Servidor MCP matizado
Un servidor de Protocolo de Contexto de Modelo (MCP) que proporciona capacidades de análisis de gráficos de llamadas a los LLM a través de la biblioteca matizada .
Descripción general
Este servidor MCP permite a los LLM comprender la estructura del código accediendo a gráficos de llamadas de función mediante herramientas y recursos estandarizados. Permite a los asistentes de IA:
Inicializar gráficos de llamadas para repositorios de Python
Explorar las relaciones de llamadas de función
Analizar dependencias entre funciones
Proporcionar asistencia de código más consciente del contexto
API
Herramientas
inicializar_gráfico
Inicializar un gráfico de código para la ruta del repositorio dada
Entrada:
repo_path
(cadena)
repositorio_de_cambio
Cambiar a un repositorio inicializado diferente
Entrada:
repo_path
(cadena)
lista_de_repositorios
Listar todos los repositorios inicializados
No se requieren entradas
obtener_gráfico_de_llamadas_a_función
Obtener el gráfico de llamadas para una función específica
Entradas:
file_path
(cadena)function_name
(cadena)repo_path
(cadena, opcional): utiliza el repositorio activo si no se especifica
analizar_dependencias
Encuentra todas las dependencias de módulos o archivos en el código base
Entradas (se requiere al menos una):
file_path
(cadena, opcional)module_name
(cadena, opcional)
analizar_el_impacto_del_cambio
Analizar el impacto de cambiar una función específica
Entradas:
file_path
(cadena)function_name
(cadena)
Recursos
gráfico://resumen
Obtener un resumen del gráfico de código cargado actualmente
No se requieren parámetros
gráfico://repo/{ruta_del_repo}/resumen
Obtenga un resumen del gráfico de código de un repositorio específico
Parámetros:
repo_path
(cadena) - Ruta al repositorio
gráfico://función/{ruta_del_archivo}/{nombre_de_la_función}
Obtenga información detallada sobre una función específica
Parámetros:
file_path
(cadena): ruta al archivo que contiene la funciónfunction_name
(cadena) - Nombre de la función a analizar
Indicaciones
función_de_análisis
Crear un mensaje para analizar una función con su gráfico de llamadas
Parámetros:
file_path
(cadena): ruta al archivo que contiene la funciónfunction_name
(cadena) - Nombre de la función a analizar
análisis de impacto
Crear un mensaje para analizar el impacto de cambiar una función
Parámetros:
file_path
(cadena): ruta al archivo que contiene la funciónfunction_name
(cadena) - Nombre de la función a analizar
mensaje de análisis de dependencias
Crear un mensaje para analizar las dependencias de un archivo o módulo
Parámetros (al menos uno requerido):
file_path
(cadena, opcional) - Ruta al archivo a analizarmodule_name
(cadena, opcional) - Nombre del módulo a analizar
Uso con Claude Desktop
Agregue esto a su claude_desktop_config.json
UV
hybrid server
The server is able to function both locally and remotely, depending on the configuration or use case.
Tools
Un servidor MCP que permite a los LLM comprender y analizar la estructura del código a través de gráficos de llamadas de funciones, lo que permite a los asistentes de IA explorar las relaciones entre funciones y analizar dependencias en los repositorios de Python.
Related Resources
Related MCP Servers
- -securityAlicense-qualityAn MCP server that analyzes codebases and generates contextual prompts, making it easier for AI assistants to understand and work with code repositories.Last updated -14MIT License
- -securityFlicense-qualityA customized MCP server that enables integration between LLM applications and documentation sources, providing AI-assisted access to LangGraph and Model Context Protocol documentation.Last updated -1
- AsecurityAlicenseAqualityAn MCP server that scans codebases to extract structural information (classes, functions, etc.) with flexible filtering options and outputs in LLM-friendly formats.Last updated -13GPL 3.0
- -securityAlicense-qualityAn MCP server that enables AI assistants to access up-to-date documentation for Python libraries like LangChain, LlamaIndex, and OpenAI through dynamic fetching from official sources.Last updated -1MIT License