Reexpress MCP 服务器为工具调用型 LLM（例如 Claude）以及运行在 macOS（Apple silicon 上的 Tahoe 26 或更高版本）或 Linux 上的 MCP 客户端而设计。它是一个可直接插入的方案，为复杂的 LLM 管道以及日常的搜索和问答（面向软件开发和数据科学场景）增加前沿的统计验证能力，被称为面向 AI 工作流的首个可靠、统计稳健的 AI 第二意见。
用途与主要能力：安装 MCP 服务器后，在聊天文本末尾添加 Reexpress 提示，工具调用型 LLM 会使用预先训练的 Reexpress 相似度-距离-量级（SDM）估计器来检查其响应。该估计器集成 gpt-5.5-2026-04-23、gemini-3.1-pro-preview 和 gemini-embedding-2，结合工具调用型 LLM 的输出，针对 OpenVerification1 数据集的训练与校准示例计算预测不确定性的稳健估计。用户可以在验证完成后调用 ReexpressAddTrue 或 ReexpressAddFalse 工具，使后续 Reexpress 调用动态纳入更新；当需要更实质的修改或想使用其他底层 LLM 时，也可用仓库附带的训练脚本进行完整重训练。
使用方式：除向用户提供基于指令的输出置信度估计外，工具调用型 LLM 本身可利用验证输出逐步优化答案、判断是否需要额外外部资源或工具，或确认是否已陷入僵局而需要用户进一步澄清，即所谓“带 SDM 验证的推理”。数据仅通过标准 LLM API 调用发送至 Azure/OpenAI 和 Google，其中 gemini-3.1-pro-preview 调用通过 API 获得标准网络搜索访问权限；SDM 估计器的所有处理均在本机完成。文件访问采用简单保守但有效的机制：用户通过 ReexpressDirectorySet() 和 ReexpressFileSet() 明确指定要发送的文件。
版本 2.5.0 实现了嵌套估计器，对类别与预测条件准确率按递减概率阈值运行校准算法，使绝大多数校准点可归入准确率估计大于 0.5 的区域，未归入的点可视为分布外；最保守区域保持原有解释与行为。代码库已精简，语言模型后训练代码被移除，将另发布用于微调网络底层权重的单独仓库。发布模型其余部分与 2.4.x 相同，使用相同数据并以 gpt-5.5-2026-04-23 和 gemini-3.1-pro-preview 作为生成模型进行校准。
适用场景与限制：目标受众为开发者和数据科学家，假设对 LLM、MCP 和命令行工具有一定熟悉度。系统要求为能够本地运行一个 300 万参数的 PyTorch 小模型（注意是 300 万而非 30 亿），计算需求极低。支持 Linux 和 macOS。用户应仅从信任的来源添加其他 MCP 服务器，并注意其他 MCP 工具可能以意外方式改变本服务器行为。仓库包含配置、使用文档、输出 HTML、指南、FAQ、训练与校准数据说明、在 OpenVerification1 上的评估、系统演示论文及 2.4.0 模型卡等资料。价格与具体收费方式暂未提供。