MCP HubMCP Hub
Volver a habilidades

analyze-codebase-for-mcp

pjt222
Actualizado 6 days ago
15 vistas
17
2
17
Ver en GitHub
Metawordaiapimcpdesigndata

Acerca de

Esta habilidad analiza una base de código para identificar funciones, APIs y fuentes de datos que pueden exponerse como herramientas del Model Context Protocol (MCP), generando un documento de especificación. Úsela al planificar un servidor MCP, auditar una base de código para envolver herramientas de IA, o comparar capacidades existentes con la exposición actual en MCP. Ayuda a los desarrolladores a estructurar sistemáticamente superficies de herramientas a partir de proyectos existentes.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/analyze-codebase-for-mcp

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

析庫為 MCP

掃庫識函、REST 端、命令、數源——適為 MCP 工者,出工譜文。

  • 為既有項謀 MCP 伺須知出何→用
  • 包庫為 AI 可達面前審→用
  • 比庫之能與已出 MCP 之能→用
  • 生工譜交 scaffold-mcp-server→用
  • 評三方庫值包否→用

  • :庫根路
  • :庫之言(如 TypeScript、Python、R、Go)
  • :既有 MCP 伺以比(缺析)
  • :域焦(如「數析」、「檔操」、「API 接」)
  • :薦工數上限(默 20)

一:掃庫構

1.1. 用 Glob 圖樹,注源處:

  • src/**/*.{ts,js,py,R,go,rs} 為源檔
  • **/routes/****/api/****/controllers/** 為端定
  • **/cli/****/commands/** 為命入點
  • **/package.json**/setup.py**/DESCRIPTION 為依元

1.2. 按角分檔:

  • 入點:主檔、路理、命
  • 核邏:商邏、算、轉
  • 數達:庫詢、檔 I/O、API 客
  • :助、格、驗

1.3. 計總檔、行、出符以量項大。

得:分角之檔錄。

敗:庫太大(>10000 檔)→以域焦窄掃。無源→驗根與言參。

二:識出函與端

2.1. 用 Grep 尋出函與公 API:

  • TypeScript/JavaScript:export (async )?functionexport defaultmodule.exports
  • Python:無 _ 前綴、@app.route@router
  • R:列於 NAMESPACE 或 #' @export 之函
  • Go:大寫名(按例為出)

2.2. 各候函取:

  • :函或端名
  • :參附型默
  • 返型:函出何
  • :docstring、JSDoc、roxygen、godoc
  • :檔路與行

2.3. REST API 加取:

  • HTTP 法與路紋
  • 請體規
  • 應形
  • 認需

2.4. 候列按潛用排序(公、有文、強型先)。

得:20-100 候函/端附取元。

敗:候少→擴搜含內函可公者。文稀→於出標為險。

三:評 MCP 適性

3.1. 各候按 MCP 工準評:

  • 入契清:參強型有文乎?可述於 JSON Schema 乎?
  • 出可預:返構數(JSON 可序)乎?返形一致乎?
  • 副效:改態(檔、庫、外服)乎?副效須明標
  • 冪等:可重試乎?非冪等須明警
  • 執時:合理時內完(< 30 秒)乎?長行需異模
  • 誤理:拋構誤或默敗乎?

3.2. 各候 1-5 分:

  • 5:純函、強型 I/O、有文、速、無副效
  • 4:強型、有文、小副效(如記)
  • 3:合 I/O 契但需包(如返原物)
  • 2:大副效或契不清,需大適
  • 1:不適非大重構

3.3. 濾候至 ≥3 者。標 2 分為「未來候」需重構。

得:分濾候列附各適性由。

敗:多候 <3→庫或須重構先。記缺、薦具體改(加型、出純函、包副效)。

四:設工譜

4.1. 各選候(≥3 分)擬譜:

- name: tool_name
  description: >
    One-line description of what the tool does.
  source_function: module.function_name
  source_file: src/path/to/file.ts:42
  parameters:
    param_name:
      type: string | number | boolean | object | array
      description: What this parameter controls
      required: true | false
      default: value_if_optional
  returns:
    type: string | object | array
    description: What the tool returns
  side_effects:
    - description of any side effect
  estimated_latency: fast | medium | slow
  suitability_score: 5

4.2. 工分邏類(如「數詢」、「檔操」、「析」、「設」)。

4.3. 識工間依(如 list_datasets 應於 query_dataset 前呼)。

4.4. 定工需包否:

  • 簡複參物為平入
  • 譯原返為構文或 JSON
  • 加安守(如數庫函唯讀包)

得:完整 YAML 工譜含類、依、包註。

敗:譜含糊→回二取更多源詳。型不可推→標待手察。

五:生工譜文

5.1. 書末譜文含:

  • :庫覽、言、大、析日
  • 薦工:四步全譜按類分
  • 未來候:2 分附重構薦
  • 排者:1 分附排由
  • :工依圖
  • 施註:包需、認需、傳薦

5.2. 存為 mcp-tool-spec.yml(機讀),可加 mcp-tool-spec.md(人覽)。

5.3. 若予既有 MCP 伺,加缺析段:

  • 譜中未施之工
  • 已施而譜外(或舊)
  • 譜漂之工(施異於譜)

得:完整工譜可交 scaffold-mcp-server

敗:文太大(>200 工)→分模附參。庫無適候→出「備度評」文附重構薦。

  • 標庫諸源檔皆掃
  • 候函取名、簽、返型
  • 各候有適分附書由
  • 工譜含完整參規附型
  • 各工副效明文
  • 出文為有效 YAML(任 YAML 庫可析)
  • 工名循 MCP 例(snake_case、述、獨)
  • 類與依成連貫工面
  • 予既有 MCP 伺則含缺析
  • 未來候段列 2 分所需重構步

  • 出工過多:AI 助於 10-30 焦工最善。重廣於深。抗出諸公函
  • 忽副效:「唯讀」函若寫記或快取仍有副效。以 Grep 細審檔寫、網呼、庫變
  • 設型安:動言(Python、R、JavaScript)函或無型註。由用紋與測推型,於譜標不確
  • 缺認脈:認網請所工於 MCP 無會脈或敗。察隱認依如會餅、JWT、環注證
  • 過設包:函需 50 行包乃 MCP 容→或非好候。重自然映工介之函
  • 忽誤路:MCP 工須返構誤。拋無型例之函需誤理包
  • 混內外 API:內輔函為他內呼乃劣 MCP 候。注設為外用或明界 API 之函
  • 略缺析:予既有 MCP 伺時恆比譜與今施。無缺析則重工或漏舊工

  • scaffold-mcp-server — 用譜出生 MCP 伺
  • build-custom-mcp-server — 手施伺參
  • configure-mcp-server — 接所成伺於 Claude Code/Desktop
  • troubleshoot-mcp-connection — 部後除接誤
  • review-software-architecture — 工面構察
  • security-audit-codebase — 出函外前安審

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-ultra/skills/analyze-codebase-for-mcp
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

content-collections

Meta

Esta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.

Ver habilidad

polymarket

Meta

Esta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.

Ver habilidad

creating-opencode-plugins

Meta

Esta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.

Ver habilidad

sglang

Meta

SGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.

Ver habilidad