Servidor MCP Neurolorap

👁 Licencia: MIT
👁 Pruebas
👁 código decodificador

Servidor MCP que proporciona herramientas para el análisis y documentación de código.

Características

Herramienta de recopilación de código

• Recopilar código de todo el proyecto

• Recopilar código de directorios o archivos específicos

• Recopilar código de múltiples rutas

• Salida Markdown con resaltado de sintaxis

• Generación de índices

• Soporte para múltiples lenguajes de programación

Herramienta de generación de informes de estructura de proyecto

• Analizar la estructura y las métricas del proyecto

• Generar informes detallados en formato Markdown

• Análisis del tamaño y complejidad de los archivos

• Visualización basada en árboles

• Recomendaciones para la organización del código

• Patrones de ignorancia personalizables

Related MCP server: Code Snippet Server

Descripción rápida

# Using uvx (recommended)
uvx mcp-server-neurolorap

# Or using pip (not recommended)
pip install mcp-server-neurolorap

No necesitas instalar ni configurar ninguna dependencia manualmente. La herramienta configurará todo lo necesario para analizar y documentar el código.

Instalación

Necesitará tener UV >= 0.4.10 instalado en su máquina.

Para instalar y ejecutar el servidor:

# Install using uvx (recommended)
uvx mcp-server-neurolorap

# Or install using pip (not recommended)
pip install mcp-server-neurolorap

Esto automáticamente:

• Instalar todas las dependencias necesarias

• Configurar la integración de Cline

• Configurar el servidor para uso inmediato

El servidor estará disponible mediante el protocolo MCP en Cline. Podrás usarlo para analizar y documentar el código de cualquier proyecto.

Uso

Modo de desarrollador

El servidor incluye un modo de desarrollador con interfaz de terminal JSON-RPC para interacción directa:

# Start the server in developer mode
python -m mcp_server_neurolorap --dev

Comandos disponibles:

• help : Mostrar comandos disponibles

• list_tools : Lista de las herramientas MCP disponibles

• collect <path> : Recopilar código de la ruta especificada

• report [path] : Generar informe de estructura del proyecto

• exit : Salir del modo desarrollador

Sesión de ejemplo:

> help
Available commands:
- help: Show this help message
- list_tools: List available MCP tools
- collect <path>: Collect code from specified path
- report [path]: Generate project structure report
- exit: Exit the terminal

> list_tools
["code_collector", "project_structure_reporter"]

> collect src
Code collection complete!
Output file: code_collection.md

> report
Project structure report generated: PROJECT_STRUCTURE_REPORT.md

> exit
Goodbye!

A través de herramientas MCP

Colección de códigos

from modelcontextprotocol import use_mcp_tool

# Collect code from entire project
result = use_mcp_tool(
 "code_collector",
 {
 "input": ".",
 "title": "My Project"
 }
)

# Collect code from specific directory
result = use_mcp_tool(
 "code_collector",
 {
 "input": "./src",
 "title": "Source Code"
 }
)

# Collect code from multiple paths
result = use_mcp_tool(
 "code_collector",
 {
 "input": ["./src", "./tests"],
 "title": "Project Files"
 }
)

Análisis de la estructura del proyecto

# Generate project structure report
result = use_mcp_tool(
 "project_structure_reporter",
 {
 "output_filename": "PROJECT_STRUCTURE_REPORT.md"
 }
)

# Analyze specific directory with custom ignore patterns
result = use_mcp_tool(
 "project_structure_reporter",
 {
 "output_filename": "src_structure.md",
 "ignore_patterns": ["*.pyc", "__pycache__"]
 }
)

Almacenamiento de archivos

El servidor utiliza un enfoque estructurado para el almacenamiento de archivos:

1. Todos los archivos generados se almacenan en ~/.mcp-docs/<project-name>/

2. Se crea un enlace simbólico .neurolora en la raíz de su proyecto que apunta a este directorio

Esto garantiza:

• Estructura de proyecto limpia

• Organización de archivos consistente

• Fácil acceso a los archivos generados

• Soporte para múltiples proyectos

• Sincronización confiable de archivos en diferentes entornos de SO

• Visibilidad rápida de archivos en IDE y exploradores de archivos

Personalización de patrones de ignoración

Cree un archivo .neuroloraignore en la raíz de su proyecto para personalizar qué archivos se ignoran:

# Dependencies
node_modules/
venv/

# Build
dist/
build/

# Cache
__pycache__/
*.pyc

# IDE
.vscode/
.idea/

# Generated files
.neurolora/

Si no existe ningún archivo .neuroloraignore , se creará uno predeterminado con patrones de ignorado comunes.

Desarrollo

1. Clonar el repositorio

2. Crear y activar entorno virtual:

python -m venv .venv
source .venv/bin/activate # On Unix
# or
.venv\Scripts\activate # On Windows

3. Instalar dependencias de desarrollo:

pip install -e ".[dev]"

4. Ejecutar el servidor:

# Normal mode (MCP server with stdio transport)
python -m mcp_server_neurolorap

# Developer mode (JSON-RPC terminal interface)
python -m mcp_server_neurolorap --dev

Pruebas

El proyecto mantiene altos estándares de calidad a través de pruebas automatizadas e integración continua:

• Conjunto de pruebas completo con más del 80 % de cobertura de código

• Pruebas automatizadas en Python 3.10, 3.11 y 3.12

• Integración continua a través de GitHub Actions

• Análisis de seguridad periódicos y comprobaciones de dependencia

Para conocer detalles sobre el desarrollo y las pruebas, consulte PROJECT_SUMMARY.md.

Calidad del código

El proyecto mantiene altos estándares de calidad de código a través de varias herramientas:

# Format code
black .

# Sort imports
isort .

# Lint code
flake8 .

# Type check
mypy src tests

# Security check
bandit -r src/
safety check

Todas estas comprobaciones se ejecutan automáticamente en las solicitudes de extracción a través de GitHub Actions.

Canalización de CI/CD

El proyecto utiliza GitHub Actions para la integración y la implementación continuas:

• Ejecuta pruebas en Python 3.10, 3.11 y 3.12

• Comprueba el formato y el estilo del código

• Realiza la verificación de tipos

• Ejecuta análisis de seguridad

• Genera informes de cobertura

• Construye y valida el paquete

• Sube artefactos de prueba

La tubería debe pasar antes de fusionar cualquier cambio.

Contribuyendo

¡Agradecemos sus contribuciones! Consulte las directrices en CONTRIBUTING.md .

Licencia

Licencia MIT. Consulte el archivo de LICENCIA para obtener más detalles.

Resources

• GitHub Repository
Need Help?Related Servers

Tools

• code_collectorC
• project_structure_reporterC