跳转到主要内容
ToolPotion
AI 顾问
提交(免费)

MCP 本地审计员与系统架构师 V2

AI GitHub 仓库AI 代码审查与测试开源 · Windows, macOS, Linux

MCP 本地审计员与系统架构师 V2 是一个开源的模型上下文协议服务器,使用本地 LLM 通过 LM Studio 审计代码和系统设计,因此没有任何数据离开开发者的机器。它会在生产代码审计员模式和系统架构师模式之间自动切换,检查提交内容是否符合十条防御工程规则,并草拟拓扑和执行计划。

查看仓库
分享
查看仓库
分享

MCP 本地审计员与系统架构师 V2 是一个开源的模型上下文协议 (MCP) 服务器,使用在开发者本地机器上运行的语言模型来审查代码和系统设计。它可以连接到任何兼容 MCP 的客户端,并将每个提交发送到本地 LM Studio 服务器,而不是云 API,因此没有代码或设计离开机器,也没有按令牌收费。

阅读更多

该服务器会自动检测传入的提交是代码还是高级规范,并将其路由到两个角色之一。在生产代码审计员模式下,它会根据十条防御工程规则检查输入,涵盖逻辑和边缘条件,例如空检查和除以零、资源泄漏和性能问题(如未关闭的上下文管理器),以及防御边界(如类型提示和有界循环保护)。它返回一个确定性的批准或拒绝的裁决,并提供可操作的反馈。在系统架构师与战略家模式下,当输入看起来像规范而不是代码时,它会生成组件拓扑、目录结构、并发和故障点的风险建模,以及分阶段的执行计划。

在任何内容到达语言模型之前,一个快速的基于 AST 的哨兵会解析提交并阻止高风险调用,例如 eval、exec、os.system 和 subprocess,并拒绝格式错误的 Python。每次审计都会被记录两次:作为本地 SQLite 数据库中的结构化行,用于度量和历史记录,以及作为原子 JSON 日志,旨在双重作为微调数据集。一个单独的监视脚本可以与服务器一起运行,并在新的审计文件出现时向 Discord 频道发布格式化的状态更新,因此团队可以在不打开仪表板的情况下跟踪审查活动。该服务器还直接查询 LM Studio 的活动模型端点,因此它会获取当前加载的任何模型,而不需要硬编码模型名称。

该项目提供了一个现成的“代理循环协议”代码片段,开发者可以将其粘贴到他们的编码助手配置中,指示助手在每次代码更改后调用审计工具,读取拒绝反馈,修复报告的问题,并重新提交,最多尝试五次。

它是为希望在基于 MCP 的编码工作流程中实现自动化代码和架构审查步骤的个人开发者和小团队而构建的,无需支付云推理费用或将专有代码暴露给第三方 API。它需要 Python 3.10 或更高版本,运行 LM Studio 实例并加载经过指令调优的模型,以及一个兼容 MCP 的客户端。该项目在 MIT 许可证下分发,免费使用;维护者通过 Ko-fi 和 GitHub Sponsors 接受自愿捐赠。

  • 类别AI 代码审查与测试
  • 定价模式开源
  • 部署本地运行
  • 平台Windows, macOS, Linux

  • 双模式 MCP 服务器,自动检测代码与规范输入,并将其路由到匹配的审计角色

  • 生产代码审计员模式根据 10 条防御工程规则检查提交,返回确定性的批准/拒绝裁决

  • 系统架构师与战略家模式从规范草拟组件拓扑、风险模型和分阶段执行计划

  • 基于 AST 的哨兵阻止 eval、exec、os.system 和 subprocess 调用,并在到达模型之前拒绝格式错误的 Python

  • 完全在本地 LM Studio 服务器上运行,因此没有代码离开开发者的机器,也没有令牌费用

  • 动态模型发现读取当前在 LM Studio 中加载的任何模型

  • 将每次审计记录到本地 SQLite 数据库和适合微调数据集的原子 JSON 文件中

  • 后台 Discord 监视器在新审计结果写入时实时发布格式化更新

  • 提供一个“代理循环协议”提示片段,使编码助手通过重复审计和修复循环自我纠正

  • 包括一个 pytest 套件,验证 AST 保护、数据库迁移和推理管道,而无需实时的 LM Studio 实例

  1. 安装 LM Studio:下载 LM Studio,加载经过指令调优的模型,并在 1234 端口启动其本地服务器。

  2. 克隆并设置服务器:克隆代码库,创建虚拟环境,并使用 pip 安装依赖项。

  3. 注册 MCP 服务器:将服务器的桥接脚本路径添加到您的 MCP 客户端的 mcpServers 配置文件中。

  4. 运行审计:通过审计工具提交代码或规范;服务器会自动选择代码审计员或架构师模式。

  5. 查看裁决:阅读批准或拒绝状态和反馈,然后在被拒绝时修复并重新提交。

  6. 可选,监视活动:运行监视脚本以获取每个新审计结果的 Discord 通知。

  • 本地代码审查门
  • 架构规划
  • 自我纠正的编码代理
  • 团队审计可见性

MCP 本地审计员与系统架构师 V2 评价

加载中...

与 MCP 本地审计员与系统架构师 V2 类似的热门AI工具

lai-harness

AI GitHub 仓库

lai-harness 是一个以本地优先、可审计的编码工具,专为小型 LLM 设计。它提供紧凑的工具、确定性策略、验证、可观察性、控制平面和受保护的发布,确保高效和安全的开发过程。

AI 编程助手
查看工具

AI GitHub 仓库

以本地优先、可审计的编码工具,专为小型 LLM 设计。它提供紧凑的工具、确定性策略、验证、可观察性、控制平面和受保护的发布,确保高效和安全的开发过程。lai-harness 是一个以本地优先、可审计的编码工具,专为小型 LLM 设计。它提供紧凑的工具、确定性策略、验证、可观察性、控制平面和受保护的发布,确保高效和安全的开发过程。

AI 编程助手
查看 AI GitHub 仓库 Top 250

Baz 提供从规划到生产的 AI 驱动代码审查,确保质量和安全。它与 GitHub、GitLab 和 Azure DevOps 集成,为工程团队提供全面的洞察和自动化。

AI 代码审查与测试

解释代码 排名第 87 位

查看工具

提供从规划到生产的 AI 驱动代码审查,确保质量和安全。它与 GitHub、GitLab 和 Azure DevOps 集成,为工程团队提供全面的洞察和自动化。Baz 提供从规划到生产的 AI 驱动代码审查,确保质量和安全。它与 GitHub、GitLab 和 Azure DevOps 集成,为工程团队提供全面的洞察和自动化。

AI 代码审查与测试
解释代码 排名第 87 位

Kodus

AI 应用

Kodus 是一款开源的 AI 代码审查工具,能够学习您团队的工作流程和编码标准。它在代码质量、安全性和性能方面提供精确的审查,并允许您完全控制模型选择和成本。与现有工具集成,以获得定制化反馈和技术债务管理。

AI 代码审查与测试

AI 代码审查与测试 排名第 53 位

查看工具

AI 应用

开源的 AI 代码审查工具,能够学习您团队的工作流程和编码标准。它在代码质量、安全性和性能方面提供精确的审查,并允许您完全控制模型选择和成本。与现有工具集成,以获得定制化反馈和技术债务管理。Kodus 是一款开源的 AI 代码审查工具,能够学习您团队的工作流程和编码标准。它在代码质量、安全性和性能方面提供精确的审查,并允许您完全控制模型选择和成本。与现有工具集成,以获得定制化反馈和技术债务管理。

AI 代码审查与测试
AI 代码审查与测试 排名第 53 位

Aviator Verify 通过在拉取请求(PR)之前捕获意图并验证运行代码的接受标准,取代了传统的代码审查。它通过提供确定性验证和完整的审计跟踪,确保合规性并减少审查者疲劳。

AI 代码审查与测试
查看工具

通过在拉取请求(PR)之前捕获意图并验证运行代码的接受标准,取代了传统的代码审查。它通过提供确定性验证和完整的审计跟踪,确保合规性并减少审查者疲劳。Aviator Verify 通过在拉取请求(PR)之前捕获意图并验证运行代码的接受标准,取代了传统的代码审查。它通过提供确定性验证和完整的审计跟踪,确保合规性并减少审查者疲劳。

AI 代码审查与测试
查看 AI 应用 Top 250

Chrome DevTools MCP

AI GitHub 仓库

Chrome DevTools MCP 使代理能够与真实的 Chrome 实例进行交互,验证代码并运行审计。它提供了仿真、调试和自动连接等功能,以增强代理能力并简化开发流程。

浏览器与网页自动化
查看工具

AI GitHub 仓库

Chrome DevTools MCP 使代理能够与真实的 Chrome 实例进行交互,验证代码并运行审计。它提供了仿真、调试和自动连接等功能,以增强代理能力并简化开发流程。

浏览器与网页自动化
查看 AI GitHub 仓库 Top 250

Oscar - Git at Google

AI GitHub 仓库

Oscar 是一个开源贡献者代理架构,旨在减少软件开发中的维护者辛劳。它利用 LLM 进行语义分析和确定性代码执行任务,旨在自动化问题处理、文档匹配等,从而提高开源项目的维护效率。

AI 编程助手
查看工具

AI GitHub 仓库

开源贡献者代理架构,旨在减少软件开发中的维护者辛劳。它利用 LLM 进行语义分析和确定性代码执行任务,旨在自动化问题处理、文档匹配等,从而提高开源项目的维护效率。Oscar 是一个开源贡献者代理架构,旨在减少软件开发中的维护者辛劳。它利用 LLM 进行语义分析和确定性代码执行任务,旨在自动化问题处理、文档匹配等,从而提高开源项目的维护效率。

AI 编程助手
查看 AI GitHub 仓库 Top 250
1/6