Context7
제작자: upstash
Up-to-date docs for AI agents
컴퓨터 또는 클라우드★ 64,224MIT오늘 업데이트
설치
Jev Filter
개요
제작자가 쓴 설명(영어 원문)
Read-only semantic filtering, code search, log triage and traceable evidence for AI agents.
PopNx MCP의 세 기둥
이 세 가지는 절대 하나의 점수로 합치지 않아요. 의견, 측정, 인기는 서로 다른 것이니까요.
- 사용자 의견i아직 리뷰가 없어요리뷰는 다음 단계에서 계정 기능과 함께 열려요
- 우리의 기본 점검i1개 중 1개 통과공개된 정보로 점검했으며, 코드는 아직 스캔하지 않았어요
- 사용 정도i아직 측정 안 함★ –
할 수 있는 일
이 서버는 아직 쉬운 말로 된 요약을 쓰지 못했어요. 아래는 레지스트리에서 읽어 온 사실이에요.
- 연결 방식: 내 컴퓨터에서 실행
- 전송 방식: stdio
- 카테고리: 검색 및 AI 기억
- 입력해야 할 값: TYPESAFE_API_KEY
설치
쓰고 있는 AI 앱을 고른 다음 설정을 복사하세요.
설치하기 전에
- 기본 점검: 1개 중 1개 통과
- 내 컴퓨터에서 내 사용자 계정의 권한(파일, 네트워크, 앱)으로 실행돼요.
- 직접 입력할 값:
TYPESAFE_API_KEY
비밀로 표시된 값은 내 계정의 열쇠예요. 절대 다른 사람과 공유하거나 채팅에 붙여 넣지 마세요.
필요한 것
- npmNode.js 설치(npx 명령어용)
어떤 앱을 쓰세요?
위에서 앱을 고르세요. 기억해 두었다가 다음부터는 버튼에 “…에 설치”라고 표시해요.
Claude Desktop → Settings → Developer → Edit Config를 열고 claude_desktop_config.json에 이 내용을 붙여 넣으세요
{
"mcpServers": {
"jev-filter": {
"command": "npx",
"args": [
"-y",
"@apixly/jev-filter",
"mcp",
"--root",
"{workspace}"
],
"env": {
"TYPESAFE_API_KEY": "your-value"
}
}
}
}터미널에서 이 명령어를 실행하세요
claude mcp add jev-filter --env TYPESAFE_API_KEY=your-value -- npx -y @apixly/jev-filter mcp --root '{workspace}'실행하기 전에 빈 값을 채워 주세요.
또는 설정을 직접 복사하기
프로젝트의 .cursor/mcp.json 또는 ~/.cursor/mcp.json에 붙여 넣으세요
{
"mcpServers": {
"jev-filter": {
"command": "npx",
"args": [
"-y",
"@apixly/jev-filter",
"mcp",
"--root",
"{workspace}"
],
"env": {
"TYPESAFE_API_KEY": "your-value"
}
}
}
}브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.
또는 설정을 직접 복사하기
프로젝트의 .vscode/mcp.json에 붙여 넣으세요
{
"servers": {
"jev-filter": {
"type": "stdio",
"command": "npx",
"args": [
"-y",
"@apixly/jev-filter",
"mcp",
"--root",
"{workspace}"
],
"env": {
"TYPESAFE_API_KEY": "your-value"
}
}
}
}브라우저가 앱을 열지 물어본 다음, 앱이 설정을 보여 주고 확인을 요청해요. 키 값은 비워 두니 직접 입력하세요.
이 서버는 내 컴퓨터에서 실행되는데, ChatGPT는 인터넷에 있는 서버에만 연결할 수 있어요. 다른 앱을 고르세요.
선택한 앱은 이 기기의 쿠키에만 저장돼요. 계정은 필요 없어요.
직접 입력할 값
- Your TypeSafe Jev API key. Inference calls are billable; do not publish the key.
이 설정은 제작자의 레지스트리 정보로 만들었어요. README와 다르면 README를 따르세요.
할 수 있는 일
내 컴퓨터에서 실행돼요. 설치하면 AI 앱에 도구 목록이 나타나요.
기본 점검i
누구나 볼 수 있는 정보를 점검했고, 코드는 읽지 않았어요. 해당하지 않는 항목은 개수에서 뺐어요. · 2026년 11월 7일 점검
- ✓ 통과
제작자와 저장소 일치
레지스트리 이름이 GitHub 계정 apixly-ai 기준으로 확인되었고, 이 계정이 저장소를 소유하고 있어요
- … 아직 점검 안 함
계속 관리되고 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
- … 아직 점검 안 함
라이선스 있음
아직 GitHub에서 이 저장소를 읽어 오지 않았어요
- – 해당 없음
엔드포인트 응답
내 컴퓨터에서 실행되는 서버라 인터넷 엔드포인트가 없어요
- – 해당 없음
OAuth로 로그인
내 컴퓨터에서 실행되며, 대신 로컬 설정을 사용해요
- … 아직 점검 안 함
도구 설명에 숨겨진 지시 없음
내 컴퓨터에서 실행돼요. 도구 목록은 인터넷 엔드포인트가 있는 서버에서만 읽을 수 있어요
검색 및 AI 기억 카테고리의 다른 서버와 비교i
- 이 카테고리의 다른 서버 7258개 중 0%보다 스타가 많아요
- 이 카테고리의 다른 서버 7258개 중 73%보다 최근에 레지스트리에 공개됐어요
- 기본 점검 결과가 이 카테고리의 다른 서버 7258개 중 100%와 같거나 더 좋아요
레지스트리에서 이 카테고리의 활성 서버 전체와 비교했어요. 스타는 게시자가 저장소를 소유한 경우에만 세요.
자주 묻는 질문
Jev Filter, 안전한가요?
해당하는 기본 점검 1개 중 1개를 통과했어요. 코드는 읽지 않았어요. 키나 토큰을 넣기 전에 서버가 어떤 권한을 요구하는지 확인하고, 꼭 필요한 권한만 있는 키를 쓰세요.
어떤 키나 코드가 필요한가요?
입력해야 할 값: TYPESAFE_API_KEY
내 컴퓨터에서 실행되나요, 클라우드에서 실행되나요?
내 컴퓨터에서 실행돼요. AI 앱이 필요할 때 실행하고, 데이터는 제작자의 서버를 거치지 않아요(서버 자체가 온라인 서비스를 호출하는 경우는 제외).
아직 관리되고 있나요?
GitHub 저장소는 마지막으로 – 변경됐고, 최신 버전(0.4.2)은 14일 전 레지스트리에 올라왔어요.
어떤 앱에서 쓸 수 있나요?
Claude Desktop, Claude Code, Cursor, VS Code처럼 MCP를 지원하는 앱에서 쓸 수 있어요. 내 컴퓨터에 Node.js도 있어야 해요.
대신 쓸 수 있는 건 뭐가 있나요?
같은 카테고리에는: Context7, Codebase Memory, Exa
대안
같은 카테고리에서 다른 제작자가 만든 서버예요. 스타 순으로 정렬했어요.
카드 보는 법:★ GitHub 스타i세 기둥: 리뷰 · 점검 · 사용 정도i업데이트 = 최신 버전을 레지스트리에 공개한 날i
Codebase Memory
제작자: DeusData
Codebase knowledge graph for AI agents — 162 languages, sub-ms queries, 99% fewer tokens.
내 컴퓨터에서 실행★ 48,148MIT20일 전 업데이트
설치
Exa
제작자: exa-labs
Connect AI agents to Exa for web search, content fetching, and multi-step research.
클라우드에서 실행★ 5,213MIT지난달 업데이트
설치
제작자의 README
README 열기
제작자의 저장소에서 쓰인 그대로 가져왔어요. PopNx MCP가 검토하거나 보증한 내용이 아니에요. HTML, 이미지, 스크립트는 제거했어요. 링크를 누르면 이 사이트를 벗어나요.
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-filterjev-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%"
앞부분만 보여 드려요. 나머지는 저장소에서 읽어 보세요