Neuroverse MCPサーバー - AIモデルの神経データ分析統合ツール

たんさく

Neuroverse

#null .Python

スコア : 2ポイント

ダウンロード数 : 6.6K

更新時間 : 2026-06-17

サイトを開く

インストール

以下のコマンドをクライアントにコピーして設定

{
  "mcpServers": {
    "neuroverse": {
      "command": "npx",
      "args": ["neuroverse"]
    }
  }
}

{
  "mcpServers": {
    "neuroverse": {
      "command": "python",
      "args": ["mcp/server.py"],
      "cwd": "/path/to/neuroverse"
    }
  }
}

注意：あなたのキーは機密情報です。誰とも共有しないでください。

NeuroVerse Integration

Use neuroverse_process to handle any user request — it auto-detects language, extracts intent, checks safety, and executes.
Use neuroverse_reason for complex tasks requiring analytical reasoning (powered by OpenRouter).
Use neuroverse_store / neuroverse_recall for persistent context across sessions.
Use neuroverse_execute for any potentially dangerous action — it will block destructive operations.


これだけです。エージェントが知っておくべきコマンドはふたつ:

| コマンド | 使用タイミング | 実行内容 |
|---|---|---|
| `neuroverse_process(text, user_id)` | あらゆるユーザーリクエスト | 言語検出、意図抽出、セーフティチェック、実行 |
| `neuroverse_store(user_id, intent, ...)` | 作業終了時 | 次セッション用にコンテキストを保存 |

次セッションでは、あたかも忘れなかったかのように、エージェントは中断したところから正確に再開します。

### 動作要件

- **npm 版:** Node.js 18+（データベース依存ゼロ — JSON ファイルを使用）
- **Python 版:** Python 3.10+ + PostgreSQL（永続メモリ用）

---

## 🤔 なぜ NeuroVerse なのか？

| NeuroVerse なし | NeuroVerse あり |
|---|---|
| エージェントは英語しか理解できない | タミル語、ヒンディー語、テルグ語、カンナダ語 + 英語のコードスイッチングを理解 |
| `"anna file ah csv convert pannu"` → ❌ エラー | `"anna file ah csv convert pannu"` → ✅ ファイルを CSV に変換 |
| 毎セッションがゼロから始まる | エージェントは過去の作業を記憶 — セッションを越え、エージェントを越えて |
| `DROP DATABASE` → 💀 データが消える | `DROP DATABASE` → 🛡️ 1ms 未満でブロック、トークン消費ゼロ |
| ひとつの LLM プロバイダに縛られる | 各タスクに最適なモデルへ自動ルーティング |
| 2 エージェント = カオス | エージェント A がエージェント B へシームレスにハンドオフ |

### トークン効率

NeuroVerse のセーフティレイヤーは **トークンコストゼロ** で動作します — 純粋な正規表現とルールマッチングで、LLM 呼び出しを一切無駄にしません:

| セーフティ方式 | チェックあたりのコスト | レイテンシ |
|---|---|---|
| LLM ベースのセーフティ | 500〜2,000 トークン | 1〜5 秒 |
| 埋め込みベース | 100〜500 トークン | 200〜500ms |
| **NeuroVerse Kavach** | **0 トークン** | **< 1ms** |

1 セッションあたり 100 ツール呼び出しなら、LLM ベースのセーフティと比べて **50,000〜200,000 トークンを節約** できます。

---

## ⚙️ 動作の仕組み

ユーザー入力（任意の言語） │ ┌────┴────┐ │ Vani │ ← 言語検出 + キーワード正規化 │ (भाषा) │ タミル語/ヒンディー語/テルグ語 → 正規化された内部フォーマット └────┬────┘ │ ┌────┴────┐ │ Bodhi │ ← LLM 意図抽出 + ルールベースフォールバック │ (बोधि) │ 信頼度付きの構造化 JSON を返す └────┬────┘ │ ┌────┴────┐ │ Kavach │ ← 3 層セーフティ: ブロックリスト → リスク → LLM ジャッジ │ (कवच) │ トークンコストゼロで危険な操作をブロック └────┬────┘ │ ┌────┴────┐ │ Marga │ ← 最適なモデルにルーティング (OpenAI/Anthropic/Sarvam/Ollama) │ (मार्ग) │ タスク種別ベース: 多言語/推論/ローカル └────┬────┘ │ ┌────┴────┐ │ Smriti │ ← 階層型メモリへの保存/呼び出し │ (स्मृति) │ 短期 + エピソード + セマンティック (PostgreSQL) └────┬────┘ │ ツール実行 + レスポンス


---

## 🌐 多言語インテリジェンス — Vani

**課題:** すべての MCP サーバーは英語しか話せません。インドでは 70% が日常的にコードスイッチングを行います。

"anna indha file ah csv convert pannu" ↓ "anna this file ah csv convert do" ← キーワード正規化（完全な翻訳ではない） ↓ Intent: convert_format { output_format: "csv" }


### ハイブリッドパイプライン（ルール + LLM）

入力 → 言語検出 (langdetect) → コードスイッチ分割 → キーワード正規化 → 出力


**重要な洞察:** 完全に翻訳してはいけません。ドメイン上重要なキーワードのみを正規化します。残りはそのまま保持され、コンテキスト、トーン、ニュアンスが保たれます。

### 対応言語

| 言語 | マッピングされたキーワード | 例 |
|---|---|---|
| 🇮🇳 タミル語 | `pannu` → do, `maathru` → change, `anuppu` → send | `"file ah csv convert pannu"` |
| 🇮🇳 ヒンディー語 | `karo` → do, `banao` → create, `bhejo` → send | `"report banao sales ka"` |
| 🇮🇳 テルグ語 | `cheyyi` → do, `pampu` → send, `chupinchu` → show | `"data chupinchu"` |
| 🇮🇳 カンナダ語 | v2 でサポート予定 | — |
| 🇬🇧 英語 | パススルー | `"convert json to csv"` |

### コードスイッチ検出

```json
{
  "languages": ["ta", "en"],
  "confidence": 0.92,
  "is_code_switched": true,
  "original_text": "anna indha file ah csv convert pannu",
  "normalized_text": "anna this file ah csv convert do"
}

🧠 意図抽出 — Bodhi

LLM ファースト。ルールベースのフォールバック。決して失敗しない。

LLM 成功（信頼度 ≥ 0.5）？
   ├─ はい → LLM 結果を使用
   └─ いいえ → ルールベースパーサ（決定論的）

LLM 戦略

# Prompt to LLM:
"Extract structured intent from the following input.
 Return ONLY valid JSON: {intent, parameters, confidence}"

ルールベースフォールバック（7 パターン）

パターン	意図	トリガーキーワード
フォーマット変換	`convert_format`	convert, csv, json, excel, pdf
要約	`summarize`	summarise, summary, brief, tldr
レポート生成	`generate_report`	report, generate report
削除	`delete_data`	delete, remove, drop, clean
データクエリ	`query_data`	query, search, find, fetch, get
コミュニケーション	`send_message`	send, share, email, notify
説明	`explain`	explain, describe, what is, how to

出力

{
  "intent": "convert_format",
  "parameters": { "input_format": "json", "output_format": "csv" },
  "confidence": 0.87,
  "source": "rule"
}

決定的な違い: コードが決定する のであり、LLM ではありません。LLM が失敗したり、ハルシネーションを起こしたり、ゴミを返したりしても、ルールエンジンが引き継ぎます。決定論的。信頼性抜群。

💾 階層型メモリ — Smriti

課題: 生のログは役に立たない。すべてを保存するとリソースを浪費する。関連性スコアリングもない。

NeuroVerse のアプローチ: スコアリング → フィルタリング → 圧縮 → 保存。

3 つの階層

階層	ストレージ	寿命	用途
短期	プロセス内 dict	現在のセッション	アクティブなコンテキスト、ユーザーごとに最大 50 件
エピソード	PostgreSQL	直近のアクション	エージェントが最近行ったこと
セマンティック	PostgreSQL	長期事実	ユーザー、プロジェクト、エンティティに関する永続知識

重要度スコアリング

if importance_score >= 0.4:
    persist_to_database()   # worth remembering
else:
    skip()                  # noise

重要な記憶だけが生き残ります。肥大化なし。無関係な呼び出しなし。

コンテキスト圧縮

❌ Bad:  "The user asked about sales data three times in the last hour and seemed frustrated..."
✅ Good: { "intent": "sales_query", "frequency": 3, "sentiment": "frustrated" }

構造化された JSON ペイロードであり、生のテキストダンプではありません。圧縮済み。インデックス可能。クエリ可能。

メモリスキーマ (PostgreSQL)

CREATE TABLE memory_records (
    id          TEXT PRIMARY KEY,
    user_id     TEXT NOT NULL,
    tier        TEXT NOT NULL,          -- short_term | episodic | semantic
    intent      TEXT NOT NULL,
    language    TEXT DEFAULT 'en',
    data        JSONB DEFAULT '{}',     -- compressed structured payload
    importance  REAL DEFAULT 0.5,
    created_at  TIMESTAMPTZ DEFAULT NOW(),
    updated_at  TIMESTAMPTZ DEFAULT NOW()
);
-- Indexed: user_id, intent, tier

🛡️ セーフティレイヤー — Kavach

「決して眠らない盾。」

3 つのレイヤー — 多層防御

エージェントがツールを呼ぶ  →  MCP サーバーがリクエストを受信
                            │
                ┌───────────┴───────────┐
                │   レイヤー 1: ブロックリスト  │  ← regex + keywords, < 0.1ms
                └───────────┬───────────┘
                            │ pass
                ┌───────────┴───────────┐
                │  レイヤー 2: リスクスコア  │  ← intent → risk classification
                └───────────┬───────────┘
                            │ pass
                ┌───────────┴───────────┐
                │  レイヤー 3: LLM ジャッジ   │  ← オプションのモデルベースチェック
                └───────────┬───────────┘
                            │ pass
                     ハンドラを実行

レイヤー 1 — ルールベースブロックリスト（ゼロコスト）

MCP サーバー内で実行されます。純粋な regex。ネットワークなし。トークンなし。

ブロックされるキーワード:

delete_all_data, drop_database, drop_table, system_shutdown,
format_disk, rm -rf, truncate, shutdown, reboot, erase_all, destroy

ブロックされるパターン (regex):

DROP (DATABASE|TABLE|SCHEMA)
DELETE FROM *
TRUNCATE TABLE
FORMAT [drive]:
rm (-rf|--force)

レイヤー 2 — 意図リスク分類

リスクレベル	意図	アクション
🟢 低	`convert_format`, `summarize`, `generate_report`, `query_data`, `explain`	✅ 許可
🟡 中	`send_message`, `unknown`	⚠️ 厳格モード時はブロック
🔴 高	`delete_data`	❌ 常にブロック
⛔ クリティカル	`drop_database`, `system_shutdown`	❌ 常にブロック

レイヤー 3 — LLM セーフティジャッジ（オプション）

レイヤー 1〜2 を通過した場合、オプションで LLM に尋ねます: 「これは安全か？」

// LLM returns:
{ "safe": false, "reason": "This action would delete all user data." }

セーフティ判定

{
  "allowed": false,
  "risk_level": "critical",
  "reason": "Blocked keyword detected: 'drop_database'",
  "blocked_by": "rule"
}

トークンコスト: ゼロ

ほとんどの AI セーフティ:  エージェント → "rm -rf /" → セーフティ LLM → 2,000 トークン消費
NeuroVerse:              エージェント → "rm -rf /" → regex マッチ → ブロック（0 トークン、< 1ms）

厳格モード

# .env
SAFETY_STRICT_MODE=true    # MEDIUM リスク（unknown/send）もブロック
SAFETY_STRICT_MODE=false   # HIGH と CRITICAL のみブロック

🤖 マルチモデルルーター — Marga

課題: ベンダーロックイン。すべてにひとつのモデル。過剰な支払い。

NeuroVerse のアプローチ: 各タスクを最適なモデルにルーティング。自動で。

ルーティングロジック

def route_task(task):
    if task.type == "multilingual":
        return sarvam_model        # Best for Indian languages
    elif task.type == "reasoning":
        return claude_or_openai    # Best for complex analysis
    elif task.type == "local":
        return ollama              # Free, on-device, private
    else:
        return best_available      # Fallback chain

対応プロバイダ

プロバイダ	デフォルトモデル	最適な用途	コスト
🇮🇳 Sarvam AI	`sarvam-2b-v0.5`	インド言語、多言語	低
🧩 OpenRouter	`stepfun/step-3.5-flash:free`	高性能推論	無料
🧠 Anthropic	`claude-sonnet-4-20250514`	推論、分析	中
🤖 OpenAI	`gpt-4o`	汎用タスク、コード	中
🦙 Ollama	`llama3`	ローカル、プライベート、オフライン	無料

メリット

	Marga なし	Marga あり
コスト	すべてに GPT-4 を支払う	単純なタスクには Ollama を使用
速度	全タスクで同じレイテンシ	高速タスクにはローカルモデル
プライバシー	すべてクラウドへ	機密データはローカルに留まる
ベンダーロックイン	ひとつのプロバイダに縛られる	いつでも切り替え可能

フォールバックチェーン

優先プロバイダがダウンまたは未設定の場合:

OpenRouter → Anthropic → OpenAI → Sarvam → Ollama（ローカル、常に利用可能）

🔗 エージェント間連携 — Setu

エージェントがエージェントを呼び、さらにその先へ。

エージェントレジストリ

register_agent({
    "agent_name": "report_agent",
    "endpoint": "http://localhost:8001/generate",
    "capabilities": ["generate_report", "sales_analysis"]
})

ルーティング

{
  "target_agent": "report_agent",
  "task": "generate_sales_report",
  "payload": { "quarter": "Q1", "year": 2026 }
}

フォールバック

対象エージェントに到達不能な場合:

{
  "success": false,
  "error": "Agent unreachable: ConnectError",
  "fallback": true
}

呼び出し元はローカル実行にフォールバックできます。ハード障害はありません。

🧩 MCP ツール

NeuroVerse は Model Context Protocol 経由で 6 つのツール を公開します:

#	ツール (npm)	ツール (Python)	説明
1	`neuroverse_process`	`india_mcp_process_multilingual_input`	フルパイプライン: 検出 → 正規化 → 意図 → セーフティ → 実行
2	`neuroverse_store`	`india_mcp_store_memory`	階層型システムにメモリレコードを保存
3	`neuroverse_recall`	`india_mcp_recall_memory`	ユーザー、意図、階層別にメモリを取得
4	`neuroverse_execute`	`india_mcp_safe_execute`	エンドツーエンドの安全実行（便利機能）
5	`neuroverse_route`	`india_mcp_route_agent`	登録された下流エージェントにタスクをルーティング
6	`neuroverse_model`	`india_mcp_model_route`	マルチモデルルーターにクエリ（オプションで呼び出し）
7	`neuroverse_transcribe`	`india_mcp_transcribe_audio`	Whisper STT で音声をテキストに文字起こし
8	`neuroverse_synthesize`	`india_mcp_synthesize_speech`	Coqui TTS でテキストから音声を合成
9	`neuroverse_reason`	N/A	OpenRouter による高性能推論

実世界の例

── セッション 1 (エージェント Alpha、午後 2 時) ───────────
india_mcp_process_multilingual_input({
    text: "anna indha sales data ah csv convert pannu",
    user_id: "alpha",
    execute: true
})
→ Language: Tamil+English (code-switched)
→ Intent: convert_format { output_format: "csv" }
→ Safety: ✅ allowed (LOW risk)
→ Execution: ✅ success

india_mcp_store_memory({
    user_id: "alpha",
    intent: "convert_format",
    tier: "episodic",
    data: { "file": "sales_q1.json", "output": "csv" },
    importance_score: 0.8
})

── セッション 2 (エージェント Beta、翌日) ───────────────
india_mcp_recall_memory({
    user_id: "alpha",
    intent: "convert_format",
    limit: 5
})
→ "Agent Alpha converted sales_q1.json to CSV yesterday"
→ Beta は Alpha が中断したところから正確に再開

🌐 REST API

NeuroVerse は FastAPI による REST レイヤーも同梱しています — MCP 以外のクライアント向け:

python app/main.py
# → http://localhost:8000/docs (Swagger UI)

エンドポイント	メソッド	説明
`/health`	GET	ヘルスチェック
`/api/process`	POST	フル多言語パイプライン
`/api/memory/store`	POST	メモリ保存
`/api/memory/recall`	POST	メモリ呼び出し

⚙️ 設定

すべての設定は環境変数（.env）経由:

# Database (PostgreSQL required for persistent memory)
DATABASE_URL=postgresql+asyncpg://user:password@localhost:5432/neuroverse

# AI Model API Keys (configure the ones you have)
OPENAI_API_KEY=sk-...
ANTHROPIC_API_KEY=sk-ant-...
SARVAM_API_KEY=...

# Ollama (local, free)
OLLAMA_BASE_URL=http://localhost:11434

# Safety
SAFETY_STRICT_MODE=true     # Block MEDIUM risk actions too

# MCP Transport
MCP_TRANSPORT=stdio          # or streamable_http
MCP_PORT=8000

🧪 テスト

python -m pytest tests/ -v

tests/test_intent.py     — 10 passed  (rule-based + async + mock LLM + fallback)
tests/test_language.py   — 10 passed  (keyword normalisation + detection + code-switch)
tests/test_pipeline.py   —  8 passed  (full e2e: English, Tamil, Hindi, dangerous, edges)
tests/test_safety.py     — 12 passed  (blocklist, regex, risk classification, pipeline)

============================= 40 passed in 0.87s ==============================

テスト対象

カテゴリ	テスト数	カバレッジ
言語検出	10	タミル語、ヒンディー語、英語、空入力、コードスイッチフラグ
意図抽出	10	7 つのルールパターンすべて、LLM モック、LLM 失敗、空
セーフティエンジン	12	キーワード、regex、リスクレベル、フルパイプライン、厳格モード
フルパイプライン	8	E2E 英語、タミル語、ヒンディー語、危険コマンド、エッジケース

🏗️ アーキテクチャ

npm 版 (Node.js / TypeScript)

npm/
├── src/
│   ├── core/
│   │   ├── language.ts       # Vani  — Language detection (zero deps)
│   │   ├── intent.ts         # Bodhi — Intent extraction (LLM + fallback)
│   │   ├── memory.ts         # Smriti — Tiered memory (JSON files)
│   │   ├── safety.ts         # Kavach — 3-layer safety engine
│   │   └── router.ts         # Marga — Multi-model AI router
│   ├── services/
│   │   ├── executor.ts       # Tool registry + retry engine
│   │   └── agent-router.ts   # Setu — Agent-to-Agent routing
│   ├── types.ts              # TypeScript interfaces & enums
│   ├── constants.ts          # Shared constants
│   └── index.ts              # MCP Server — 6 tools (McpServer + Zod)
├── package.json              # npm publish config
├── tsconfig.json
└── LICENSE                   # Apache-2.0

Python 版

app/
├── core/
│   ├── language.py           # Vani  — Language detection (langdetect)
│   ├── intent.py             # Bodhi — Intent extraction (LLM + fallback)
│   ├── memory.py             # Smriti — Tiered memory (PostgreSQL)
│   ├── safety.py             # Kavach — 3-layer safety engine
│   └── router.py             # Marga — Multi-model AI router
├── models/schemas.py         # 12 Pydantic v2 models
├── services/
│   ├── executor.py           # Tool registry + retry engine
│   └── agent_router.py       # Setu — Agent-to-Agent routing
├── config.py                 # Settings from environment
└── main.py                   # FastAPI REST entry point
mcp/server.py                 # MCP Server (FastMCP) — 6 tools
tests/                        # 40 tests (pytest)

依存関係 — 最小限

npm (3 パッケージ):

パッケージ	用途
`@modelcontextprotocol/sdk`	MCP プロトコル
`zod`	スキーマバリデーション
`axios`	HTTP リクエスト

Python (7 パッケージ):

パッケージ	用途
`mcp[cli]`	Model Context Protocol SDK
`fastapi` + `uvicorn`	REST API レイヤー
`pydantic`	入力バリデーション (v2)
`langdetect`	統計的言語識別
`asyncpg` + `sqlalchemy[asyncio]`	PostgreSQL 非同期ドライバ
`httpx`	モデル API 用の非同期 HTTP

🚀 ロードマップ

フェーズ	ステータス	内容
v1.0	✅ 完了	多言語パース + 意図抽出 + 5 ツール
v1.0	✅ 完了	階層型メモリシステム (PostgreSQL)
v1.0	✅ 完了	3 層セーフティエンジン (Kavach)
v1.0	✅ 完了	マルチモデルルーター (Marga) + エージェントルーティング (Setu)
v2.0	✅ 完了	音声レイヤー (Whisper/Coqui) + 拡張多言語対応
v3.0	✅ 完了	Redis キャッシュ + 埋め込みベースのセマンティック検索
v4.0	✅ 完了	強化学習 (RLHF) + Arachne コンテキストインデックス
v4.1	✅ 完了	OpenRouter 推論レイヤー統合
v5.0	🔮 将来	エージェントマーケットプレイス & 外部システムプラグイン

🔐 セキュリティ

対策	実装
API キー管理	環境変数のみ — コードには決して含めない
入力サニタイズ	すべての入力にフィールド制約付きの Pydantic v2
レート制限	v2.0 で予定
パストラバーサル	該当なし — ツールによるファイルシステムアクセスなし
SQL インジェクション	SQLAlchemy 経由のパラメータ化クエリ
暗号化ストレージ	PostgreSQL TLS に委譲

🤝 コントリビュート

コントリビューションを歓迎します！はじめかたは次のとおりです:

リポジトリをフォーク
フィーチャーブランチを作成 (git checkout -b feature/amazing-feature)
変更をコミット (git commit -m 'feat: add amazing feature')
ブランチにプッシュ (git push origin feature/amazing-feature)
プルリクエストを開く

開発セットアップ

# npm edition
git clone https://github.com/joshua400/neuroverse.git
cd neuroverse/npm
npm install
npm run build

# Python edition
cd neuroverse
python -m pip install -e ".[dev]"
python -m pytest tests/ -v    # All 40 should pass