Medplum MCP
Securely access and manage FHIR healthcare data stored in Medplum.
Real-time conversation health for AI agents: drift, desync, causal collapse, plus mission clocks.
Originaltext des Herstellers
Listen sind nach einem Nutzungswert (von 100) aus diesen Teilen sortiert
| Beliebtheit | 0/80 | GitHub-Sterne oder wöchentliche Downloads: der größere Wert zählt 60, der kleinere 20 |
|---|---|---|
| Aktualität | 12/12 | Volle Punkte für Release oder Codeänderung in 30 Tagen |
| Antwortet noch | 8/8 | Der Cloud-Endpoint antwortete bei der letzten Prüfung |
| Nutzungswert | 20/100 |
Qualität: 3/5 Basisprüfungen bestanden (angezeigt, nicht zur Sortierung) · Schwung: Noch keine Daten (Nur im Tab Im Trend verwendet)
Wähle die KI-App, die du nutzt, und kopiere die Einstellungen.
Mit einem Satz von deiner KI installieren lassen
Installiere bitte Horizon Fidelity Monitor. Folge https://mcp.popnx.com/i/leocelis-horizon-fidelity-monitor.md, zeig mir die Befehle und warte auf mein OK, bevor du sie ausführst.Füge ihn in eine KI ein, die auf deinem Rechner arbeitet (z. B. Claude Code oder Cursor). Sie liest unsere Schritte, zeigt dir die Befehle und wartet auf dein OK. Kein Schlüssel, keine Anmeldung. · Vollständigen Text ansehen
3/5 Prüfungen bestanden · Was du fragst, läuft über den Server des Anbieters (horizon.leocelis.com) · ✓ Befehle geprüft am 20. Nov. 2026
Zuerst: Welche KI nutzt du?
Wähle deine App, dann erscheinen die Schritte unten.
Klappt mit Claude · etwa 5 Min.
Du brauchst einen Schlüssel von Horizon Fidelity Monitor (auf der Seite des Anbieters erstellen) · Einmal auf claude.ai oder in der Desktop-App einrichten, dann im Chat nutzen · kostenlose Konten können 1 hinzufügen · bei Team/Enterprise fügt ein Owner ihn hinzu
Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.
CustomizeConnectors
Kopiere jeden Wert in das gleichnamige Feld in Claude und klicke Continue
Horizon Fidelity Monitorhttps://horizon.leocelis.com/sseUnter Request headers diesen Namen und Wert hinzufügen
AuthorizationBearer <Schlüssel hier einfügen>Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem
Klicke auf der von Claude erkannten Anmelde-Seite auf Continue · wähle bei Authentication, was der Anbieter angibt (Sign in now, Sign in when needed oder No sign in), dann Add
+ConnectorsHorizon Fidelity Monitor
Nutze Horizon Fidelity Monitor und sag mir, was du für mich tun kannst; zeig mir dann eine Sache✓ Wenn Claude sagt, dass es Horizon Fidelity Monitor nutzt, oder ein Werkzeug von Horizon Fidelity Monitor in der Antwort zeigt, bist du verbunden
Menünamen am 11. Nov. 2026 mit der Hilfe von Anthropic abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen
ChatGPT kann Horizon Fidelity Monitor noch nicht verbinden
Horizon Fidelity Monitor braucht zum Verbinden deinen eigenen Schlüssel, aber die OpenAI-Hilfe beschreibt nur die Anmeldung per OAuth; eine Schlüssel-Option konnten wir nicht bestätigen
A · Eine App nutzen, die Horizon Fidelity Monitor verbinden kann
B · Andere in Praxen & Gesundheit, die mit ChatGPT funktionieren
Aus den meistgenutzten derselben Kategorie, nur solche, die per Adresse ohne Schlüssel verbinden
Klappt mit Claude Code · etwa 5 Min.
Du brauchst einen Schlüssel von Horizon Fidelity Monitor (auf der Seite des Anbieters erstellen)
Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.
Mac: Command+Leertaste drücken und Terminal tippen · Windows: PowerShell öffnen
claude mcp add --transport sse --scope user horizon-fidelity-monitor https://horizon.leocelis.com/sse --header 'Authorization: Bearer {api_key}'Ersetze „your-value“ vor dem Enter durch deinen Schlüssel
Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem
Horizon Fidelity Monitor sollte in der Liste als verbunden erscheinen
Nutze Horizon Fidelity Monitor und sag mir, was du für mich tun kannst; zeig mir dann eine Sache✓ Wenn Claude Code sagt, dass es Horizon Fidelity Monitor nutzt, oder ein Werkzeug von Horizon Fidelity Monitor in der Antwort zeigt, bist du verbunden
Menünamen am 11. Nov. 2026 mit der Hilfe von Anthropic abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen
Klappt mit Cursor · etwa 5 Min.
Du brauchst einen Schlüssel von Horizon Fidelity Monitor (auf der Seite des Anbieters erstellen)
Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.
In den Einstellungen von Horizon Fidelity Monitor ist Authorization leer; trag deinen Schlüssel ein und speichere
Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem
Nutze Horizon Fidelity Monitor und sag mir, was du für mich tun kannst; zeig mir dann eine Sache✓ Wenn Cursor sagt, dass es Horizon Fidelity Monitor nutzt, oder ein Werkzeug von Horizon Fidelity Monitor in der Antwort zeigt, bist du verbunden
Menünamen am 11. Nov. 2026 mit der Hilfe von Cursor abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen
Klappt mit VS Code · etwa 5 Min.
Du brauchst einen Schlüssel von Horizon Fidelity Monitor (auf der Seite des Anbieters erstellen)
Öffne die Seite des Anbieters, registriere dich und erstelle einen API-Schlüssel für den nächsten Schritt. Preise und Gratis-Tarife siehst du auf seiner Seite.
VS Code fragt nach einer Bestätigung; klicke Install
In den Einstellungen von Horizon Fidelity Monitor ist Authorization leer; trag deinen Schlüssel ein und speichere
Füge den Schlüssel nur in das Feld der App ein, nie in einen Chat und schick ihn niemandem
Nutze Horizon Fidelity Monitor und sag mir, was du für mich tun kannst; zeig mir dann eine Sache✓ Wenn VS Code sagt, dass es Horizon Fidelity Monitor nutzt, oder ein Werkzeug von Horizon Fidelity Monitor in der Antwort zeigt, bist du verbunden
Menünamen am 11. Nov. 2026 mit der Hilfe von VS Code abgeglichen · dein Bildschirm kann je nach App-Version leicht abweichen
Claude Code
claude mcp add --transport sse --scope user horizon-fidelity-monitor https://horizon.leocelis.com/sse --header 'Authorization: Bearer {api_key}'Cursor (~/.cursor/mcp.json)
{
"mcpServers": {
"horizon-fidelity-monitor": {
"url": "https://horizon.leocelis.com/sse",
"headers": {
"Authorization": "Bearer {api_key}"
}
}
}
}VS Code (mcp.json)
{
"servers": {
"horizon-fidelity-monitor": {
"type": "sse",
"url": "https://horizon.leocelis.com/sse",
"headers": {
"Authorization": "Bearer {api_key}"
}
}
}
}Beschreibungen automatisch übersetzt; Variablennamen bleiben wie im Original. Im Zweifel das Original ansehen.
Diese Einstellungen werden aus dem Registry-Eintrag des Entwicklers erzeugt. Wenn in der README etwas anderes steht, folge der README.
Basierend darauf, wie sich dieser Server verbindet, und auf der eigenen Doku jeder App, geprüft am 10. Nov. 2026.
Verbinden sich über das Internet in
ClaudeGooseLM StudioMsty StudioCherry StudioCursorVS Code + GitHub CopilotVisual StudioWindsurf (Devin Desktop)ZedKiroClineContinueJetBrains AI AssistantClaude CodeCodex CLIGemini CLIOpenCodenodecodeWarpLibreChatOpen WebUIRaycast
Der Server verlangt eine Anmeldung, bevor er seine Tools auflistet.
Wir prüfen Informationen, die jeder sehen kann; den Code haben wir nicht gelesen. Checks, die nicht zutreffen, werden nicht mitgezählt. · Geprüft am 20. Nov. 2026
Der Registry-Name wurde mit dem GitHub-Konto leocelis bestätigt, dem das Repo gehört
Code zuletzt geändert: vor 3 Tagen
Nutzt MIT
Zugriff verweigert (HTTP 401) ohne OAuth-Anmeldung. Braucht vielleicht einen Schlüssel oder blockiert Bots; nicht bestätigt.
Braucht einen Schlüssel oder Token, den du selbst kopierst und einfügst
Noch nicht geprüft; wir lesen die Tool-Liste, wenn wir den Endpunkt prüfen
Wenn du das gebaut hast, füge diesen Code in dein README ein. Das Badge verlinkt auf diese Seite.
[](https://mcp.popnx.com/en/servers/leocelis-horizon-fidelity-monitor)Fragen, Tipps teilen oder melden, dass etwas nicht geht. Sortiert nach „hilfreich“.
Noch keine Beiträge. Stell die erste Frage oder teile einen Tipp.
Beiträge hier stammen von Nutzern, nicht vom PopNx-Team.
Noch keine Bewertungen
Verglichen mit allen aktiven Servern dieser Kategorie in der Registry. Sterne zählen nur, wenn dem Herausgeber das Repo gehört.
Er hat 3 von 5 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.
Das musst du eintragen: Authorization
Er läuft in der Cloud des Entwicklers. Du verbindest dich übers Internet, ohne etwas zu installieren, aber was du sendest, läuft über die Server des Entwicklers.
Das GitHub-Repo wurde zuletzt vor 3 Tagen geändert, und die neueste Version (0.3.2) kam vor 12 Tagen in die Registry.
Apps, die MCP unterstützen, etwa Claude Desktop, Claude Code, Cursor und VS Code. Er verbindet sich per URL und funktioniert daher auch in Apps mit Remote-MCP, etwa ChatGPT im Web (volles MCP ab Business; Pro nur lesend).
In derselben Kategorie: Medplum MCP, Mirobody, Codescene MCP Server, Marrow, WHOOP — MissingMCP
Gleiche Kategorie, andere Entwickler, Befehle bereits geprüft. Offizielle zuerst, dann nach Sternen.
So liest du eine Karte:↓ Downloads pro Wochei★ GitHub-SterneiDrei Säulen: Bewertungen · Checks · NutzungiAktualisiert = neueste Version in der Registry veröffentlichti
Securely access and manage FHIR healthcare data stored in Medplum.
Lab results to LOINC codes and UCUM units, symptoms and diagnoses to ICPC-3. Offline, no API key.
An MCP server that provides CodeScene Code Health analysis tools.
Marrow Health: your Apple Health data over MCP, from the free iOS app. Reads, and writes on demand.
WHOOP recovery, strain, sleep and workouts in Claude via official WHOOP OAuth. Free, open source.
| Dieser Horizon Fidelity Monitor | Medplum MCP | Mirobody | Codescene MCP Server | Marrow | WHOOP — MissingMCP | |
|---|---|---|---|---|---|---|
| Läuft wo | Läuft in der Cloud, keine Installation | Läuft in der Cloud, keine Installation | Wird auf deinem Rechner installiert | Wird auf deinem Rechner installiert | Wird auf deinem Rechner installiert | Läuft in der Cloud, keine Installation |
| Braucht Schlüssel | Ja | Nein | Nein | Nein | Nein | Nein |
| Mit + in Claude hinzufügen | Nein | Nein | Nein | Nein | Nein | Nein |
| Basisprüfungen | 3/5 | 4/4 | 3/3 | 2/3 | 3/3 | 2/4 |
| Lizenz | MIT | Apache-2.0 | Apache-2.0 | NOASSERTION | MIT | MIT |
| Preis | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register | Keine Kosten im Register |
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.
"Quality is not a model property — it is a conversation property."
Horizon is a real-time conversation health monitor for AI agents. It tracks the structural dynamics of multi-turn conversations — semantic drift, information gain, ontological gap width, temporal desynchronisation, circadian cognitive load, conversation velocity, and causal reachability — dimensions that LLMs do not reliably surface from inside the conversation.
Horizon ships two measurement planes. The conversation plane (above, always present) measures the health of a dialogue turn by turn. The optional mission plane — *Memento Mori* — measures elapsed calendar time against goals: ages, deadlines, stalls, per-entity latency, and share of a finite horizon. It is inert until you configure a store. See Mission plane.
Horizon is not a manipulation, sycophancy, or human-influence detector — it measures conversation *dynamics*, not whether an agent is steering or flattering the user. See LEGAL.md §1.
Why an external monitor? LLMs have *limited and unreliable* self-knowledge: introspection research shows partial self-access that is brittle and degrades on complex or out-of-distribution tasks (Binder et al. 2024; arXiv:2512.12411). So rather than depend on a model reporting its own conversation dynamics, Horizon measures them externally with cheap, deterministic, always-on arithmetic over a small local embedding model, with no LLM calls.
Multi-turn AI agents lose accuracy. The ICLR 2026 oral paper "LLMs Get Lost In Multi-Turn Conversation" (Laban, Hayashi, Zhou & Neville) reports an average 39% performance drop across six generation tasks when instructions arrive over multiple turns — a structural property that standard observability tools (LangSmith, RAGAS, DeepEval) cannot see because they measure responses, not conversations.
Horizon was built to close that gap. It is observability first: it surfaces conversation dynamics that response-level tools miss, using cheap deterministic arithmetic and a small local embedding model, with no LLM calls. In four controlled A/B scenarios where Horizon events drove a re-grounding intervention we measured a +15.7% composite quality lift and 87% fewer hallucination events — but those are *synthetic, scripted scenarios with a hand-tuned controller*, not a production result. Treat them as promising in-house evidence, not a guaranteed outcome (see Validation and LEGAL.md §5). Every signal — information gain, divergence, estimated ontological gap width, causal reachability — is a standard information-theory or arithmetic measure computed on text embeddings and timestamps; see 4D Spacetime Signals for the full definitions.
docs/content/naming-the-category-conversation-dynamics-monitoring.mddocs/content/why-every-production-agent-needs-conversation-dynamics-monitoring.mdThree paths — pick the one that fits your workflow:
The fastest way to add Horizon to any Cursor, VS Code, or Claude Desktop workspace. No Python required.
Request an alpha key → open a Discussion, then add the config for your client:
Cursor (~/.cursor/mcp.json):
{
"mcpServers": { "horizon": { "url": "https://horizon.leocelis.com/sse", "headers": { "Authorization": "Bearer YOUR_KEY_HERE" } } } }
VS Code / GitHub Copilot (.vscode/mcp.json in your workspace):
{
"servers": { "horizon": { "type": "http", "url": "https://horizon.leocelis.com/sse", "headers": { "Authorization": "Bearer YOUR_KEY_HERE" } } } }
VS Code note: Use
"servers"(not"mcpServers") and"type": "http"— VS Code tries Streamable HTTP first and falls back to SSE automatically, so"type": "http"works with the/sseURL.
Claude Desktop (~/Library/Application Support/Claude/claude_desktop_config.json):
{
"mcpServers": { "horizon": { "url": "https://horizon.leocelis.com/sse", "headers": { "Authorization": "Bearer YOUR_KEY_HERE" } } } }
That's it. Reload your MCP client and three tools appear: new_conversation, process_turn, configure_session. With a mission store configured, seven more appear: clock_register, clock_progress, clock_status, clock_propose, clock_ack, clock_close, associate_mission (see Mission plane).
Alpha access: Horizon's hosted endpoint is in private alpha. Keys are distributed to agent developers who want to monitor real projects. Open a Discussion to request one — describe your use case and we'll send a key.
Python 3.10–3.14.
pip install horizon-monitor
Verify your install (exercises the full pipeline on 5 canonical scenarios, ~25s):
horizon-validate
git clone https://github.com/leocelis/horizon && cd horizon
pip install -e '.[mcp]' horizon serve # stdio — for Cursor, Claude Desktop horizon serve --transport sse --port 3847 # SSE — for web/team deployments
Add to ~/.cursor/mcp.json:
{
"mcpServers": { "horizon": { "command": "horizon", "args": ["serve"] } } }
Full Cursor and Claude Desktop setup guides: docs/integrations/
Standard observability tools evaluate individual response quality. Horizon evaluates conversation quality — a structurally different problem:
| Tool | What it sees | What it misses |
|---|---|---|
| LangSmith, Braintrust | Latency, cost, per-response quality | Deterministic, every-turn structural signals |
| RAGAS, DeepEval | Faithfulness, relevance per turn (DeepEval also has sampled multi-turn LLM-judge metrics) | Zero-LLM-call, real-time scoring on every turn |
| Langfuse, Arize Phoenix | Session-level LLM-judge evaluation | Deterministic, always-on scoring at sub-50ms |
| Human raters | Subjective quality | Systematic structural decay |
| Horizon | Conversation dynamics | Intentionally nothing |
Horizon does not replace per-response or LLM-judge quality tools. The differentiator is *how* it measures: deterministic, zero-LLM-call arithmetic on every single turn — effectively free and always-on — versus the alternative of sampled LLM-judge evaluations, which cost per sample and typically run offline or async rather than in real time.
from horizon_monitor import FidelityMonitor
from datetime import datetime, timezone
monitor = FidelityMonitor() session_id = monitor.new_conversation(metadata={"domain": "technical"})
result = monitor.process_turn( session_id, human_message="How does Python handle memory management?", agent_response="Python uses reference counting and a cyclic garbage collector...", timestamp=datetime.now(timezone.utc).isoformat(), )
print(f"Fidelity: {result.fidelity_score:.2f}") print(f"Health: {result.health_status}") print(f"Circadian factor: {result.circadian_factor:.2f}") print(f"Causal horizon: {result.reachable_turns} reachable turns") for event in result.events: print(f" Event: {event.type} (confidence={event.confidence:.2f})")
from openai import OpenAI
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor() session_id = monitor.new_conversation() client = monitor.wrap(OpenAI(), session_id)
response = client.chat.completions.create( model="gpt-4o", messages=[{"role": "user", "content": "Tell me about quantum computing."}] )
traj = monitor.get_trajectory(session_id) print(f"Fidelity: {traj.current_fidelity:.2f} T*: {traj.estimated_t_star}")
monitor.wrap() accepts custom timestamp and context providers for testing and replay.
from anthropic import Anthropic
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor() session_id = monitor.new_conversation() client = monitor.wrap(Anthropic(), session_id)
response = client.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=1024, messages=[{"role": "user", "content": "Explain RLHF."}] )
from langchain_openai import ChatOpenAI
from horizon_monitor import FidelityMonitor from horizon_monitor.integrations.langchain import HorizonCallback
monitor = FidelityMonitor() session_id = monitor.new_conversation() callback = HorizonCallback(monitor, session_id)
llm = ChatOpenAI(callbacks=[callback]) llm.invoke("Explain the CAP theorem.") print(f"Fidelity: {callback.last_result.fidelity_score:.2f}")
from agents import Agent, Runner
from horizon_monitor import FidelityMonitor
monitor = FidelityMonitor() session_id = monitor.new_conversation() agent = Agent(name="assistant", model="gpt-4o-mini", instructions="You are helpful.")
for user_message in conversation: result = Runner.run_sync(agent, user_message) monitor.process_turn(session_id, human_message=user_message, agent_response=result.final_output, timestamp=datetime.now(timezone.utc).isoformat())
"Spacetime" here is a metaphor, not physics. The relativity vocabulary (Minkowski interval,
light cone, proper time) is *design inspiration* — it shaped which quantities we compute. Every
signal below reduces to a standard information-theory or arithmetic measure on text embeddings and
timestamps, listed in the Plain definition column. Nothing in Horizon's behavior or validation
depends on the analogy being literally true, and the Lorentzian
interval_classis emitted as
descriptive metadata only — no event or score depends on it.
Every process_turn() returns a TurnResult with 33 fields across six signal families:
| Signal | Description |
|---|---|
fidelity_score | Composite conversation health [0, 1] |
igt_value | Information Gain per Turn — semantic novelty |
divergence_score | Jensen-Shannon proxy for intent/response gap |
twr_value | Token Waste Ratio — semantic redundancy |
consistency_score | Bipredictability — structural coherence |
epsilon_t | Estimated ontological gap width [0, 1] |
health_status | healthy / degrading / critical / converged |
conversation_mode | execute / explore / refine / learn (auto-detected) |
timestamp)| Signal | Description |
|---|---|
gap_seconds | Wall-clock gap since last turn |
estimated_retention | Human memory retention (Ebbinghaus half-life model) |
| circadian_factor | Human cogn