JMRI (jMunch Retrieval Interface) 사양 - MCP 서버의 토큰 효율적인 컨텍스트 검색을위한 개방형 인터페이스 표준.

---

jMRI는 무엇입니까?

토큰 예산의 특정 질문에 답하기 위해 전체 파일을 읽는 에이전트. jMRI는 MCP 서버에 대한 최소 인터페이스입니다. 즉, 한 번 색인, intent에 의해 검색, 당신이 필요로 정확히 검색.

4개의 가동. 1개의 응답 envelope. 2개의 수락 수준.

** 번호의 문제: ** 전형적인 FastAPI 코드베이스 비용 ~42,000 토큰을 읽을 수 있습니다. jMRI는 동일한 응답 비용의 상승 ~480 토큰. 에서 $3/1M 토큰, 그 $0.126 대. $0.0014 쿼리 당. 쿼리의 수백만, 저축 자료입니다.

jMunch 도구는 사용자 세션에서 수십억 개의 토큰을 저장했습니다. 이 spec는 그들이 하는 것의 형식적인 정의입니다.

---

그것이 작동하는 방법

모든 응답에는 _meta] 블록이 포함되어 있습니다 tokens_saved 및 total_tokens_saved. 에이전트는 모든 호출에 저장 정확히 볼 수 있습니다.

---

사양

· SPEC.md

전체 jMRI v1.0 사양. 아파치 2.0. 그러나 당신은 원한다.

---

참조 구현

사양이 열려 있습니다. 가장 좋은 구현은 상업적입니다.

mcp-retrieval-spec

The jMRI (jMunch Retrieval Interface) specification — an open interface standard for token-efficient context retrieval in MCP servers.

---

What Is jMRI?

Agents that read whole files to answer specific questions waste 99% of their token budget. jMRI is a minimal interface for MCP servers that do retrieval right: index once, search by intent, retrieve exactly what you need.

Four operations. One response envelope. Two compliance levels.

The problem in numbers: A typical FastAPI codebase costs ~42,000 tokens to read naively. jMRI retrieval of the same answer costs ~480 tokens. At $3/1M tokens, that’s $0.126 vs. $0.0014 per query. Across millions of queries, the savings are material.

The jMunch tools have saved billions of tokens across user sessions. This spec is the formal definition of what they do.

---

How It Works

Agent
  │
  ├─ discover()    → What knowledge sources are available?
  ├─ search(query) → Which symbols/sections are relevant? (IDs + summaries only)
  ├─ retrieve(id)  → Give me the exact source for this ID.
  └─ metadata(id?) → What would naive reading have cost?

Every response includes a _meta block with tokens_saved and total_tokens_saved. Agents can see exactly what they’re saving on every call.

---

Spec

→ SPEC.md

The full jMRI v1.0 specification. Apache 2.0. Implement it however you want.

---

Reference Implementations

The spec is open. The best implementations are commercial.

Both implement jMRI-Full. Licenses available at https://j.gravelle.us/jCodeMunch/

---

Quick Start

Using the Python SDK

from sdk.python.mri_client import MRIClient

client = MRIClient()  # connects to local jcodemunch-mcp

# List available repos
sources = client.discover()

# Search
results = client.search("database session dependency", repo="fastapi/fastapi")
for r in results:
    print(r["id"], r["summary"])

# Retrieve
symbol = client.retrieve(results[0]["id"], repo="fastapi/fastapi")
print(symbol["source"])
print(f"Tokens saved: {symbol['_meta']['tokens_saved']:,}")

Claude Code Integration

Add to your ~/.claude.json:

{
  "mcpServers": {
    "jcodemunch-mcp": {
      "command": "uvx",
      "args": ["jcodemunch-mcp"]
    },
    "jdocmunch-mcp": {
      "command": "uvx",
      "args": ["jdocmunch-mcp"]
    }
  }
}

See examples/claude-code/ for full setup.

Cursor Integration

See examples/cursor/.

---