gemini-faf-mcp

Persistenter Projektkontext für Google Gemini. Einmal definieren. Überall synchronisieren.

FAF definiert. MD weist an. KI programmiert.

Hören Sie auf, Ihr Projekt in jeder neuen Gemini-Sitzung neu zu erklären. Jedes Gemini-Gespräch beginnt bei Null – Sie müssen jedes Mal Ihren Stack, Ihre Ziele und Ihre Konventionen neu angeben. .faf ist eine strukturierte Datei, die all dies erfasst. Dieses Paket ist der MCP-Server, der es Gemini ermöglicht, diese Datei zu lesen.

👁 PyPI
👁 Downloads
👁 Tests
👁 IANA

Vorher und Nachher

Without FAF With FAF (.faf at 85%+ Bronze)
───────────────────────── ─────────────────────────
You: "I'm using FastAPI with... You: "Add a /users/me endpoint"
 PostgreSQL, pytest, and..." Gemini: [generates correct code,
Gemini: "Got it. What's the uses your auth pattern,
 codebase like?" matches your test style]
You: "It's a REST API for..."
[5 minutes of re-explaining]
Gemini: [now ready to help]

.faf wird einmal zu Beginn der Sitzung gelesen. Jeder Tool-Aufruf landet bei einem Gemini, das Ihr Projekt bereits kennt.

Was ist neu in v2.2.0

Mk4 Championship Scoring Engine – alle 12 Tools verwenden jetzt denselben Bewertungsalgorithmus wie der Rust-Compiler und die TypeScript-CLI. faf_score und faf_validate liefern Details auf Slot-Ebene (populated, active, total). Die Bewertungen stimmen über alle FAF-Tools in jeder Sprache hinweg überein. 221 Tests, 41 neue WJTTC-Championship-Tests. Toter Code entfernt (sync_faf.py).

v2.2.1 ist ein Patch-Release – die Paketbeschreibung wurde an den kanonischen Wortlaut „Persistenter Projektkontext für Google Gemini“ über PyPI, die Gemini Extensions Gallery und das MCP Registry angepasst. Keine Code-Änderungen.

Ein-Minuten-Einrichtung

1. Installieren

pip install gemini-faf-mcp

2. Zur Gemini CLI hinzufügen

gemini extensions install https://github.com/Wolfe-Jam/gemini-faf-mcp

3. Projektkontext generieren

In Ihrer Gemini CLI:

> /gemini-faf-mcp:setup

Sie sollten sehen: Created project.faf — Score: 85% (BRONZE). Ab diesem Punkt liest jede Gemini-Sitzung in diesem Projekt die Datei automatisch.

Tipp: Eine Bewertung von 85% (BRONZE) ist das Minimum, ab dem Gemini aufhört zu raten. Führen Sie /gemini-faf-mcp:score aus, um zu sehen, was fehlt und wie Sie 100% (TROPHY) erreichen können.

Related MCP server: rust-faf-mcp RMCP

Der „Eine-Datei“-Vorteil

Eine .faf-Datei ist strukturiertes YAML, das Ihre Projekt-DNA erfasst. Jeder KI-Agent liest sie einmal und weiß genau, was Sie bauen.

# project.faf — your project, machine-readable
faf_version: '2.5.0'
project:
 name: my-api
 goal: REST API for user management
 main_language: Python
stack:
 backend: FastAPI
 database: PostgreSQL
 testing: pytest
human_context:
 who: Backend developers
 what: User CRUD with auth
 why: Replace legacy PHP service

Ergebnis: Gemini liest dies einmal und kennt Ihr Projekt. Kein 20-minütiges Onboarding. Keine falschen Annahmen. Jede Sitzung beginnt abgestimmt.

FAF definiert. MD weist an. KI programmiert.

Was ist mit meiner GEMINI.md?

Sie ersetzen sie nicht. .faf generiert sie. Führen Sie faf_gemini aus und Sie erhalten eine frische GEMINI.md mit den strukturierten Projektdaten als YAML-Frontmatter – dieselbe GEMINI.md, die die Gemini CLI bereits liest, aber generiert aus einer einzigen Quelle der Wahrheit anstatt manuell gepflegt.

> /gemini-faf-mcp:export
# Generates GEMINI.md from project.faf

.faf ist die Quelle. GEMINI.md ist eine ihrer Ausgaben. Dieselbe Logik gilt für AGENTS.md (OpenAI Codex), .cursorrules, CLAUDE.md und andere – einmal schreiben, überall rendern.

Automatisches Erkennen Ihres Stacks

faf_auto scannt die Manifest-Dateien Ihres Projekts und generiert eine .faf mit präzisen Slot-Werten. Keine manuelle Eingabe erforderlich.

> Auto-detect my project stack

{
 "detected": {
 "main_language": "Python",
 "package_manager": "pip",
 "build_tool": "setuptools",
 "framework": "FastMCP",
 "api_type": "MCP",
 "database": "BigQuery"
 },
 "score": 100,
 "tier": "TROPHY"
}

Was gescannt wird:

Prioritätsregel: pyproject.toml / Cargo.toml / go.mod haben Vorrang vor package.json. Es werden nur Werte gesetzt, die tatsächlich erkannt werden – keine hartcodierten Standardwerte.

Alle 12 Tools

Erstellen & Erkennen

Validieren & Bewerten

Lesen & Transformieren

Exportieren & Interoperabilität

Referenz

Bewertungs- und Stufensystem

Ihre .faf-Datei wird nach Vollständigkeit bewertet – wie viele Slots mit echten Werten gefüllt sind.

Zielen Sie auf Bronze (85%+). Das ist der Punkt, an dem die KI aufhört zu raten und anfängt zu wissen.

Verwendung mit der Gemini CLI

> Create a .faf file for my Python FastAPI project
> Auto-detect my project and fill in the stack
> Score my .faf and show what's missing
> Export GEMINI.md for this project
> Show me a 100% example for an MCP server
> What is FAF and how does it work?
> Read my project.faf and summarize the stack
> Validate my .faf and fix the warnings

Architektur

gemini-faf-mcp v2.2.1
├── server.py → FastMCP MCP server (12 tools, Mk4 scoring)
├── main.py → Cloud Run REST API (GET/POST/PUT)
├── models.py → 15 project type examples
└── src/gemini_faf_mcp/ → Python SDK (FAFClient, parser)

Der MCP-Server delegiert an faf-python-sdk für Parsing, Validierung und Mk4-Bewertung. Die Stack-Erkennung in faf_auto ist Python-nativ – keine externen CLI-Abhängigkeiten.

Testen

pip install -e ".[dev]"
python -m pytest tests/ -v

221 Tests bestehen über 9 WJTTC-Stufen (125 MCP-Server + 55 Cloud Function + 41 Mk4 WJTTC Championship). Testabdeckung auf Championship-Niveau – WJTTC zertifiziert.

FAF-Ökosystem

Ein Format, jede KI-Plattform.

Python SDK

Verwenden Sie FAF direkt in Python ohne MCP:

from gemini_faf_mcp import FAFClient, parse_faf, validate_faf, find_faf_file

# Parse and validate locally
data = parse_faf("project.faf")
result = validate_faf(data)
print(f"Score: {result['score']}%, Tier: {result['tier']}")

# Find .faf files automatically
faf_path = find_faf_file(".")

# Or use the Cloud Run endpoint
client = FAFClient()
dna = client.get_project_dna()

Cloud Run REST API

Live-Endpunkt für Badges, Multi-Agent-Kontext-Brokering und Voice-to-FAF-Mutationen.

https://faf-source-of-truth-631316210911.us-east1.run.app

Unterstützt Agent-optimierte Antworten (Gemini, Claude, Grok, Jules, Codex/Copilot/Cursor) über den X-FAF-Agent-Header. Voice-Mutationen über Gemini Live durch den PUT-Endpunkt. Automatisches Deployment über Cloud Build bei Push auf main.

Wenn gemini-faf-mcp nützlich war, ziehen Sie in Betracht, dem Repo einen Stern zu geben – es hilft anderen, es zu finden.

Links

• FAF-Spezifikation

• IANA-Registrierung

• faf-python-sdk

• faf-cli

• Changelog

Lizenz

MIT

Erstellt von @wolfe_jam | wolfejam.dev

Holen Sie sich die CLI

faf-cli – Die originale KI-Kontext-CLI. Ein Muss für jeden Entwickler.

npx faf-cli auto

Anthropic MCP #2759 · IANA registriert: application/vnd.faf+yaml · faf.one · npm

Maintenance

Resources

• GitHub Repository
Need Help?Related Servers

Tools

• faf_aboutA
• faf_agentsA
• faf_autoA
• faf_contextA
• faf_discoverA
• faf_geminiA
• faf_initA
• faf_modelA