Спецификация jMRI (jMunch Retrieval Interface) — открытый стандарт интерфейса для поиска контекста в MCP-серверах.

Что такое МРТ?

Агенты, которые читают целые файлы, чтобы ответить на конкретные вопросы, тратят 99% своего бюджета. jMRI - это минимальный интерфейс для MCP-серверов, которые делают правильный поиск: индексируют один раз, ищут намеренно, извлекают именно то, что вам нужно.

Четыре операции. Один конверт ответа. Два уровня соответствия.

** Проблема в цифрах: ** Типичная кодовая база FastAPI стоит 42 000 токенов, чтобы читать наивно. jMRI-поиск того же ответа стоит ~480 токенов. При токенах $3/1M это $0,126 против $0,0014 за запрос. В миллионах запросов экономия является существенной.

Инструменты jMunch сохранили миллиарды токенов во время сеансов. Эта спецификация является формальным определением того, что они делают.

Как это работает

Каждый ответ содержит блок _meta с tokens_saved и total_tokens_saved. Агенты могут точно видеть, что они экономят на каждом звонке.

##Спектр ##

SPEC.md

Полная спецификация jMRI v1.0. Apache 2.0. Реализуйте его, как хотите.

Реализация ссылок

Спецификация открыта. Лучшие реализации являются коммерческими.

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/.

---