Agentdesk MCP

AgentDesk MCP——对抗性人工智能综述

人工智能管道的质量控制——一种MCP工具。适用于Claude Code、Claude Desktop和任何MCP客户端。

29.5%的团队没有对AI输出进行评估。 (LangChain调查) 知识工作者每周花费4.3小时对人工智能输出进行事实核查。 （微软2025）

AgentDesk MCP修复了这个问题。在30秒内为任何AI管道添加独立的对抗性审查。

快速开始

npm（推荐）

npx @ezark-publish/agentdesk-mcp

克劳德代码

claude mcp add agentdesk-mcp -- npx @ezark-publish/agentdesk-mcp

克劳德桌面

{
  "mcpServers": {
    "agentdesk-mcp": {
      "command": "npx",
      "args": ["-y", "@ezark-publish/agentdesk-mcp"],
      "env": { "ANTHROPIC_API_KEY": "sk-ant-..." }
    }
  }
}

HTTP传输（流式HTTP）

作为HTTP服务器运行，用于远程访问、Smithery托管或多客户端设置：

# Start with HTTP transport on port 3100
MCP_HTTP_PORT=3100 npx @ezark-publish/agentdesk-mcp

# Or use the --http flag (defaults to port 3100)
npx @ezark-publish/agentdesk-mcp --http

MCP端点： POST http://localhost:3100/mcp 健康检查： GET http://localhost:3100/health

从GitHub安装（可选）

npm install github:Rih0z/agentdesk-mcp

需求

• ANTHROPIC_API_KEY 环境变量（使用您自己的键--BYOK）

工具

review_output

对任何人工智能生成的输出进行对抗性质量审查。独立审查员 假设作者犯了错误 并积极寻找问题。

输入：

输出：

{
  "verdict": "PASS | FAIL | CONDITIONAL_PASS",
  "score": 82,
  "issues": [
    {
      "severity": "high",
      "category": "accuracy",
      "description": "Claim about X is unsupported",
      "suggestion": "Add citation or remove claim"
    }
  ],
  "checklist": [
    {
      "item": "Factual accuracy",
      "status": "pass",
      "evidence": "All statistics match cited sources"
    }
  ],
  "summary": "Overall assessment...",
  "reviewer_model": "claude-sonnet-4-6"
}

review_dual

双重对抗性审查 --两名独立评审员从不同角度评估输出，然后合并代理将结果结合起来。

• 如果 要么 审阅者发现了一个关键问题→ 合并判决是 失败
• 拿着 降低 得分
• 合并并消除所有问题的重复

用于质量至关重要的高风险输出。

参数与 review_output.

运作原理

1. 对抗性提示：要求审阅者假设出现了错误。毫无疑问。
2. 循证检查表：每个PASS项目都需要具体的证据。没有证据的项目会自动降级为FAIL。
3. 反游戏验证：如果检查表中超过30%的项目缺乏证据，整个审查将被迫失败，最高得分为50分。
4. 结构化输出：判决+数字分数+分类问题+检查表（不仅仅是“看起来不错”）。

用例

• 代码审查：检查错误、安全问题、性能问题
• 内容审查：验证准确性、可读性、SEO、受众契合度
• 事实核查：在人工智能生成的文本中验证索赔
• 翻译质量：检查准确性和自然度
• 数据提取：验证完整性和正确性
• 任何AI输出：总结、报告、提案、电子邮件等。

为什么不让同一个AI来审查呢？

自我审查已经 系统性宽大处理偏见一个LLM在审查自己的输出时，也有同样的盲点，这些盲点造成了错误。研究表明，模特在产生幻觉时使用自信语言的可能性要高出34%。

AgentDesktop使用 单独的审阅者调用 对抗性提示——与自我审查有着根本的不同。

比较

局限性

• 提示注入：与所有法学硕士法官制度一样，对抗性投入可能会试图操纵审查员的判决。反游戏验证层减轻了表面的游戏，但确定的对抗输入仍然是一个挑战。对于高风险用例，结合确定性验证。
• BYOK成本：每个 review_output 调用进行1个LLM API调用； review_dual 使3。将此因素纳入您的管道成本。

托管API（独立产品）

对于喜欢HTTP集成的团队，提供了一个具有附加功能（代理市场、上下文学习、工作流）的托管REST API agentdesk.usedevtools.com.

发展

git clone https://github.com/Rih0z/agentdesk-mcp.git
cd agentdesk-mcp
npm install
npm test        # 35 tests
npm run build

许可证

麻省理工学院

______________________________________________________________________

由...建造 EZARK咨询 | Web版本