ufal-mcp 0.7.24

MCP server pro ÚFAL MFF UK NLP nástroje — production-grade anonymizace, multilingvální NER (33+ jazyků) + UDPipe (961 modelů, auto-detect 8 jazyků), Charles Translator (8 jazyků), PONK rich output (4 feature sety), Korektor, NameTag XML/vertical

ufal-mcp

MCP server obalující NLP nástroje ÚFAL MFF UK — multilingvální NER + morfologie (35 jazyků auto-detect), česká production-grade anonymizace (25+ PII kategorií napříč právem / medicínou / bankovnictvím / realitami / pojišťovnami / notáři / vzděláváním / vědou), překlad mezi 8 jazyky (17 přímých párů + auto EN-pivot), čitelnost a korektura.

Co umí

Tool	Backend	K čemu
extract_entities	NameTag 3	NER pro CZ (bohatý CNEC 2.0 tagset) + 34 dalších jazyků (UNER PER/ORG/LOC) s auto-detekcí
anonymize	MasKIT	Production-grade pseudonymizace (v0.7.6): regex pre-pass přes 25+ PII kategorií napříč 9 sektory — osoby/adresy, RČ (5 variant), IBAN + č.ú. CZ, IČO/DIČ, č.j./sp.zn./posudek, datovka (incl. list sekce), e-mail/telefon/URL, platební karta (Visa/MC/Amex/Discover s BIN), VS/KS/SS, parcela/LV/k.ú. (katastr), VIN/pojistka/TP (auto), NZ (notář), UČO/ISIC/studijní č., ORCID/Researcher ID, č. pojištěnce/IČZ + stop-list filter + opt-in placeholder_mode (deterministic OSOBA1/MESTO1/ULICE1, dedup, reprodukovatelné)
analyze_morphology	UDPipe	Tokenizace, lemmatizace, POS tagging, závislostní parse — auto-detect 35 jazyků (CZ/SK/EN/DE/FR/IT/ES/PT/NL/PL/HU/UK/RU/RO/SL/BG/EL/HR/SR/FI/LT/LV/ET/DA/SV/NO/ZH/AR/TR/VI/HI/HE/JA/KO/TH)
check_readability	PONK	Čitelnost CZ — 4 feature sety (v0.7.0): overall metrics (ARI/Verb Distance/Activity/Lexical diversity) + rules (aktivovaná gramatická pravidla s českými radami "Příliš dlouhé věty: Rozdělte..." a citacemi) + lexical_surprise (distribuce vzácnosti slov) + speech_acts (typy vět)
correct_text	Korektor	CZ spell checker + auto-doplnění/odstranění diakritiky (užitečné pro OCR výstupy, mobilní zprávy)
translate_text	Charles Translator	Překlad mezi 8 jazyky (CZ/EN/FR/DE/PL/RU/UK/HI), 17 přímých párů + auto EN-pivot pro nepřímé páry (de/pl/fr/it/es → cs automaticky přes 2 volání). Document mode pro CZ↔EN. Vlastní jména zachovává v originále.

Podporované jazyky — NER + morfologie (35 jazyků, auto-detect, testováno 20.5.2026)

Test track record: 35/35 jazyků správně detekováno auto-detect heuristikou (langdetect.py), 35/35 jazyků chytá NER entity (NameTag 3 UNER + cross-lingual transfer).

• 🇨🇿 CZ · 🇸🇰 SK · 🇬🇧 EN · 🇩🇪 DE · 🇫🇷 FR · 🇮🇹 IT · 🇪🇸 ES · 🇵🇹 PT · 🇳🇱 NL
• 🇵🇱 PL · 🇭🇺 HU · 🇷🇴 RO · 🇸🇮 SL · 🇧🇬 BG · 🇬🇷 EL · 🇭🇷 HR · 🇷🇸 SR · 🇺🇦 UK · 🇷🇺 RU
• 🇫🇮 FI · 🇱🇹 LT · 🇱🇻 LV · 🇪🇪 ET · 🇩🇰 DA · 🇸🇪 SV · 🇳🇴 NO (Bokmål + Nynorsk)
• 🇨🇳 ZH · 🇦🇪 AR · 🇹🇷 TR · 🇻🇳 VI · 🇮🇳 HI · 🇮🇱 HE · 🇯🇵 JA · 🇰🇷 KO · 🇹🇭 TH

UDPipe má modely pro 961 jazyků celkem (téměř všechny živé jazyky světa) — explicit model="..." parameter dostupný pro jazyky mimo auto-detect.

Funguje cyrilice (UK, RU, BG), latinka s diakritikami, čínské znaky, devanagari (HI), hebrejské/arabské/thajské skripty. Drobné limity známé u JA/KO (particles v entitách), HE/TH (chudší coverage UNER).

Pro koho je tohle (sektory + use cases)

Stress-tested napříč 9 sektory na 12.7KB cross-sektorovém spisu (dev/ufal-mcp-stress-v076/corpus/ULTIMATE_SPIS.txt) — výsledek 94/94 unique PII chyceno v jednom volání:

Sektor	Use case	PII které MCP zvládne
⚖️ Právo	Anonymizace spisu před AI review, GDPR compliance	Jména, RČ, adresy, č.j., sp.zn., IBAN, OP, datovky
🏥 Medicína	Propouštěcí zprávy pro výzkum, statistika hospitalizací	RČ, IČZ, č. pojištěnce, kontakty lékaře — klinické kódy MKN-10 zachované
🎓 Věda / akademie	Peer review, citace v publikaci	ORCID, Researcher ID, e-maily kolegů, granty
💳 Bankovnictví	Compliance, výpisy do AI, vykazování	Č.ú., karta, IBAN, VS/KS/SS, header výpisu
🏠 Reality / katastr	Anonymizace výpisů z KN, smluv	LV, parcely, k.ú., vlastník + RČ + adresa
🚗 Pojišťovny	Likvidace škod, AI analýza	VIN, SPZ, č. pojistky, TP, OP, RČ pojištěného
📜 Notáři	Notářské zápisy pro AI summary	NZ, OP, datovka notáře, sp. zn.
📚 Studijní oddělení	Potvrzení o studiu, statistika studentů	UČO, studijní č., ISIC, kontakty studenta
🔬 Výzkum / NGO	Anonymizace korpusu pro etiku výzkumu	Vše výše + zachování klinických/právních kódů

Plus 11 jazyků v multilingvální stack (legal docs SK/EN/DE/PL/UK/RU/FR/HI/ES/IT/AR otestovány na NER+morfologii, auto EN-pivot pro překlad mimo přímé Charles páry).

Instalace

Z PyPI (doporučeno):

pip install ufal-mcp

Nebo ze source:

git clone https://github.com/Buggy1111/ufal-mcp.git
cd ufal-mcp
pip install -e .

Registrace v MCP klientovi

ufal-mcp je standardní MCP server (stdio transport) — funguje s libovolným MCP klientem. Po registraci a restartu klienta máš k dispozici 6 nástrojů:

• mcp__ufal__extract_entities — multilingvální NER (35 jazyků auto-detect)
• mcp__ufal__anonymize — production-grade pseudonymizace CZ (regex pre-pass + stop-list + placeholder mode)
• mcp__ufal__analyze_morphology — morfologie 35 jazyků auto-detect (UDPipe 961 modelů)
• mcp__ufal__check_readability — čitelnost CZ (4 feature sety: metrics + rules + lexical surprise + speech acts)
• mcp__ufal__correct_text — spell check + diakritika CZ
• mcp__ufal__translate_text — překlad mezi 8 jazyky (CZ↔EN/UK/RU + EN↔FR/DE/PL/HI)

Claude Code (terminál)

claude mcp add ufal -s user -- ufal-mcp

Claude Desktop

Starší Claude Desktop (Mac .app z anthropic.com, Windows .exe installer):

Edituj ~/Library/Application Support/Claude/claude_desktop_config.json (Mac) nebo %APPDATA%\Claude\claude_desktop_config.json (Windows):

{
  "mcpServers": {
    "ufal": {
      "command": "ufal-mcp"
    }
  }
}

Nová Claude Desktop (Microsoft Store / appx package, "Cowork" UI): k 05/2026 podporuje pouze remote MCP servery přes HTTP URL (Settings → Connectors → Add custom connector). Lokální stdio MCP servery jako ufal-mcp zde přidat nelze. Workaround: použít Claude Code CLI nebo počkat, až Anthropic přidá stdio podporu i do nového UI.

Na Windows může být ufal-mcp.exe mimo PATH (typicky C:\Python\Python3xx\Scripts\ufal-mcp.exe nebo %APPDATA%\Python\Python3xx\Scripts\ufal-mcp.exe). V configu pak místo "command": "ufal-mcp" použij plnou cestu.

OpenAI Codex CLI (struktura dle Codex docs, autorem netestováno)

Edituj ~/.codex/config.toml:

[mcp_servers.ufal]
command = "ufal-mcp"

Cursor (autorem netestováno)

Edituj .cursor/mcp.json v projektu (nebo globálně ~/.cursor/mcp.json):

{
  "mcpServers": {
    "ufal": {
      "command": "ufal-mcp"
    }
  }
}

Windsurf, Cline, Zed, VS Code Copilot Agent (autorem netestováno)

Stejný mcpServers JSON formát — viz dokumentace daného klienta. command: "ufal-mcp" (případně absolutní cesta ~/path/to/.venv/bin/ufal-mcp pokud nemáš ufal-mcp v PATH).

Otestováno autorem: Claude Code (Linux/WSL2), Claude Desktop MS Store na Windows (neuspěšně — viz výše). Ostatní klienti používají standardní MCP stdio + JSON config, takže by teoreticky měli fungovat, ale nedostalo se to k otestování. Pull request s potvrzením vítaný.

Použití

V Claude Code stačí napsat například:

Anonymizuj text z PRICHOZI_POSTA/2026-03-02_odpoved_na_stiznost.md v placeholder_mode a vrať mi čistou verzi pro veřejný demo.

Vytáhni z dokumentu všechny osoby, soudy a č.j. — chystám matter intake pro /litigation-legal:matter-intake.

Klient přinesl ukrajinský dokument — přelož mi ho do češtiny, najdi entity a zanalyzuj morfologii.

Projeď moje podání přes PONK — vrať všechna aktivovaná gramatická pravidla s českým popisem, ať vím co přepsat.

Klient mi posílá text bez diakritiky z mobilu — doplň diakritiku přes Korektor.

Autor

ufal-mcp napsal Michal Bürgermeister (@Buggy1111, [e-mail]) — nezávislý vývojář z ČR. Verzi 0.7 postavil na svém reálném legal-tech use case (Jiříkův spis, 102/102 ops) a ve v0.7.6 ji rozšířil napříč 9 sektory a 11 jazyky.

Wrapper kolem skvělých ÚFAL MFF UK nástrojů — bez NameTag, MasKIT, UDPipe, PONK, Korektor a Charles Translator by tenhle MCP server neexistoval. Díky celému ÚFAL týmu (Jana Straková, Milan Straka, Jiří Mírovský, Barbora Hladká, Silvie Cinková a další) za roky práce na production-grade NLP nástrojích pro češtinu.

Issues, PR a feedback jsou vítané na github.com/Buggy1111/ufal-mcp.

Licence

Tento wrapper ufal-mcp má MIT licenci (viz LICENSE).

Pod ním jsou ale čtyři samostatné ÚFAL nástroje, každý s vlastní licencí. Pro úplný obrázek:

Komponenta	Autoři	Licence software	Licence modelů
NameTag 3	Jana Straková, Milan Straka	MPL 2.0 (commercial OK)	CC BY-NC-SA (NON-commercial)
UDPipe	Milan Straka, Jana Straková	MPL 2.0 (commercial OK)	CC BY-NC-SA (NON-commercial)
MasKIT	Jiří Mírovský, Barbora Hladká	MPL 2.0 (commercial OK)	(rule-based, není separátní model)
PONK	Jiří Mírovský, Silvie Cinková, Barbora Hladká + autoři podaplikací: Ivan Kraus, Arnold Stanovský, Jan Černý, Ivana Kvapilíková, Tomáš Polák, Silvie Cinková	MPL 2.0 (commercial OK)	(rule-based + UDPipe pro tokenizaci → viz CC BY-NC-SA výše)

Důležité: tento wrapper nevolá lokální instalaci ÚFAL nástrojů, ale jejich veřejné API služby (lindat.mff.cuni.cz, quest.ms.mff.cuni.cz). Na použití API se vztahují podmínky LINDAT/CLARIAH-CZ a ÚFAL — krátce: bezplatné pro akademické a osobní použití, hromadný / placený / produkční traffic vyžaduje explicitní souhlas autorů a provozovatele API.

Pro placené (komerční) nasazení nebo vyšší zátěž doporučuji:

1. Kontaktovat příslušné autory (viz tabulka výše) a [e-mail]
2. Zvážit lokální self-host (NameTag i UDPipe mají modely ke stažení) — pak se na tebe licence modelů (CC BY-NC-SA) vztahují přímo a víš přesně, co ti loguje co.

Bezpečnost

• Vše posíláš na externí server ÚFAL (quest.ms.mff.cuni.cz, lindat.mff.cuni.cz). Tento wrapper to nijak nešifruje ani neanonymizuje před odesláním — kromě toho, co dělá anonymize tool, pokud ho voláš.
• Provoz typického HTTPS access logu na ÚFAL straně standardně eviduje minimálně čas, IP, velikost požadavku a konfigurační parametry. K explicitnímu vyjádření ÚFAL ohledně loggingu obsahu POST body autor zatím nedohledal písemný zdroj — chovej se proto, jako že obsah teoreticky logovat může, a před odesláním citlivých dat nejdřív projeď text přes anonymize.
• Pro plně privátní zpracování doporučuji lokální self-host: NameTag i UDPipe mají modely ke stažení (CC BY-NC-SA → osobní/akademické použití OK), MasKIT a PONK mají MPL 2.0 source. Tento wrapper se zatím připojuje jen k veřejnému ÚFAL API; lokální backend není podporovaný (může přibýt v budoucnu).

Známé limitace

Wrapper sám funguje deterministicky, ale upstream API mají několik dokumentovaných nedostatků. Pro každý je v této verzi přidaná detekce / warning:

Limitace	Příčina	Co s tím
Fragmentace názvů firem ("ZR Trade s.r.o." → MasKIT zachytí jen "ZR" a "s.r.o.", slovo "Trade" zůstane neanonymizované)	MasKIT tokenizace	anonymize vrací warnings — NameTag cross-check najde celou entitu a upozorní, že MasKIT nepokryl celý název
Římské číslice v názvech soudů ("MS Bratislava II" → "II" není anonymizováno)	MasKIT regex pattern	Detekováno warningem (viz výše)
Soudci se neanonymizují	MasKIT záměrný whitelist	By-design — pokud potřebuješ anonymizovat soudce, použij extract_entities + manuální post-processing
Slovenské tvary ("Tóthovej", "súd", "sa") v CZ-only modelech	Default NameTag (nametag3-czech-cnec2.0-240830) a CZ UDPipe model jsou trénované jen na češtině	Pro NameTag použij multilingvální nametag3-multilingual-uner-250203 — pokrývá CZ + SK + 11 dalších jazyků (UNER + cross-lingual transfer); pro UDPipe analyze_morphology(model="auto") přepne na SK model
Generické placeholdery v MasKIT ("FABBR1", "IABBR1") bez typu entity	MasKIT API	Tool anonymize má classify_types=True (default) — 100 % náhrad klasifikováno čtyřvrstvým fallbackem (placeholder pattern → pre-context → NameTag → fallback dle obsahu)
MasKIT systematicky neanonymizuje názvy státních institucí (Nejvyšší soud, Ústavní soud, ministerstva, soudy obecně)	MasKIT design	anonymize má strict=True (default) — pre-pass přes NameTag najde firmy/úřady/instituce v originálu a sám je nahradí placeholdery FIRMA1, INSTITUCE1, … ještě před voláním MasKIT
Vícejazyčné texty (SK, EN, DE, FR, IT, ES, PT, NL, PL, HU, UK, RU, RO, SL, BG, EL, HR, SR, FI, LT, LV, ET, DA, SV, NO, ZH, AR, TR, VI, HI, HE, JA, KO, TH)	Default NameTag a UDPipe modely jsou CZ-only	VYŘEŠENO v v0.7.1 — analyze_morphology(model="auto") i extract_entities(model="auto") (defaulty) sdílí langdetect.py modul a auto-přepnou na správný model pro 35 jazyků (CZ + 34 dalších). 100% testováno.
NER nepokrývá: pasy (CZ pas formát), řidičák, foreign národní ID (SSN/PESEL/ИНН/Aadhaar v ne-CZ textech)	MasKIT design + foreign ID nemá wrapper-regex pattern	Pro CZ formáty (RČ, IBAN, č.ú., OP, IČO, DIČ, datovka, č.j., sp.zn., VIN, ORCID, UČO, NZ, LV/parcela atd.) wrapper-regex v v0.7.6 pokrývá 25+ kategorií napříč 9 sektory. Foreign ID anonymizovat manuálně před voláním.
Anonymize idempotence	placeholder mode v MasKIT pipeline	✅ VYŘEŠENO v v0.7.7 — STEP 0 v pipeline detekuje existující placeholdery v vstupu (OSOBA1, FIRMA2, atd.). Pokud 3+ placeholderů → early return, jinak PUA sentinely chrání před re-zpracováním. anonymize(anonymize(x)) == anonymize(x).

Pro citlivá data: vždy zkontroluj warnings v odpovědi anonymize a anonymizovaný výstup ručně před zveřejněním. Wrapper je nástroj na první průchod, ne náhrada za lidskou kontrolu.

Použité API (6 LINDAT/ÚFAL REST endpointů)

• POST https://lindat.mff.cuni.cz/services/nametag/api/recognize — NER (17 modelů)
• POST https://lindat.mff.cuni.cz/services/udpipe/api/process — morfologie (961 modelů, ~všechny jazyky)
• POST https://lindat.mff.cuni.cz/services/korektor/api/correct — spell check + diakritika
• POST https://lindat.mff.cuni.cz/services/translation/api/v2/models/{src-tgt} — Charles Translator (17 párů)
• POST https://quest.ms.mff.cuni.cz/maskit/api/process — anonymizace
• POST https://quest.ms.mff.cuni.cz/ponk/api/process — čitelnost

Vývoj

python3 -m venv .venv
source .venv/bin/activate
pip install -e .

# Smoke test (volá živé ÚFAL API)
python test_live.py

Release proces

PyPI publish je automatický přes Trusted Publisher (OIDC).

Jednorázové nastavení (PyPI strana):

1. Vytvořit balíček na https://pypi.org (nebo nechat workflow, ať ho vytvoří první run)
2. PyPI → Account settings → Publishing → Add pending publisher:
   • PyPI Project Name: ufal-mcp
   • Owner: Buggy1111
   • Repository: ufal-mcp
   • Workflow: release.yml
   • Environment: pypi

Release nového releasu:

# Bump version v pyproject.toml a src/ufal_mcp/__init__.py
git commit -am "release: v0.X.0"
git tag v0.X.0
git push origin main --tags

GHA workflow release.yml automaticky postaví distribution, publishne na PyPI a vytvoří GitHub Release s artefakty.