Combien d'outils expose io.github.AsterMindAI/astermind-mcp ?

io.github.AsterMindAI/astermind-mcp expose 10 outil(s). Le coût de contexte pour les charger tous est d'environ 1376 tokens (coût unique au chargement, pas par appel).

accueil / serveurs / IA & Mémoire / io.github.AsterMindAI/astermind-mcp

io.github.AsterMindAI/astermind-mcp

serveur MCP (Model Context Protocol)

▸ IA & Mémoire

[ Vérifié ]

Verdict MCP Hub
Aucun comportement malveillant détecté au test comportemental.

npmType / transport

directAccès

~1376 tokensCoût de contexte

10Outils

Est-ce que io.github.AsterMindAI/astermind-mcp est sûr ?

Au dernier audit MCP Hub, le serveur MCP « io.github.AsterMindAI/astermind-mcp » est classé « Vérifié ». Aucun comportement malveillant détecté au test comportemental. Le verdict est réévalué en continu ; consultez la fiche pour l'état à jour.

Méthode : MCP Hub analyse la description de chaque outil (couche 1) et, pour le verdict fort, exécute le serveur dans une micro-VM isolée avec leurres et réseau bloqué (couche 2). On publie des noms et des compteurs, jamais le contenu brut renvoyé par un outil.

Versions auditées & empreintes

Vérifiez la version que vous utilisez : son empreinte doit correspondre à celle listée ici — sinon vous n'utilisez pas la version auditée.

[ Vérifié ] v0.1.0 audité le 2026-10-21

sha512-+ppp3ped2SywR5vdgSj68prVPO1BkYov/7Ulj+Gh3D3w0nkuu8XHuiU0cTFHX/17JecJVVT3B50LjD5AVbAoSw==

npm view @astermind/astermind-mcp@0.1.0 dist.integrity

Vous utilisez ce serveur ? Suivez-le (créez un compte) pour être alerté dès qu'une nouvelle version paraît ou que le verdict change.

Les 10 outils

rerank_documents≈ 190 tokens
Rank candidate documents/chunks by relevance to a query using an on-device ELM reranker. Best when the query shares vocabulary with the documents (typical RAG). Lexical (TF-IDF) based: strong on keyword overlap, weaker on pure-synonym matches.
Paramètres, retour & exemple (3)
Paramètres
- topK · integer · optionnel
  Return only the top K (default: all).
- query · string · requis
  The user query or question.
- documents · array · requis
  Candidate documents/chunks to rank.
Exemple d'appel
```
{"name": "rerank_documents", "arguments": {"query": "texte", "documents": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
filter_context≈ 188 tokens
Drop documents not relevant to the query so you feed the LLM a small, relevant context instead of everything. Reports exact tokens saved using an OpenAI-compatible tokenizer. This is the core token-reduction tool.
Paramètres, retour & exemple (4)
Paramètres
- query · string · requis
- maxDocs · integer · optionnel
  Max docs to keep (default 5).
- documents · array · requis
- minRelevance · number · optionnel
  Min relevance 0..1 to keep a doc (default 0.5).
Exemple d'appel
```
{"name": "filter_context", "arguments": {"query": "texte", "documents": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
compress_context≈ 151 tokens
One-shot token saver: filter candidate documents to what is relevant and return a compact, numbered context block ready to paste into a prompt, plus token-before/after accounting.
Paramètres, retour & exemple (4)
Paramètres
- query · string · requis
- maxDocs · integer · optionnel
- documents · array · requis
- minRelevance · number · optionnel
Exemple d'appel
```
{"name": "compress_context", "arguments": {"query": "texte", "documents": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
classify_text≈ 218 tokens
Classify text into your categories using an on-device ELM trained on the labeled examples you provide. Requires at least one example per category. Returns a confidence and honestly flags low-confidence results. Use this to route/label locally instead of paying an LLM to classify.
Paramètres, retour & exemple (3)
Paramètres
- text · string · requis
  Text to classify.
- examples · array · requis
  Labeled training examples (>= 1 per category).
- categories · array · requis
  The category labels.
Exemple d'appel
```
{"name": "classify_text", "arguments": {"text": "texte", "examples": [], "categories": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
detect_language≈ 92 tokens
Coarse language detection over 6 European languages (English, Spanish, French, German, Italian, Portuguese) using an on-device classifier. Runs locally with no API call.
Paramètres, retour & exemple (1)
Paramètres
- text · string · requis
Exemple d'appel
```
{"name": "detect_language", "arguments": {"text": "texte"}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
semantic_search≈ 133 tokens
Return the top documents matching a query from a provided set, scored by an on-device lexical (TF-IDF) reranker. Strong on keyword overlap; not a transformer embedding search.
Paramètres, retour & exemple (3)
Paramètres
- topK · integer · optionnel
- query · string · requis
- documents · array · requis
Exemple d'appel
```
{"name": "semantic_search", "arguments": {"query": "texte", "documents": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
generate_embeddings≈ 109 tokens
Produce deterministic local char-level embeddings for a list of texts. Good for clustering, dedupe, and near-duplicate detection. Not a substitute for large transformer embeddings on nuanced semantics.
Paramètres, retour & exemple (1)
Paramètres
- texts · array · requis
Exemple d'appel
```
{"name": "generate_embeddings", "arguments": {"texts": []}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
compare_texts≈ 99 tokens
Cosine similarity (0..1) between two texts using local embeddings. Best for detecting near-duplicates / paraphrase overlap, not fine-grained semantic ranking.
Paramètres, retour & exemple (2)
Paramètres
- text1 · string · requis
- text2 · string · requis
Exemple d'appel
```
{"name": "compare_texts", "arguments": {"text1": "texte", "text2": "texte"}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
count_tokens≈ 104 tokens
Count tokens in a string or array of strings using an OpenAI-compatible BPE tokenizer (o200k/cl100k family). Useful for measuring context size and budgeting.
Paramètres, retour & exemple (1)
Paramètres
- text · ? · requis
Exemple d'appel
```
{"name": "count_tokens", "arguments": {"text": "texte"}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```
estimate_savings≈ 160 tokens
Given the full context vs the filtered context you plan to send an LLM, compute tokens removed, percent saved, and (optionally) dollars saved per call for a given model input price.
Paramètres, retour & exemple (3)
Paramètres
- fullContext · ? · requis
- filteredContext · ? · requis
- usdPerMillionInputTokens · number · optionnel
Exemple d'appel
```
{"name": "estimate_savings", "arguments": {"fullContext": "texte", "filteredContext": "texte"}}
```
Exemple de retour
```
{"content": [{"type": "text", "text": "…"}]}
```

Badge pour votre README

Ce serveur a passé le pentest comportemental. Le badge porte son nom et renvoie à cette fiche — la preuve, c'est la fiche (verdict live qu'on contrôle), pas l'image.

Markdown

[![Vérifié par MCP Hub](https://dokore.fr/badge/io.github.astermindai--astermind-mcp.svg)](https://dokore.fr/serveur/io.github.astermindai--astermind-mcp)

HTML

<a href="https://dokore.fr/serveur/io.github.astermindai--astermind-mcp"><img src="https://dokore.fr/badge/io.github.astermindai--astermind-mcp.svg" alt="Vérifié par MCP Hub" height="20"></a>

Réévalué en continu : si le comportement change, le verdict tombe et le badge disparaît. Un badge qui ne pointe pas vers une fiche dokore.fr ne prouve rien. Comment ça marche

C'est votre serveur ?

Revendiquez-le sur l'espace créateur (preuve GitHub, domaine ou npm) pour afficher le badge « propriétaire vérifié » et lancer un pentest comportemental à la demande afin d'obtenir le badge « Vérifié ».

Créer un compte / revendiquer →

Source

@astermind/astermind-mcp@0.1.0