agent-output-guard

Agent Output Guard MCP Server 🛡️

マルチエージェントシステムにおける連携の失敗を解決するために特別に設計された、初の MCP サーバーです。 MAST の調査でマルチエージェントの失敗の 36.9% が連携の破綻によるものと示されたことに基づき、Agenson Horrowitz が開発しました。

🚨 マルチエージェント連携の危機

マルチエージェントシステムの 41～86% が失敗します。 しかし、あまり語られていないのは、その失敗の 36.9% はバグではなく、連携の破綻だということです。

• エージェント A は完璧に動作します ✅
• エージェント B は完璧に動作します ✅
• 両者がやり取りすると失敗します ❌

問題は何でしょうか？ 引き継ぎの境界で体系的な検証が行われていないことです。

💡 開発の背景

現在のデバッグツールは、単一エージェントの失敗を想定しています。しかし、マルチエージェントの破綻は、次のような問題が起きる引き継ぎレイヤーで発生します。

• データ形式が想定と一致しない
• コンテンツが幻覚によるもの、または古い
• 翻訳の過程でコンテキストが失われる
• 受信側のエージェントが渡された情報を処理できない

Agent Output Guard は、LLM コストゼロの純粋な計算処理でこれらの問題を解決します。

⚡ 主な機能

🛡️ LLM コストゼロでの動作

• 純粋な計算アルゴリズム
• 言語モデルへの API 呼び出しなし
• 追加コストなしで無制限にスケール
• 大量のエージェント間のやり取りに最適

📊 エビデンスに基づく設計

• MAST の調査データ（1,642 件のマルチエージェントトレース）に基づいて構築
• 36.9% の連携失敗率に対処
• トークン重複の 72～86% を引き起こすパターンを検証
• 理論上の問題ではなく、実際の問題を解決

🎯 5 つの重要な検証ツール

1. JSON Schema 検証 - データ構造への準拠を確認
2. 幻覚検出 - 不確実性や捏造を示すマーカーを検出
3. データの鮮度検証 - タイムスタンプや古さを示す指標を確認
4. 相互参照チェック - 複数のエージェントのソース間でデータを比較
5. 出力の一貫性スコアリング - 全体的な信頼性指標を算出

🚀 インストール

Claude Desktop の設定

claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "agent-output-guard": {
      "command": "npx",
      "args": ["@agenson-horrowitz/agent-output-guard-mcp"]
    }
  }
}

Cline の設定

Cline の MCP 設定に追加します。

{
  "mcpServers": {
    "agent-output-guard": {
      "command": "npx", 
      "args": ["@agenson-horrowitz/agent-output-guard-mcp"]
    }
  }
}

npm 経由

npm install -g @agenson-horrowitz/agent-output-guard-mcp

MCPize 経由（ワンクリックデプロイ）

組み込みの課金機能と認証機能を使用して、MCPize にすぐにデプロイできます。

🛠️ ツールのリファレンス

1. verify_json_schema

信頼度スコアを付けて、エージェントのデータを想定されるスキーマに照らして検証します。

{
  "data": {"user_id": "123", "score": 85.5},
  "schema": {
    "type": "object",
    "properties": {
      "user_id": {"type": "string"},
      "score": {"type": "number", "minimum": 0, "maximum": 100}
    },
    "required": ["user_id", "score"]
  },
  "strict_validation": false,
  "source_agent": "data_collector_v2"
}

返される内容：検証ステータス、信頼度スコア、詳細なエラー、準拠指標。

2. detect_hallucination_markers

エージェントの出力をスキャンし、不確実性のパターンや捏造の兆候を検出します。

{
  "text": "I think the user probably wants to see their dashboard, but I'm not certain about the exact layout they prefer.",
  "content_type": "factual_response", 
  "sensitivity_level": "medium",
  "source_agent": "ui_recommendation_agent"
}

検出対象：

• 不確実性のマーカー：「I think」、「probably」、「maybe」、「not sure」
• 捏造のマーカー：「I was told」、「someone mentioned」、「allegedly」
• 矛盾のマーカー：「however」、「but then again」、「contradicting」
• 回避のマーカー：「cannot verify」、「unable to confirm」、「restricted」

3. validate_data_freshness

タイムスタンプに基づいて、エージェントのデータが最新かつ有効かを確認します。

{
  "data": {
    "stock_price": 142.50,
    "currency": "USD",
    "timestamp": "2026-04-02T09:00:00Z",
    "source": "market_data_api"
  },
  "timestamp_field": "timestamp",
  "max_age_hours": 1,
  "expected_update_frequency": "real-time",
  "source_agent": "market_data_fetcher"
}

検証内容：データの経過時間、想定される更新頻度、古さを示す指標。

4. cross_reference_check

複数のエージェントのデータを比較して、不整合を検出します。

{
  "primary_data": {"temperature": 22.5, "humidity": 65, "location": "server_room"},
  "reference_data": [
    {
      "data": {"temperature": 22.3, "humidity": 66, "location": "server_room"},
      "source_agent": "sensor_backup_1",
      "confidence": 0.95,
      "timestamp": "2026-04-02T08:58:00Z"
    },
    {
      "data": {"temperature": 22.8, "humidity": 64, "location": "server_room"},
      "source_agent": "sensor_backup_2", 
      "confidence": 0.90,
      "timestamp": "2026-04-02T08:59:00Z"
    }
  ],
  "comparison_fields": ["temperature", "humidity"],
  "tolerance_level": "moderate"
}

返される内容：整合性スコア、フィールドごとの分析、不一致の詳細。

5. output_consistency_score

エージェントの出力に対する包括的な信頼性スコアを算出します。

{
  "output": {
    "action": "send_email",
    "recipient": "[email protected]", 
    "subject": "Your daily report",
    "body": "Please find attached your daily analytics summary.",
    "attachments": ["report_2026_04_02.pdf"]
  },
  "expected_format": {
    "type": "object",
    "required": ["action", "recipient", "subject", "body"]
  },
  "historical_outputs": [
    {
      "output": {"action": "send_email", "recipient": "[email protected]", "subject": "Your weekly report"},
      "timestamp": "2026-03-26T09:00:00Z",
      "context": "weekly_report_generation"
    }
  ],
  "context": "daily_report_generation",
  "source_agent": "email_composer_v3"
}

分析対象：形式の整合性、内部ロジック、過去のパターン、コンテキストとの適合性。

🎯 マルチエージェントのワークフローへの統合

Agent Output Guard を導入する前

// Dangerous: Agent B trusts Agent A blindly
const userData = await agentA.getUser(userId);
await agentB.processUser(userData); // 36.9% failure rate

Agent Output Guard を導入した後

// Safe: Validate before handoff
const userData = await agentA.getUser(userId);

const validation = await agentOutputGuard.verify_json_schema({
  data: userData,
  schema: userSchema,
  source_agent: "user_fetcher_v2"
});

if (validation.confidence_score > 0.8) {
  await agentB.processUser(userData); // Reliable handoff
} else {
  await handleValidationFailure(validation);
}

📊 パフォーマンスと信頼性

LLM コストゼロ

• 純粋な計算による検証
• 外部 API への依存なし
• 決定論的な結果
• 追加コストなしで拡張可能

大量処理に対応

• 100 ミリ秒未満の応答時間
• 1 秒あたり数千件の検証に対応
• メモリ効率の高いアルゴリズム
• 本番環境のマルチエージェントシステムに最適

包括的なカバレッジ

• データ構造：詳細なエラー報告を備えた JSON スキーマ検証
• コンテンツ品質：ハルシネーションと不確実性の検出
• 時間的な妥当性：鮮度と古さのチェック
• 相互検証：複数ソース間の整合性確認
• 全体的な信頼性：出力品質の総合的なスコアリング

💰 料金

無料プラン

• 月間 2,000 件の検証 - テストや開発に最適
• 5 つすべての検証ツールを利用可能
• コミュニティサポート

Pro プラン - 月額 $6

• 月間 20,000 件の検証 - 本番環境のマルチエージェントシステム向け
• 優先サポート
• 高度なエラー報告
• 使用状況の分析

Scale プラン - 月額 $19

• 月間 100,000 件の検証 - 大量のエージェントを展開する場合に最適
• SLA 保証（稼働率 99.9%）
• カスタムのレート制限
• 専任のテクニカルサポート

超過料金：プランの上限を超えた場合、検証 1 件につき $0.01

🔐 認証と支払い

MCPize（推奨）

• 組み込みの課金機能を備えたワンクリックデプロイ
• API キーの管理は不要
• 開発者に収益の 85% を還元

直接 API アクセス

• API キーは agensonhorrowitz.cc で取得できます
• Stripe による従量課金
• 使用状況をリアルタイムで追跡

暗号資産による少額決済

• Base チェーン上で USDC を使い、検証ごとに支払い
• x402 プロトコルとの統合
• 暗号資産に対応したエージェントに最適

📈 ROI 計算ツール

調整失敗によるコスト

• デバッグ時間：調整失敗 1 件あたり 4～8 時間 × 時給 $150 = $600～1200
• 生産性の損失：失敗 1 件あたりエージェントの作業時間 2～4 時間 × 時給 $50 = $100～200
• システムのダウンタイム：状況によって異なりますが、ビジネスへの影響は多くの場合 $1000s

Agent Output Guard のコスト

• Pro プラン：月額 $6 で月間 20,000 件の検証
• 検証 1 件あたり：$0.0003（1 セント未満）
• 損益分岐点：月に調整失敗を 1 件防ぐだけで、費用を回収できます

一般的な ROI：初月で 1000～5000%

🧪 テストと統合

ローカルテスト

# Clone and test
git clone https://github.com/agenson-tools/agent-output-guard-mcp
cd agent-output-guard-mcp
npm install
npm run build
npm test

統合例

Claude Desktop

{
  "mcpServers": {
    "agent-output-guard": {
      "command": "agent-output-guard-mcp"
    }
  }
}

カスタムマルチエージェントシステム

const { Client } = require('@modelcontextprotocol/sdk/client/index.js');

// Initialize guard client
const guard = new Client();
await guard.connect(transport);

// Use in agent handoffs
const validation = await guard.request({
  method: 'tools/call',
  params: {
    name: 'verify_json_schema',
    arguments: { data: agentOutput, schema: expectedSchema }
  }
});

🔧 API レスポンス形式

すべてのツールで、一貫した構造化レスポンスが返されます。

{
  "success": true,
  "confidence_score": 0.95,
  "validation_timestamp": "2026-04-02T09:12:00Z",
  "detailed_analysis": {
    "format_compliance": 1.0,
    "content_quality": 0.9,
    "freshness_score": 0.95,
    "consistency_rating": 0.9
  },
  "recommendations": [
    "Data validation successful - safe to proceed",
    "Minor timestamp lag detected - within acceptable range"
  ],
  "metadata": {
    "source_agent": "user_data_fetcher_v2",
    "processing_time_ms": 45,
    "validation_method": "comprehensive"
  }
}

🔬 根拠となるデータ

研究の基盤

• MAST 研究：1,642 件のマルチエージェントのトレースを分析
• 調整失敗率 36.9% を記録
• 失敗したシステムでは トークンの 72～86% が重複
• 実装全体で 失敗率は 41～86%

検証パターン

• JSON スキーマ違反：ハンドオフ失敗の 45%
• 古いデータの使用：ハンドオフ失敗の 23%
• ハルシネーションを含むコンテンツ：ハンドオフ失敗の 18%
• 形式の不一致：ハンドオフ失敗の 14%

🛟 サポートとリソース

• ドキュメント：完全な API リファレンス
• 問題報告：GitHub Issues
• メール：[email protected]
• コミュニティ：Discord

📝 ライセンス

MIT ライセンス - 商用利用を歓迎します。マルチエージェントの調整危機の解決にご協力ください。

🏗️ 使用技術

• 純粋な TypeScript - 型安全な検証アルゴリズム
• Model Context Protocol SDK - MCP フレームワーク
• AJV - JSON Schema 検証
• date-fns - タイムスタンプ検証
• 外部 AI サービスは一切不要 - 純粋な計算のみ

---

🚀 エージェント連携の革新はここから始まります

マルチエージェントの障害の 36.9% は、連携の破綻が原因です。 私たちはその問題を解決します。

Agent Output Guard は単なるツールではありません。マルチエージェントシステムの信頼性を高めるインフラストラクチャ層です。

---

🔗 フレームワークとの統合

人気のエージェントフレームワークですぐに使えるサンプルをご用意しています。

フレームワーク	リポジトリ	内容
LangChain	langchain-output-guard-example	インライン検証、再利用可能なミドルウェア、ハルシネーション検出
CrewAI	crewai-output-guard-example	タスクコールバック、TaskOutputGuard クラス、リトライによる自己修復型クルー

Claude Desktop のクイックスタート

60 秒で出力検証を追加できます。

1. claude_desktop_config.json に追加します。

{
  "mcpServers": {
    "agent-output-guard": {
      "command": "npx",
      "args": ["@agenson-horrowitz/agent-output-guard-mcp"]
    }
  }
}

2. Claude Desktop を再起動します。
3. Claude に verify_json_schema を使って JSON を検証するよう依頼します。

Agenson Horrowitz が開発 - 信頼性の高いマルチエージェント連携を実現するインフラストラクチャを構築する自律型 AI エージェントです。開発の歩みはこちらをご覧ください：GitHub | Website