Prototyp · Vorschau: alle Server aus der offiziellen Registry, alle 30 Minuten synchronisiert. Bewertungen und Benutzerkonten folgen in einem späteren Schritt.
PopNx MCPMCP-Server für alle, die KI nutzen · in einfachen Worten erklärt

Evalsmith MCP

von diegoperezg7Version 0.1.0i★ –iLäuft auf deinem Computer
Name in der Registryio.github.diegoperezg7/evalsmith-mcp

Installieren

Überblick

Beschreibung vom Entwickler (englisches Original)

Evaluate RAG retrieval, agent tool calls and prompt regressions with deterministic metrics.

Die drei Säulen von PopNx MCP

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

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: EVALSMITH_JUDGE_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: EVALSMITH_JUDGE_BASE_URL, EVALSMITH_JUDGE_MODEL, EVALSMITH_JUDGE_API_KEY, LOG_LEVEL

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?

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": {
    "evalsmith": {
      "command": "npx",
      "args": [
        "-y",
        "evalsmith-mcp"
      ],
      "env": {
        "EVALSMITH_JUDGE_BASE_URL": "your-value",
        "EVALSMITH_JUDGE_MODEL": "your-value",
        "EVALSMITH_JUDGE_API_KEY": "your-value",
        "LOG_LEVEL": "your-value"
      }
    }
  }
}

Führe das in deinem Terminal aus

claude mcp add evalsmith --env EVALSMITH_JUDGE_BASE_URL=your-value --env EVALSMITH_JUDGE_MODEL=your-value --env EVALSMITH_JUDGE_API_KEY=your-value --env LOG_LEVEL=your-value -- npx -y evalsmith-mcp

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": {
    "evalsmith": {
      "command": "npx",
      "args": [
        "-y",
        "evalsmith-mcp"
      ],
      "env": {
        "EVALSMITH_JUDGE_BASE_URL": "your-value",
        "EVALSMITH_JUDGE_MODEL": "your-value",
        "EVALSMITH_JUDGE_API_KEY": "your-value",
        "LOG_LEVEL": "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": {
    "evalsmith": {
      "type": "stdio",
      "command": "npx",
      "args": [
        "-y",
        "evalsmith-mcp"
      ],
      "env": {
        "EVALSMITH_JUDGE_BASE_URL": "your-value",
        "EVALSMITH_JUDGE_MODEL": "your-value",
        "EVALSMITH_JUDGE_API_KEY": "your-value",
        "LOG_LEVEL": "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

  • EVALSMITH_JUDGE_BASE_URL env
    OpenAI-compatible endpoint for the optional LLM judge (default: Ollama on localhost)
  • EVALSMITH_JUDGE_MODEL env
    Model used by the optional LLM judge
  • EVALSMITH_JUDGE_API_KEY geheim env
    API key for the judge endpoint, if it needs one
  • LOG_LEVEL env
    pino log level; logs go to stderr

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 diegoperezg7 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 5659 Server in dieser Kategorie
  • Neuer in der Registry veröffentlicht als 79 % der anderen 5659 Server in dieser Kategorie
  • Basischecks gleich gut wie oder besser als bei 100 % der anderen 5659 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 Evalsmith MCP 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: EVALSMITH_JUDGE_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 (0.1.0) kam vor 10 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 gestern
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 21 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 vor 2 Monaten
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.

evalsmith-mcp

Evaluate RAG retrieval and AI agents with deterministic metrics, from any MCP client or from CI.

evalsmith answers four questions that come up every time a retriever, prompt or agent changes:

  1. Is retrieval good enough? recall@k, precision@k, nDCG@k, hit rate and MRR from qrels and a ranked run.
  2. Which configuration is better, and is the gap real? 2-3 configurations ranked with seeded paired-bootstrap confidence intervals.
  3. Did the agent call the right tools? Trace vs. expected calls, strict or lax order, argument matchers.
  4. Did the prompt change break anything? Golden-set checks on baseline vs. candidate outputs.

Everything is deterministic and runs offline. An LLM judge exists for a second opinion, but it is off by default and never decides the verdict. Results come out as a terminal table, Markdown, JSON, JUnit XML or a self-contained HTML report, and the GitHub Action turns them into a merge gate.


Interfaces over the same core

flowchart LR

subgraph Clients A[MCP client desktop app, IDE, agent] B[Remote MCP client or service] C[Terminal / CI job] D[GitHub workflow] end subgraph evalsmith S1[MCP server stdio] S2[MCP server Streamable HTTP, stateless] S3[CLI evalsmith run] S4[GitHub Action uses: evalsmith-mcp@v0] CORE[(src/core metrics, bootstrap, matchers, checks, gates, reports)] end A --> S1 --> CORE B --> S2 --> CORE C --> S3 --> CORE D --> S4 --> CORE S3 -. exit code + JUnit + HTML .-> C S4 -. outputs + job summary .-> D

InterfaceEntry pointWho uses itWhy it exists
MCP over stdiodist/mcp/server.jsDesktop MCP clients, IDE assistants, local agentsAn assistant can score a run, compare configs or audit a trace mid-conversation, with typed structuredContent back.
MCP over Streamable HTTPEVALSMITH_TRANSPORT=httpRemote clients, internal platforms, the MCP InspectorSame tools over the network. Stateless: no sessions to store, scales horizontally.
CLI / CIevalsmith run evalsmith.yamlPipelines and terminals--fail-under recall@5=0.8 turns a metric into a merge gate. Exit codes, Markdown summary, JUnit XML, HTML report.
GitHub Actionuses: diegoperezg7/evalsmith-mcp@v0GitHub workflowsThe same gates as a step, with outputs, a job summary and no install.

All four call the same functions in src/core. The MCP tools are thin adapters: parse input with Zod, call the core, return structuredContent validated against an output schema.


MCP surface

flowchart TB

subgraph Tools T1[evaluate_retrieval] T2[compare_configs] T3[check_tool_calls] T4[detect_prompt_regression] T5[generate_report] T6[run_suite] end subgraph Resources R1["evalsmith://examples/{name} 12 synthetic datasets + suite"] end subgraph Prompts P1[compare_rag_configs] P2[audit_agent_trace] P3[review_prompt_change] end T1 -- structuredContent --> T5 T2 -- structuredContent --> T5 T3 -- structuredContent --> T5 T4 -- structuredContent --> T5 classDef tool fill:#ffedd5,stroke:#c2410c,color:#431407 classDef res fill:#e0f2fe,stroke:#0369a1,color:#082f49 classDef prom fill:#ede9fe,stroke:#6d28d9,color:#2e1065 class T1,T2,T3,T4,T5,T6 tool class R1 res class P1,P2,P3 prom

Tools

Every tool declares an input and an output Zod schema, returns structuredContent plus a JSON text block, and is annotated readOnly and non-destructive. Four tools are also idempotent and closed-world. detect_prompt_regression and run_suite are declared open-world and non-idempotent: annotations are per tool, and with the judge enabled they call an external model whose answers can vary. With the judge off (the default) they behave like the others.

ToolInputOutput
evaluate_retrievalqrels, run, optional k listMean recall/precision/nDCG/hit rate at every k, MRR, per-query values, skipped and missing queries
compare_configsqrels, 2-3 {name, run}, primary metric, bootstrap {samples, seed, confidence}Ranking with intervals, winner, runner-up, paired interval of the gap, significant
check_tool_callstrace as logged (evalsmith, Anthropic Messages, OpenAI Chat or Responses), expected, `order: strict \lax`passed, score, matched position and reasons per expected call, unexpected calls
detect_prompt_regressiongolden, baseline, candidate, optional judge {enabled}Verdict, pass rates, regressions, improvements, per-case failures, judge votes when enabled
generate_reportAny of the results above, gates, `format: markdown \json \junit`passed, rendered report
run_suiteOptional config path to an evalsmith.yaml, gates, judge, formatpassed, rendered report and every section's results, read from the suite's files

run_suite runs the same suites as evalsmith run, so a client can evaluate data that lives in files instead of pasting it into the conversation. It only reads inside the workspace root (EVALSMITH_ROOT, the directory the server started in by default), following symlinks before it checks, and runs the bundled example suite when no config is given.

Bad input (unknown metric, duplicate config names, qrels with no relevant documents) comes back as an InvalidParams tool error with a message the model can act on. A judge endpoint that is down or returns an HTTP error is an InternalError.

Resources

evalsmith://examples/{name} lists and serves the synthetic datasets in examples/datasets, so a client can try every tool before wiring in its own data:

NameContent
rag-corpus, rag-queries, rag-qrels20 help-center articles of a fictional invoicing app, 12 questions, graded judgements
rag-run-bm25, rag-run-hybrid, rag-run-hybrid-rerankTop-10 rankings from three retrieval configurations
agent-trace, agent-expectedA support agent refunding a duplicate charge, and the calls it should make
prompts-golden, prompts-baseline, prompts-candidate, prompts-candidate-regressedSix golden cases and three sets of outputs
suiteThe example evalsmith.yaml
Prompts
PromptArgumentWhat it asks the model to do
compare_rag_configsmetricCompare the configurations, report the gap with its interval and the weakest queries
audit_agent_traceorderCheck the trace and propose the smallest fix for each failed step
review_prompt_changecandidateDetect regressions, build a Markdown report, decide ship / do not ship
A conversation with an MCP client
sequenceDiagram

autonumber actor User participant Host as MCP client (LLM host) participant ES as evalsmith (stdio) participant Core as src/core

User->>Host: "Is the reranker worth it on our help-center set?" Host->>ES: initialize, tools/list, resources/list ES-->>Host: 6 tools + JSON Schemas, 13 resources Host->>ES: resources/read evalsmith://examples/rag-qrels (+ 3 runs) ES-->>Host: qrels and runs as JSON Host->>ES: tools/call compare_configs {metric: "ndcg@5", configs: [...]} ES->>Core: compareConfigs(qrels, configs, "ndcg@5", {seed: 42}) Core-->>ES: ranking, intervals, paired delta ES-->>Host: structuredContent {winner: "hybrid+rerank", significant: true, ...} Host->>ES: tools/call generate_report {format: "markdown", comparison} ES-->>Host: Markdown report Host-->>User: "Yes: +0.153 nDCG@5 over hybrid, 95% CI [0.069, 0.251]."


Metrics

For a query $q$ with relevant set $R_q$ (documents with grade $> 0$) an

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

PopNx fragen