AI 툴 출력용 신뢰성 게이트웨이: schema-stable, secret-safe, pagination-complete JSON.

Sift는 MCP와 CLI 공구 산출을 위한 하락에서 신뢰성 층입니다. artifacts로 전체 페이로드를 persists, 인라인 페이로드 (full]) 또는 컴팩트 참조 ([T1]])를 반환하고 저장 된 데이터에 Python 코드와 필요한 에이전트 쿼리를 할 수 있습니다.

벤치 마크 요약 : 12 실제 JSON 데이터 세트를 가로 지르는 103의 실제 질문에 대한 Sift는 95. % (10,757,230 -> 489,655)의 입력 토큰을 절단하는 동안 33.0%에서 99.0%의 정확도를 향상시킵니다. 전체 세부사항: benchmarks/README.md.

어떻게 작동합니까?

공급 능력:

1. upstream 도구/command를 실행하고 JSON을 캡처합니다.
2. SQLite와 deterministically 지도 schema/root hints에 있는 artifact로 Persist 가득 차있는 산출.
3. 반환 full (작은) 또는 schema_ref] (대/평화).
4. pagination.retrieval_status == COMPLETE까지 명시적으로 페이지를 계속합니다.
5. 1개의 artifact 또는 가득 차있는 pagination 사슬에 집중된 Python 쿼리.

주요 MCP 고통 점

이들은 생산에 있는 MCP 클라이언트 문제점 추적자 그리고 의정서 사용법의 맞물림입니다:

• 큰 도구 정의 및 큰 도구 결과는 신속하게 컨텍스트를 소비합니다.

Sift

Reliability gateway for AI tool output: schema-stable, secret-safe, pagination-complete JSON.

Sift is a drop-in reliability layer for MCP and CLI tool output. It persists full payloads as artifacts, returns either inline payload (full) or compact references (schema_ref), and lets agents query what they need with Python code over stored data.

Benchmark summary: on 103 factual questions across 12 real JSON datasets, Sift improved accuracy from 33.0% to 99.0% while cutting input tokens by 95.4% (10,757,230 -> 489,655). Full details: benchmarks/README.md.

How it works

                           ┌─────────────────────┐
  MCP tool call ──────────▶│                     │──────────▶ Upstream MCP server
  CLI command   ──────────▶│        Sift         │──────────▶ Shell/API command
                           │                     │
                           │   ┌─────────────┐   │
                           │   │  Artifacts  │   │
                           │   │  (SQLite)   │   │
                           │   └─────────────┘   │
                           └─────────────────────┘
                                     │
                                     ▼
                         Small output -> `full` inline
                         Large output -> `schema_ref`
                         Agent queries artifacts with code

Flow:

1. Execute upstream tool/command and capture JSON.
2. Persist full output as an artifact in SQLite and deterministically map schema/root hints.
3. Return full (small) or schema_ref (large/paginated).
4. Continue pages explicitly until pagination.retrieval_status == COMPLETE.
5. Run focused Python queries on one artifact or the full pagination chain.

Main MCP pain points

These are recurring across MCP client issue trackers and protocol usage in production:

• Large tool definitions and large tool results consume context quickly.
• Upstream API pagination often sits outside MCP list-cursor flows, so agents can stop early and answer on partial data.
• Tool output shape differs across servers, which makes follow-up parsing brittle.
• Tool output is untrusted input and can contain sensitive values that should not re-enter model context.
• Raw outputs scroll away in chat history, so provenance and reproducibility degrade across multi-step runs.

Background and references: docs/why.md.

What Sift adds (without changing upstream servers)