst ein: TYPESAFE_API_KEY

Als geheim markierte Werte sind Schlüssel zu deinem Konto. Gib sie nie weiter und füge sie nie in einen Chat ein.

Du brauchst

npmNode.js installiert (für den Befehl npx)

Welche App nutzt du?

ClaudeClaude CodeCursorVS CodeChatGPT

Wähle oben deine App. Wir merken sie uns, damit der Button beim nächsten Mal „In … installieren“ anzeigt.

Öffne Claude Desktop → Settings → Developer → Edit Config und füge dies in claude_desktop_config.json ein

{
  "mcpServers": {
    "jev-filter": {
      "command": "npx",
      "args": [
        "-y",
        "@apixly/jev-filter",
        "mcp",
        "--root",
        "{workspace}"
      ],
      "env": {
        "TYPESAFE_API_KEY": "your-value"
      }
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add jev-filter --env TYPESAFE_API_KEY=your-value -- npx -y @apixly/jev-filter mcp --root '{workspace}'

Trag die leeren Werte ein, bevor du ihn startest.

In Cursor öffnen

Oder kopier die Einstellungen selbst

In .cursor/mcp.json in deinem Projekt oder in ~/.cursor/mcp.json einfügen

{
  "mcpServers": {
    "jev-filter": {
      "command": "npx",
      "args": [
        "-y",
        "@apixly/jev-filter",
        "mcp",
        "--root",
        "{workspace}"
      ],
      "env": {
        "TYPESAFE_API_KEY": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

In VS Code öffnen

Oder kopier die Einstellungen selbst

In .vscode/mcp.json in deinem Projekt einfügen

{
  "servers": {
    "jev-filter": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "@apixly/jev-filter",
        "mcp",
        "--root",
        "{workspace}"
      ],
      "env": {
        "TYPESAFE_API_KEY": "your-value"
      }
    }
  }
}

Dein Browser fragt, ob er die App öffnen darf, dann zeigt die App die Einstellungen und bittet dich um Bestätigung. Schlüsselwerte bleiben leer, damit du sie selbst einträgst.

Dieser Server läuft auf deinem Computer, und ChatGPT kann sich nur mit Servern im Internet verbinden. Wähle eine andere App.

Deine Auswahl bleibt in einem Cookie auf diesem Gerät; kein Konto nötig.

Werte, die du selbst einträgst

TYPESAFE_API_KEY geheim erforderlich env
Your TypeSafe Jev API key. Inference calls are billable; do not publish the key.

Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.

Was er kann

Läuft auf deinem Computer; die Tool-Liste erscheint nach der Installation in deiner KI-App.

Basischecksi

Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 7. Nov. 2026

✓ Bestanden
Entwickler passt zum Repo
Der Registry-Name wurde mit dem GitHub-Konto apixly-ai bestätigt, dem das Repo gehört
… Noch nicht geprüft
Wird noch gepflegt
Dieses Repo haben wir noch nicht von GitHub gelesen
… Noch nicht geprüft
Hat eine Lizenz
Dieses Repo haben wir noch nicht von GitHub gelesen
– Nicht zutreffend
Endpunkt antwortet
Dieser Server läuft auf deinem Computer; es gibt keinen Endpunkt im Internet
– Nicht zutreffend
Anmeldung mit OAuth
Läuft auf deinem Computer und nutzt stattdessen lokale Einstellungen
… Noch nicht geprüft
Keine versteckten Anweisungen in Tool-Beschreibungen
Läuft auf deinem Computer; Tool-Listen können wir nur von Endpunkten im Internet lesen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Mehr Sterne als 0 % der anderen 7254 Server in dieser Kategorie
Neuer in der Registry veröffentlicht als 73 % der anderen 7254 Server in dieser Kategorie
Basischecks gleich gut wie oder besser als bei 100 % der anderen 7254 Server in dieser Kategorie

Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.

Häufige Fragen

Ist Jev Filter sicher?

Er hat 1 von 1 zutreffenden Basischecks bestanden. Den Code haben wir nicht gelesen. Bevor du einen Schlüssel oder Token hinzufügst, sieh nach, welche Zugriffe der Server verlangt, und nutze einen Schlüssel, der nur die Berechtigungen hat, die du brauchst.

Welche Schlüssel oder Codes braucht er?

Das musst du eintragen: TYPESAFE_API_KEY

Läuft er auf meinem Computer oder in der Cloud?

Er läuft auf deinem Computer. Deine KI-App startet ihn bei Bedarf, und die Daten laufen nicht über die Server des Entwicklers (außer der Server ruft selbst einen Onlinedienst auf).

Wird er noch gepflegt?

Das GitHub-Repo wurde zuletzt – geändert, und die neueste Version (0.4.2) kam vor 14 Tagen in die Registry.

Welche Apps können ihn nutzen?

Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Außerdem brauchst du Node.js auf deinem Computer.

Was kann ich stattdessen nutzen?

In derselben Kategorie: Context7, Codebase Memory, Exa

Alternativen

Server derselben Kategorie von anderen Entwicklern, sortiert nach Sternen.

So liest du eine Karte:★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti

Context7

von upstash

Up-to-date docs for AI agents

Computer oder Cloud★ 64.224MITAktualisiert heute

Installieren

Codebase Memory

von DeusData

Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.

Läuft auf deinem Computer★ 48.148MITAktualisiert vor 20 Tagen

Installieren

Exa

von exa-labs

Connect AI agents to Exa for web search, content fetching, and multi-step research.

Läuft in der Cloud★ 5.213MITAktualisiert letzten Monat

Installieren

README vom Entwickler

README öffnen

Unverändert aus dem Repo des Entwicklers übernommen. PopNx MCP hat den Inhalt weder geprüft noch empfiehlt es ihn. HTML, Bilder und Skripte wurden entfernt. Links führen von dieser Website weg.

简体中文 · Quick start · Documentation · Agent setup · Benchmarks

Jev Filter

Semantic filtering for AI agent tool results. Turn large tool outputs into compact, typed decisions before they enter your agent's context. Keep source records inside your program, return relevant evidence and unresolved IDs, and recover originals by ID.

Filter with context. Screen search results, complete code symbols and correlated logs against your task and supplied facts.
Keep decisions traceable. Return typed answers, source IDs and review items; preserve missing facts and partial failures.
Verify actions in your program. For short browser and desktop goals, Jev selects observed controls; the program owns execution, safety gates and final-state checks.

An independent MIT project maintained by Apixly. Official npm package: `@apixly/jev-filter`. What it does and when to use it.

Discover and connect: View the MCP Servers listing ↗ · Set up a client and four read-only tools →

Quick start

Node.js 22+ · macOS / Linux · Python included in the npm distribution. Windows: use WSL or install Python natively. Installation and doctor are offline; inference needs a TypeSafe Jev API key.

npm install -g @apixly/jev-filter

jev-filter doctor

Run this from any directory:

export TYPESAFE_API_KEY='your-key'

jev-filter query --input - --mode choose \ --task 'Choose the CURRENT unresolved DNS failure' <<'JSON' [ {"id":"a","text":"DNS recovered; requests now succeed."}, {"id":"b","text":"DNS lookup still fails before connection."} ] JSON

Expected selection, with diagnostics omitted:

{"selected_ids":["b"],"review_ids":[],"complete":true}

For real batches, collect and filter in one call, before raw output reaches the conversation:

jev-filter exec --task 'Find unresolved network failures' \

--analysis analysis.json -- your-collector --json

Start with the copyable analysis contract. Parse the packet even on exit 2: complete=false and review_ids need attention. Small examples teach the interface; exact paths, IDs, selectors, calculations and short outputs usually belong in native tools. Installation, keys and result handling →

Practical tutorials

Filter search results for RAG and AI agents: select passages against explicit evidence requirements before they enter the main model's context.
Search code by behavior: combine complete code symbols, optional bounded recall and semantic judgment.
Triage correlated logs: preserve request history and separate current failures from recovered events.

Copyable synthetic inputs and analysis contracts are included. Read the tutorials on the documentation site · FAQ.

Measured advantages

Paid live evidence from 2026-10-04, using synthetic inputs. Source hashes, per-run usage, timing and failures are public; each result belongs to its stated scope.

Returned tool context: 91.6–97.2% less across 24 real agent runs. Filtered completion was 12/12, raw completion 11/12, and all 24/24 ID sets were correct.
Same-output selection: Jev's batched API path screened 96 records in a median 1.313 s, versus 13.421 s for Luna and 14.543 s for Astra through signed-in Codex CLI. All 9/9 runs selected the same 48 IDs; CLI startup is included, and no primary-agent continuation follows Jev.
Jev-stage batching: 2 requests instead of 96, 56.5% fewer input tokens and 2.58× filtering speed versus single-record parallel Jev calls. This measures the Jev stage, not a whole-agent speedup.

Latency and cost vary. Five of six whole-operation cells were slower by 0.1–18.4%; cold API-equivalent cost ranged from 23.2% lower to 1.1% higher. Subscription billing remains unknown. Smaller context does not guarantee lower latency or billing.

Methods, negative results and reproduction · Per-run whole-operation data

Selection paths, measured results and scope

Fast semantic selection, checked against the same expected answer. All paths screened 96 records against two semantic conditions and returned exactly the same 48 matching IDs.

Measured path	Median screening time	Exact complete runs
Jev `jev-1.13.0` · auto-batched API	1.313 s	3/3
Luna `gpt-5.6-luna` · signed-in Codex CLI	13.421 s	3/3
Astra `gpt-6-astra` · signed-in Codex CLI	14.543 s	3/3

This compares available execution paths, including CLI startup and the primary-agent turn; native model latency is not isolated. Primary paths use medium reasoning and no tools. Three repetitions are a smoke sample, not a whole-agent speedup or workload guarantee. Per-run evidence · Method and reproduction

Advantage	Observed result	Scope and trade-off
Get repeated judgments sooner	2.58× filtering speed: 3.215 → 1.246 s, 61.2% less elapsed time; 56.5% fewer Jev input tokens.	Single-record parallel vs automatic batch-parallel Jev, 96 synthetic records × two predicates, three repetitions per arm; all 12/12 runs exact. Jev stage only, parallel worker cap 12; not a primary-model speed comparison. Data
Keep the agent's context focused	91.6–97.2% less returned tool context; filtered completion 12/12, raw 11/12; all 24/24 ID sets correct.	24 real agent runs, three synthetic scenarios, two primary models, two repetitions per arm. Five/six cells slower by 0.1–18.4%; cold API-equivalent cost ranged from 23.2% lower to 1.1% higher. Subscription billing remains unknown. Data
Recover more relevant code	Correct matches 4/12 → 10/12, zero false positives.	Exact vs opt-in recall, both with native semantic filtering. Returned context grew 5,284 → 9,706 bytes; absent lexical overlap still misses. Data
Inspect the change that matters	All 4/4 target changes selected in each repetition; returned context 23.9% lower than retaining every file.	Eight synthetic files, two repetitions. Semantic triage adds model usage and increases median whole-operation time 503 → 1,465 ms. Data
Connect real interfaces	13/13 paid E2E checks pass, including exact MCP evidence recovery and 64/64 survey topic labels.	Python CLI, fresh npm 0.4.0 JS/native package, official MCP, local Chromium extraction and survey. Small synthetic fixtures; resolved model identity is unavailable from these public adapters. Data
Reach inside a scroll container	Verified nested-scroll completion 0/3 → 3/3 under the same strict 0.55 / 0.10 policy.	Pinned browser source A/B; program adds observed container evidence. Six ordinary goal runs still need review. More successful work consumes more calls, context and time. Data

Whole-operation chart and reproduction

Method and all live results · Per-run JSON · CSV · Reproducible driver

Earlier evidence: offline contracts, batching and open-web limitations

Experiment	Dated result	Scope
Offline release contracts · 2026-10-04	3/13 → 13/13 expected behaviors; 3 → 0 false fixture actions.	Scripted responses, no model calls; reviews and diagnostic context increase. Data
Jev batching · 2026-09-22	56.5% fewer input tokens; batch + parallel 32.4% faster than single-record parallel.	96 synthetic records × two predicates, two repetitions; Jev stage only. Data
Historical whole operation · 2026-09-23	88–97% less returned tool context.	48 runs over four synthetic scenarios; cost and latency vary. Data
Historical hosted fixtures · 2026-09-30	Browser 15/15 Camofox, 18/18 CDP; desktop 12/12.	Local fixtures under the then-current planner policy; not a current strict-policy or open-web completion guarantee. Data
Public websites · 2026-09-30	16/48 read-only goals reached; 16/34 after excluding access walls and provider failures.	24 goals in one environment. Custom widgets and verification were weak. Data

Full methods and historical data. The latest browser experiments retain failed pruning variants and unknown provider attempts; they do not turn a safe stop into a completed goal.

Watch the program turn a goal into a verified result

<img src="docs/assets/showcase/browse.gif" alt="Recorded synthetic shop run: Jev selects observed controls, the program pauses before placing an order, and verification follows confirmation" width="100%"

Nur der Anfang wird gezeigt; den Rest findest du im Repo

Jev Filter

Überblick

Die drei Säulen von PopNx MCP

Was du damit machen kannst

Installation

Bevor du installierst

Werte, die du selbst einträgst

Was er kann

Basischecksi

Entwickler passt zum Repo

Wird noch gepflegt

Hat eine Lizenz

Endpunkt antwortet

Anmeldung mit OAuth

Keine versteckten Anweisungen in Tool-Beschreibungen

Im Vergleich mit anderen in Suche & KI-Gedächtnisi

Häufige Fragen

Alternativen

Context7

Codebase Memory

Exa

README vom Entwickler

Jev Filter

Quick start

Practical tutorials

Measured advantages

Watch the program turn a goal into a verified result