MCP MeasureMCP Measure

인덱스 관측됨

llm-output-quality-monitor

Cloudflare Workers MCP server: llm-output-quality-monitor

사용해야 할까요

품질 및 안전성

A
설명 품질
94%
스키마 완전성
100%
이름 품질
80%
오염 위험
100%
권한 일치
100%
프로토콜 준수
100%

발견 사항 (1)

  • LOWTool 'hallucination_scorer' description lacks action verbhallucination_scorer에서

도구 정의와 프로토콜 준수에 대한 자동 분석을 기반으로 합니다.

컨텍스트 비용

~421토큰 (도구 정의)
~756 B일반적인 응답 크기
최소한의 주의 영향 (128k 컨텍스트의 0.33%)

이는 서버의 도구가 모델의 컨텍스트에 로드될 때마다 소비되는 대략적인 토큰 수입니다. 수치가 높을수록 다른 작업에 사용할 수 있는 주의가 줄어듭니다.

설치

원클릭 설치

`claude_desktop_config.json` 파일에 다음을 추가하세요:

{
  "mcpServers": {
    "llm-output-quality-monitor": {
      "url": "https://api.lazy-mac.com/llm-output-quality-monitor/mcp"
    }
  }
}

원격 엔드포인트

https://api.lazy-mac.com/llm-output-quality-monitor/mcpstreamable-http

할 수 있는 일

도구 목록

도구 (5)

🟢 읽기 전용🟡 쓰기🔴 삭제⚪ 알 수 없음
⚪quality_validator(response, minLength, maxLength, strictFormat)

Validate LLM response quality based on length, format, and structure

입력 스키마

{
  "type": "object",
  "properties": {
    "response": {
      "type": "string",
      "description": "LLM response to validate"
    },
    "minLength": {
      "type": "number",
      "description": "Minimum response length (default: 10)"
    },
    "maxLength": {
      "type": "number",
      "description": "Maximum response length (default: 10000)"
    },
    "strictFormat": {
      "type": "boolean",
      "description": "Enforce punctuation and capitalization"
    }
  },
  "required": [
    "response"
  ]
}
⚪drift_detector(currentResponse, previousResponse, threshold)

Detect quality drift between current and previous LLM responses

입력 스키마

{
  "type": "object",
  "properties": {
    "currentResponse": {
      "type": "string",
      "description": "Current LLM response"
    },
    "previousResponse": {
      "type": "string",
      "description": "Previous LLM response"
    },
    "threshold": {
      "type": "number",
      "description": "Drift threshold (0-1, default: 0.15)"
    }
  },
  "required": [
    "currentResponse",
    "previousResponse"
  ]
}
⚪hallucination_scorer(response, context)

Pattern-based heuristic risk scoring for LLM responses (0-100). Detects linguistic signals such as contradictory assertions, unsourced claims, and uncertainty markers. Not a semantic hallucination detector.

입력 스키마

{
  "type": "object",
  "properties": {
    "response": {
      "type": "string",
      "description": "LLM response to analyze"
    },
    "context": {
      "type": "string",
      "description": "Reference context for grounding"
    }
  },
  "required": [
    "response"
  ]
}
⚪schema_enforcer(response, schema)

Validate JSON response against schema

입력 스키마

{
  "type": "object",
  "properties": {
    "response": {
      "type": "string",
      "description": "JSON response to validate"
    },
    "schema": {
      "type": "object",
      "description": "JSON schema definition"
    }
  },
  "required": [
    "response",
    "schema"
  ]
}
🟢consistency_check(responses)

Check consistency across multiple LLM responses

입력 스키마

{
  "type": "object",
  "properties": {
    "responses": {
      "type": "array",
      "items": {
        "type": "string"
      },
      "description": "Array of responses to compare"
    }
  },
  "required": [
    "responses"
  ]
}

커뮤니티

이 서버 평가하기

증거

최근 관측

검증됨버전이 기록되지 않음도구 5개
검증됨버전이 기록되지 않음도구 5개
검증됨버전이 기록되지 않음도구 5개