Jev Filter

Name: Jev Filter
Author: apixly-ai

作者：apixly-aiバージョン 0.4.2i★ –iパソコンで動く

レジストリ名io.github.apixly-ai/jev-filter

インストール

概要

作者による説明（英語の原文）

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

PopNx MCPの3つの柱

この3つを1つのスコアにまとめることはしません。意見、測定、人気はそれぞれ別のものだからです。

利用者の声iレビューはまだありませんレビューは今後のステップで、アカウント機能と一緒に始まります
私たちの基本チェックi1項目中1項目に合格公開情報からチェック。コードはまだスキャンしていません
利用状況i未計測★ –

できること

このサーバーのやさしい解説はまだ書いていません。以下はレジストリから読み取った事実です。

接続方法: パソコンで動く
トランスポート: stdio
カテゴリ: 検索・AIの記憶
入力が必要なもの：TYPESAFE_API_KEY

インストール

使っているAIアプリを選んで、設定をコピーしてください。

インストールの前に

基本チェック：1項目中1項目に合格
あなたのパソコンで、あなたのユーザーと同じ権限（ファイル、ネットワーク、アプリ）で動きます。
自分で入力するもの： TYPESAFE_API_KEY

「秘密」と表示された値は、あなたのアカウントの鍵です。絶対に人に教えたり、チャットに貼り付けたりしないでください。

必要なもの

npmNode.jsのインストール（npxコマンドに必要）

どのアプリを使っていますか？

ClaudeClaude CodeCursorVS CodeChatGPT

上でアプリを選んでください。選んだアプリを覚えておくので、次からはボタンに「…にインストール」と表示されます。

Claude Desktop → Settings → Developer → Edit Config を開き、claude_desktop_config.json にこれを貼り付けます

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

ターミナルでこれを実行します

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

動かす前に、空欄の値を入力してください。

Cursorで開く

または、設定を自分でコピーする

プロジェクトの .cursor/mcp.json、または ~/.cursor/mcp.json に貼り付けます

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

ブラウザがアプリを開いてよいか確認し、そのあとアプリが設定を表示して確認を求めます。キーの値は空欄のままなので、自分で入力してください。

VS Codeで開く

または、設定を自分でコピーする

プロジェクトの .vscode/mcp.json に貼り付けます

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

これはパソコンで動くサーバーですが、ChatGPTがつなげるのはインターネット上のサーバーだけです。ほかのアプリを選んでください。

選んだアプリは、この端末のCookieに保存されます。アカウントは不要です。

自分で入力する値

TYPESAFE_API_KEY 秘密必須 env
Your TypeSafe Jev API key. Inference calls are billable; do not publish the key.

この設定は、作者のレジストリ登録情報から作成しています。READMEと違う場合は、READMEに従ってください。

できること

パソコンで動くサーバーです。インストールすると、ツール一覧がAIアプリに表示されます。

基本チェックi

誰でも見られる情報をチェックしており、コードは読んでいません。当てはまらない項目は数に入れていません。 · 2026年11月7日にチェック

✓ 合格
作者とリポジトリが一致
レジストリ名は、リポジトリを所有するGitHubアカウント apixly-ai で確認済みです
… 未チェック
今もメンテナンスされている
このリポジトリはまだGitHubから読み取っていません
… 未チェック
ライセンスがある
このリポジトリはまだGitHubから読み取っていません
– 対象外
エンドポイントが応答する
これはパソコンで動くため、インターネット上のエンドポイントはありません
– 対象外
OAuthでサインイン
パソコンで動き、代わりにローカルの設定を使います
… 未チェック
ツールの説明に隠れた指示がない
パソコンで動くサーバーです。ツール一覧を読み取れるのは、インターネット上のエンドポイントがある場合だけです

検索・AIの記憶のほかのサーバーとの比較i

このカテゴリのほかの7266件のうち0%よりスターが多い
このカテゴリのほかの7266件のうち72%より最近レジストリに公開
基本チェックの結果が、このカテゴリのほかの7266件のうち100%と同じかそれ以上

レジストリでこのカテゴリにある有効なすべてのサーバーと比較しています。スターは、公開者がリポジトリの所有者である場合だけ数えます。

よくある質問

Jev Filterは安全ですか？

当てはまる基本チェック1項目のうち1項目に合格しました。コードは読んでいません。キーやトークンを追加する前に、サーバーがどんなアクセスを求めているかを確認し、必要な権限だけを持つキーを使ってください。

どんなキーやコードが必要ですか？

入力が必要なもの：TYPESAFE_API_KEY

パソコンで動きますか、それともクラウドですか？

あなたのパソコンで動きます。必要なときにAIアプリが起動し、データは作者のサーバーを通りません（サーバー自体がオンラインサービスを呼び出す場合を除きます）。

今もメンテナンスされていますか？

GitHubリポジトリの最終更新は–、最新バージョン（0.4.2）がレジストリに届いたのは14 日前です。

どのアプリで使えますか？

Claude Desktop、Claude Code、Cursor、VS CodeなどのMCP対応アプリで使えます。パソコンにNode.jsも必要です。

代わりに使えるものは？

同じカテゴリには：Context7, Codebase Memory, Exa

代わりの候補

同じカテゴリで、ほかの作者が作ったサーバー。スターの多い順。

カードの見方：★ GitHubスターi3つの柱：レビュー · チェック · 利用状況i更新＝最新バージョンをレジストリに公開した日i

Context7

作者：upstash

Up-to-date docs for AI agents

パソコンでもクラウドでも★ 64,224MIT昨日更新

インストール

Codebase Memory

作者：DeusData

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

パソコンで動く★ 48,148MIT21 日前更新

インストール

Exa

作者：exa-labs

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

クラウドで動く★ 5,213MIT先月更新

インストール

作者のREADME

READMEを開く

作者のリポジトリから書かれたとおりにコピーしたものです。PopNx MCPは内容を確認・推奨していません。HTML、画像、スクリプトは取り除いています。リンクはこのサイトの外へ移動します。

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%"

冒頭だけを表示しています。続きはリポジトリで読めます

Jev Filter

概要

PopNx MCPの3つの柱

できること

インストール

インストールの前に

自分で入力する値

できること

基本チェックi

作者とリポジトリが一致

今もメンテナンスされている

ライセンスがある

エンドポイントが応答する

OAuthでサインイン

ツールの説明に隠れた指示がない

検索・AIの記憶のほかのサーバーとの比較i

よくある質問

代わりの候補

Context7

Codebase Memory

Exa

作者のREADME

Jev Filter

Quick start

Practical tutorials

Measured advantages

Watch the program turn a goal into a verified result