MCP Coding Agent

MCP编码代理

一个强大的工具，用于分析GitHub存储库并生成抽象语法树（AST）表示，包括依赖跟踪和LLM驱动的代码摘要。

特性

• 🔍 GitHub存储库分析：直接从GitHub获取和分析Python代码库
• 🌳 AST生成：构建全面的AST结构（文件→ 类→ 函数→ Code)
• 🔗 依赖项跟踪：提取内部依赖关系（导入、函数调用）和外部依赖关系（调用者）
• 🤖 LLM总结：使用OpenAI生成代码摘要和依赖关系描述（可选）
• 📊 JSON导出：导出包含元数据的完整AST图
• 📖 Markdown报告：生成可在IDE中查看的漂亮降价报告
• 💬 互动问答：使用AI询问有关分析代码库的问题

安装

1. 克隆存储库：

git clone https://github.com/AI-Castle-Labs/mcp-coding-agent.git
cd mcp-coding-agent

1. 安装依赖项：

pip install -r requirements.txt

1. 设置环境变量：

cp .env.template .env
# Edit .env and add your GitHub token and OpenAI API key

配置

创建一个 .env 文件在 mcp-coding-agent 目录：

# Required: GitHub Personal Access Token
GITHUB_TOKEN=your_github_token_here

# Optional: OpenAI API Key (for LLM summarization)
OPENAI_API_KEY=your_openai_api_key_here

获取GitHub代币

1. 转到GitHub设置→ 开发人员设置→ 个人访问令牌
2. 点击“生成新令牌（经典）”
3. 选择范围：

- repo （用于私有存储库） - public_repo （仅适用于公共存储库）

1. 复制令牌并将其添加到您的 .env 文件

用法

交互模式

使用漂亮的终端界面运行分析仪：

python3 run_analysis.py

这将打开一个交互式菜单，您可以在其中：

1. 使用AI摘要分析GitHub存储库
2. 无AI摘要的快速扫描（更快）
3. 询问有关分析代码的问题
4. 查看以前的分析报告

命令行模式

# Full analysis with LLM summaries
python3 run_analysis.py --full --owner  --repo 

# Quick scan (no LLM - faster)
python3 run_analysis.py --quick --owner  --repo 

# Ask a question about the codebase
python3 run_analysis.py --ask "What does this codebase do?"

# Analyze a specific branch
python3 run_analysis.py --full --owner openai --repo whisper --branch main

例子

# Analyze VentureBot (default)
python3 run_analysis.py --full

# Analyze Flask
python3 run_analysis.py --full --owner pallets --repo flask

# Quick scan a large repo
python3 run_analysis.py --quick --owner microsoft --repo vscode

输出

分析仪产生两种类型的输出：

1. JSON文件 (_analysis.json)：完整的AST数据和所有摘要
2. Markdown报告 (__REPORT.md)：美观的格式报告，可在IDE中查看

JSON输出示例

{
  "repository": "owner/repo-name",
  "branch": "main",
  "analyzed_at": "2025-01-01T12:00:00",
  "total_files": 10,
  "files": [
    {
      "path": "path/to/file.py",
      "classes": [...],
      "functions": [...],
      "imports": [...],
      "code_summary": "This file implements...",
      "dependency_summary": "Relies on requests, json..."
    }
  ]
}

项目结构

mcp-coding-agent/
├── src/
│   ├── main.py                 # Core analysis logic
│   ├── second_builder.py       # AST builder with LLM integration
│   ├── dependency_visitor.py   # Dependency extraction visitor
│   └── devanalyzer.py          # GitHub API integration
├── test/
│   ├── test_second_builder.py
│   └── test_dependency_visitor.py
├── asset/
│   └── ast_builder.py          # Alternative AST builder
├── run_analysis.py             # Main entry point with beautiful UI
├── .env                        # Environment variables (not in git)
├── .env.template               # Template for .env file
├── .gitignore                  # Git ignore rules
├── requirements.txt            # Python dependencies
└── README.md                   # This file

工作流程

分析遵循以下步骤：

1. 连接到GitHub：验证并获取存储库信息
2. 获取Python文件：递归查找所有 .py 存储库中的文件
3. 构建AST结构：解析每个文件并提取类、函数和代码
4. 提取依赖关系：识别导入、函数调用和类引用
5. 构建调用图：映射函数调用关系
6. 生成摘要 （可选）：使用LLM总结代码和依赖关系
7. 输出结果：导出为JSON和Markdown

依赖项

• requests：对GitHub API的HTTP请求
• python-dotenv：从加载环境变量 .env 文件
• openai：用于LLM摘要的OpenAI API客户端（可选）

安全

⚠️ 重要：永远不要承诺你的 .env 在代码中归档或公开令牌。这 .gitignore 文件已配置为排除 .env 文件夹。

贡献

欢迎投稿！请确保：

• 没有硬编码的令牌或秘密
• 代码遵循Python最佳实践
• 提交PR前通过测试

许可证

MIT许可证

支持

对于问题或疑问，请在GitHub上打开问题。