project-analysis-mcp
Click on "Install Server".
Wait a few minutes for the server to deploy. Once ready, it will show a "Started" state.
In the chat, type
@followed by the MCP server name and your instructions, e.g., "@project-analysis-mcp这个项目的单位权限逻辑是什么?"
That's it! The server will respond to your query, and you can continue using it as needed.
Here is a step-by-step guide with screenshots.
Project Analysis MCP
一个基于 Model Context Protocol (MCP) 的项目知识管理服务器,用于在 AI 编程助手中持久化存储和检索项目分析结果。
总控开发上下文见 AGENT.md,后续开发以该文件为总纲。
🎯 项目简介
在 AI 辅助编程过程中,我们经常需要让 AI 理解项目的业务逻辑和架构设计。然而每次对话都是"从零开始",AI 无法记住之前分析过的内容。
Project Analysis MCP 解决这个问题——它将 AI 对项目的分析结果(业务总结、架构设计、功能实现、数据流等)持久化存储到本地 JSON 文件中。下次分析同一项目时,AI 可以直接检索已有知识,避免重复分析,显著提升效率。
Related MCP server: DevContext
✨ 核心特性
项目知识管理 — 创建、更新、查看已分析项目的知识库
洞察记录与检索 — 记录 AI 分析产生的业务洞察,支持按关键词、分类、标签检索
文件快照与溯源 — 自动为关联文件生成快照(mtime/size/hash),追踪知识依赖的代码
知识新鲜度检查 — 自动检测关联代码是否变化,标记过期知识,避免使用失效结论
影响范围分析 — 修改文件前分析影响范围,评估风险等级,关联受影响的知识和模块
知识版本管理 — 每条洞察支持版本号,更新时自动递增,便于追踪知识演进
自动去重 — 相似问题自动合并更新,避免知识冗余
持久化存储 — 知识以 JSON 文件形式保存在
~/.project-analysis-mcp/knowledge/目录旧数据兼容 — Schema 版本自动迁移,升级不影响已有知识
Project Analyzer — 自动静态分析 Web 项目,生成模块、页面、API、实体、权限、业务能力、状态和工作流
Workflow Generator — 自动组合 Tool,生成可编排的业务流程
Agent Runtime — 统一 LLM Provider,驱动意图理解、Tool/Workflow 选择和参数化执行
AI 操作层 Web UI — 通过自然语言对话直接操作当前项目,展示 Tool 过程、参数、确认和结果
代码搜索 — 在指定项目目录中按关键词搜索代码文件
🛠️ 提供的工具(Tools)
工具名 | 说明 |
| 分析项目并记录业务总结。首次调用创建知识库,后续调用更新业务总结 |
| 自动静态分析 Web 项目,生成或增量更新 AI 可操作 Project Knowledge |
| 获取指定项目已生成的 Project Knowledge 结构化 JSON |
| 根据业务能力生成 AI Tool 并写入 Tool Registry |
| 列出项目已注册的 AI Tool |
| 获取单个已注册 Tool 的完整定义 |
| 获取项目完整 Tool Registry JSON |
| 根据 Tool Registry 和 Project Knowledge 生成业务 Workflow |
| 列出项目已注册的 Workflow |
| 获取单个 Workflow 的完整结构化定义 |
| 获取项目完整 Workflow Registry JSON |
| 配置统一 LLM Provider,支持 OpenAI 和 OpenAI Compatible API |
| 获取当前 LLM Provider 配置(API Key 脱敏) |
| 向 Agent Runtime 发送用户消息并执行 Tool/Workflow |
| 列出 Agent 会话 |
| 获取 Agent 会话上下文 |
| 获取 Agent 执行日志 |
| 记录对项目代码的业务分析洞察(架构、功能、API、数据流等),支持分类、标签、符号、模块、API 关联,自动生成文件快照 |
| 搜索已有的洞察记录以复用历史分析,可选启用新鲜度检查(checkFreshness) |
| 获取项目的完整概览,包括业务总结、洞察统计(按分类/状态) |
| 列出所有已分析过的项目 |
| 删除指定的洞察记录 |
| 检查指定知识关联的代码是否变化,支持单条 Insight 或整个项目 |
| 扫描项目所有知识,统计有效/过期/无快照的数量 |
| 分析修改某文件的影响范围,包含直接/间接引用、关联知识(含新鲜度)、风险评分 |
| 【整合工具】一次性获取某个问题的完整上下文:搜索知识 + 检查新鲜度 + 影响分析 |
| 在项目中按关键词搜索代码文件(实验性功能) |
🤖 Project Analyzer
analyze_project_static 接收一个 Web 项目目录,自动建立 AI 可操作知识模型:
{
"project": {},
"modules": [],
"pages": [],
"apis": [],
"entities": [],
"permissions": [],
"capabilities": [],
"workflows": [],
"states": []
}它不会执行项目代码,也不会直接调用项目 API。分析结果保存在原 Project Knowledge 文件中,重复分析时按稳定 ID 增量合并。
🧰 Tool Generator
generate_project_tools 根据 Project Knowledge 中的业务能力生成 AI Tool,例如 POST /plan/create 会生成业务 Tool create_plan,而不是 post_plan_create。
每个 Tool 包含:
{
"name": "create_plan",
"description": "",
"confidence": "high",
"module": "Plan",
"businessPurpose": "",
"sourceFiles": [],
"sourceApis": [],
"sourcePages": [],
"sourceMethods": [],
"inputSchema": {},
"outputSchema": {},
"apiMapping": {},
"permission": "plan:create",
"riskLevel": "low",
"requiresConfirmation": false,
"preconditions": [],
"postconditions": [],
"relatedTools": [],
"relatedPages": []
}Tool 只描述参数映射、权限、风险、确认策略和原系统 API 调用方式;真正执行时仍调用原有业务 API,不复制业务规则,不绕过原系统权限。每个 Tool 都保留 sourceFiles、sourceApis、sourcePages、sourceMethods 和 confidence,方便人工追溯和判断可信度。
🔀 Workflow Generator
generate_project_workflows 根据 Tool Registry 和 Project Knowledge 自动组合原子 Tool。例如用户意图“创建一个明天的巡检计划并提交审批”,会生成:
create_plan → submit_plan对应 Workflow:
{
"name": "create_and_submit_plan",
"confidence": "high",
"sourceTools": ["create_plan", "submit_plan"],
"sourcePages": [],
"steps": [
{
"tool": "create_plan",
"output": "plan"
},
{
"tool": "submit_plan",
"input": {
"planId": "$plan.id"
}
}
]
}Workflow 使用结构化定义,不写死执行代码。支持条件分支、参数传递、前置条件、失败处理、用户确认、暂停等待输入和继续执行,并保留 confidence、sourceTools、sourcePages 来源信息。
🤖 Agent Runtime
Agent Runtime 使用统一 LLMProvider 接入 OpenAI 或任意 OpenAI Compatible API:
{
"provider": "openai-compatible",
"baseURL": "https://api.example.com/v1",
"apiKey": "your-key",
"model": "your-model"
}执行流程:
User → Agent → LLM → Tool/Workflow Selection
→ Parameter Validation → Permission → Confirmation
→ Tool Execution → Result → LLM → UserAgent Runtime 支持:
多轮对话和会话上下文
LLM Tool Call
多 Tool 连续调用
Workflow 编排
参数缺失询问
用户确认
权限检查
错误重试
执行日志
🖥️ AI 操作层 Web UI
访问 http://127.0.0.1:9527/ai.html 进入 AI 操作层。
界面能力:
自然语言对话操作当前项目
Tool/Workflow 执行过程展示
Tool 参数展示
用户确认/取消
执行结果表格和错误提示
会话历史与执行历史
AI UI 不复制原系统业务页面;复杂页面仍通过后续 open_page / open_detail / navigate 类能力跳转到原系统页面。
📦 安装
前置条件
Node.js >= 18
npm
安装步骤
# 1. 克隆或下载项目
cd project-analysis-mcp
# 2. 安装依赖
npm install🚀 使用方式
在 AI 客户端中配置
本 MCP 服务器使用 stdio 传输协议。需要在你的 AI 客户端(如 Claude Desktop、Cursor、Codex 等)的 MCP 配置文件中添加以下配置:
{
"mcpServers": {
"project-analysis": {
"command": "npx",
"args": [
"tsx",
"/path/to/project-analysis-mcp/src/index.ts"
]
}
}
}请将
/path/to/project-analysis-mcp替换为你的实际项目路径。
开发调试
# 启动开发服务器
npm run dev
# 启动 Web 查看界面
npm run web
# 运行测试
npm testWeb 查看界面
Web 界面直接读取 ~/.project-analysis-mcp/knowledge/ 中的知识 JSON,不依赖 MCP stdio 连接。默认监听 0.0.0.0:9527,本机访问 http://127.0.0.1:9527。
主要功能:
左侧展示已分析的项目列表,右侧展示业务总结和洞察记录
顶部支持跨项目模糊搜索,命中结果按项目分组展示
侧栏收起后显示项目名称首字,便于快速区分不同应用
窄屏下自动切换为顶部横向项目列表布局
# 自定义端口
PORT=8080 npm run web
# 仅本机访问
HOST=127.0.0.1 npm run web界面截图



📖 使用流程
详细的使用示例和配置方法请参考:
examples/usage-examples.md — 基本用法和配置示例
examples/real-usage-records.md — 真实项目使用记录(分级管控、智能巡视)
基本流程:
让 AI 分析项目 → 自动创建知识库
提出具体问题 → AI 记录洞察并生成文件快照
再次提问 → AI 检索已有洞察,避免重复分析
查看概览 → 了解项目积累的分析成果
🔄 V2 集成工作流
V2 版本(v5.0.0)实现了完整的"代码 → 依赖关系 → 知识 → 新鲜度 → 影响分析"闭环。
场景一:复用历史知识
用户问:"这个项目的单位权限逻辑是什么?"
AI 决策流程:
├── search_insights("单位权限")
├── 找到历史知识
├── checkFreshness: true(启用新鲜度检查)
├── 🟢 fresh → 直接复用历史结论
└── 🔴 stale → 告诉用户"历史知识存在,但关联代码已变化,需要重新验证"
└── 重新分析代码 → record_insight 更新知识场景二:分析变更影响
用户问:"修改 unit.js 会影响什么?"
AI 决策流程:
├── analyze_impact("src/store/unit.js")
├── 得到:直接引用 12 个文件、间接影响 27 个文件
├── 关联知识 6 条
├── 风险评分 HIGH (62/100)
└── 建议:修改前请重点关注这些模块和页面场景三:完整上下文查询
用户问:"这个项目的单位逻辑是什么?最近有没有变化?修改会影响哪些页面?"
AI 决策流程:
├── get_full_context({
│ projectName: "分级管控",
│ question: "单位逻辑",
│ targetFile: "src/store/unit.js"
│ })
├── Part 1: 搜索知识 + 检查每条知识的新鲜度
├── Part 2: 影响范围分析(含关联知识的新鲜度)
└── Part 3: 建议后续操作🤖 AI Agent 工作流
MCP 不会自己调用大模型。MCP 负责提供数据,AI Agent 负责决策。
职责边界
角色 | 职责 |
MCP | 查代码、查依赖、查知识、查新鲜度、保存知识 |
AI Agent | 理解问题、判断是否需要重新分析、综合结果、生成新知识 |
AI 决策树
用户提问
│
├── search_insights(搜索历史知识)
│ │
│ ├── 找到知识 + checkFreshness
│ │ │
│ │ ├── 🟢 fresh → 直接复用,回答问题
│ │ │
│ │ └── 🔴 stale → 警告用户
│ │ │
│ │ ├── analyze_project / search_code(重新分析)
│ │ │
│ │ └── record_insight(更新知识,重置 fresh 状态)
│ │
│ └── ⚪ unknown(旧知识无快照)→ 可选更新以补充快照
│
└── 未找到知识
│
├── search_code / analyze_project(分析代码)
│
└── record_insight(记录新知识,附带 relatedFiles)修改代码时的决策树
用户问"修改 X 会影响什么?"
│
├── analyze_impact(X)
│ │
│ ├── 直接引用文件列表
│ ├── 间接影响文件列表
│ ├── 关联模块 / API
│ ├── 关联历史知识(含新鲜度)
│ └── 风险评分(可解释)
│
└── AI 综合判断
│
├── 低风险 → 可以安全修改
├── 中风险 → 建议重点测试相关模块
└── 高风险 → 建议分步修改,逐步验证🔍 知识新鲜度(P0-2)
当代码发生变化时,系统可以自动检测历史知识是否仍然可信。
检查策略
采用两层检查,避免不必要的 hash 计算:
第一层(快速):比较 mtime + size
└── 没有变化 → ✅ fresh
└── 有变化 → 进入第二层
第二层(精确):计算 SHA-256 hash
└── hash 相同 → ✅ fresh(mtime 变化但内容没变,如 touch)
└── hash 不同 → 🔴 stale(代码确实变了)新鲜度状态
状态 | 含义 | 说明 |
🟢 fresh | 代码未变化 | 知识仍然可信 |
🔴 stale | 代码已变化 | 知识需要重新验证 |
⚪ unknown | 无快照 | 旧知识没有快照,无法判断 |
使用方式
检查单条知识:
帮我检查一下"单位权限逻辑"这条知识的代码有没有变→ AI 调用 check_knowledge_freshness,返回详细的文件变化报告
扫描整个项目:
帮我看看这个项目的所有知识,有哪些需要更新→ AI 调用 refresh_project_knowledge,输出完整的统计报告
搜索时附带新鲜度检查:
搜索认证相关的知识,顺便检查一下代码有没有变→ AI 调用 search_insights 并设置 checkFreshness: true
重要说明
代码变化 ≠ 知识错误:stale 只表示关联代码有变化,不代表知识一定失效
不自动重新分析:系统只标记状态,由用户决定是否重新分析
不扫描整个项目:只检查每条 Insight 实际关联的文件
不依赖 Git:基于文件本身的 mtime/size/hash 判断
旧知识兼容:没有快照的旧知识标记为 unknown,不会被误判为过期
📸 文件快照
当 record_insight 指定了 relatedFiles 时,系统会自动为这些文件生成快照:
path — 归一化后的绝对路径
size — 文件大小(字节)
mtime — 最后修改时间(ISO 字符串)
hash — SHA-256 哈希值(仅对 < 1MB 的非二进制文件生成)
快照特性:
只针对
relatedFiles中的文件生成,不会扫描整个项目相对路径基于
projectPath自动解析重复路径自动去重
不存在的文件静默跳过
二进制文件(图片、字体、压缩包等)仅记录 mtime + size,不生成 hash
💥 影响范围分析(P0-3)
在修改代码前,可以分析该文件的影响范围,评估变更风险。
分析内容
维度 | 说明 |
直接引用 | 哪些文件直接 import/require 了目标文件 |
间接影响 | 通过依赖链间接影响的文件 |
相关模块 | 从知识库中关联的业务模块 |
相关 API | 从知识库中关联的 API 端点 |
相关知识 | 依赖该文件的 Insight 记录(含新鲜度状态) |
风险评分 | 可解释的 0-100 分风险评分 |
风险评分规则
采用可解释的规则评分,每个因素有明确的权重:
因素 | 权重 | 说明 |
直接引用 | +3/个 | 每个直接引用文件 |
间接影响 | +1/个 | 每个间接影响文件 |
相关知识 | +5/条 | 每条关联的 Insight |
过期知识 | +8/条 | 每条 stale 状态的 Insight |
相关 API | +10/个 | 每个关联的 API 端点 |
相关模块 | +2/个 | 每个关联的业务模块 |
分数 | 风险等级 |
0-19 | 🟢 low |
20-49 | 🟡 medium |
50-79 | 🟠 high |
80-100 | 🔴 critical |
使用方式
帮我分析一下修改 store/unit.js 会影响什么→ AI 调用 analyze_impact,返回:
🎯 影响分析: unit.js
📁 文件: src/store/unit.js
🟠 风险等级: HIGH (62/100)
原因:
- 12 个文件直接引用
- 8 个文件间接依赖
- 6 条项目知识相关(其中 2 条已过期)
- 2 个 API 端点相关
📍 直接影响 (12 个文件):
- ../views/unit/list.vue
- ../views/unit/detail.vue
...
💡 相关知识 (6 条):
🟢 [feature] 责任田模块的派工策略 (v2, fresh)
🔴 [data_flow] 工单数据流 (v1, stale)
...
📊 知识新鲜度: 🟢 有效 4 | 🔴 需验证 2 | ⚪ 无快照 0依赖解析能力
类型 | 支持 |
ES6 import | ✅ |
CommonJS require | ✅ |
动态 import | ✅ |
别名路径 | ✅ |
扩展名推断 | ✅ |
index 文件 | ✅ |
Vue 组件 | ✅ |
循环依赖 | ✅ 自动去重,不会死循环 |
外部包 | ⏭️ 跳过 |
安全限制
maxDepth — 默认 5,防止链式依赖无限扩展
maxNodes — 默认 100,防止公共文件导致全项目扫描
可通过
analyze_impact参数调整
🗂️ 数据存储
知识库文件默认保存在:
~/.project-analysis-mcp/knowledge/每个项目对应一个独立的 JSON 文件(以项目名称命名),数据结构如下:
{
"name": "项目名称",
"projectPath": "/absolute/path/to/project",
"businessSummary": "AI 生成的业务总结",
"createdAt": "2026-01-01T00:00:00.000Z",
"lastUpdated": "2026-01-01T00:00:00.000Z",
"schemaVersion": 2,
"insights": [
{
"id": "unique-id",
"question": "用户提出的问题",
"answer": "AI 分析的结果",
"category": "architecture",
"tags": ["认证", "JWT"],
"relatedFiles": ["src/auth/index.ts"],
"relatedSymbols": ["AuthService", "JwtToken"],
"relatedModules": ["auth"],
"relatedApis": ["POST /api/auth/login"],
"fileSnapshots": [
{
"path": "/absolute/path/src/auth/index.ts",
"size": 1234,
"mtime": "2026-01-01T00:00:00.000Z",
"hash": "a1b2c3d4e5f6..."
}
],
"status": "active",
"lastVerifiedAt": "2026-01-01T00:00:00.000Z",
"version": 1,
"createdAt": "2026-01-01T00:00:00.000Z",
"updatedAt": "2026-01-01T00:00:00.000Z"
}
]
}📁 项目结构
project-analysis-mcp/
├── src/
│ ├── index.ts # MCP 服务器入口,注册所有工具
│ ├── analyzer/
│ │ ├── project-analyzer.ts # Project Analyzer 编排与增量合并
│ │ ├── parsers.ts # 框架/路由/页面/API/Store/权限/状态解析
│ │ ├── infer.ts # 业务能力、工作流推断
│ │ ├── types.ts # Project Knowledge 结构化模型
│ │ └── utils.ts # 稳定 ID 和工具函数
│ ├── tools/
│ │ ├── projectAnalyzer.ts # analyze_project_static / get_project_analysis
│ │ ├── toolRegistry.ts # Tool 生成与 Registry MCP 工具
│ │ ├── workflowRegistry.ts # Workflow 生成与 Registry MCP 工具
│ │ └── searchCode.ts # 代码搜索工具(实验性)
│ ├── registry/
│ │ ├── tool-generator.ts # ToolDefinition 生成逻辑
│ │ ├── tool-registry.ts # Tool Registry 持久化
│ │ └── types.ts # Tool / Registry 数据模型
│ ├── workflow/
│ │ ├── workflow-generator.ts # Workflow 推断和结构化定义
│ │ ├── workflow-store.ts # Workflow Registry 持久化
│ │ └── types.ts # Workflow 数据模型
│ ├── agent/
│ │ ├── agent-runtime.ts # Agent 对话编排
│ │ ├── session-store.ts # Agent 会话持久化
│ │ ├── log-store.ts # 执行日志
│ │ ├── tool-executor.ts # 原系统 API 执行器
│ │ ├── workflow-executor.ts # Workflow 执行器
│ │ └── types.ts # Agent 数据模型
│ ├── provider/
│ │ ├── llm-provider.ts # OpenAI Compatible LLMProvider
│ │ └── config-store.ts # LLM Provider 配置
│ └── utils/
│ ├── knowledge-store.ts # 知识存储核心逻辑 + 数据迁移
│ ├── scanner.ts # 文件扫描 + 快照生成
│ ├── freshness.ts # 知识新鲜度检查(P0-2)
│ ├── dependency-graph.ts # 依赖图构建与分析(P0-3)
│ └── impact-analyzer.ts # 影响范围分析器(P0-3,含知识新鲜度集成)
├── tests/
│ ├── test-p0-1.ts # P0-1 单元测试:知识模型(16 项)
│ ├── test-p0-2.ts # P0-2 单元测试:新鲜度检查(13 项)
│ ├── test-p0-3.ts # P0-3 单元测试:影响分析(18 项)
│ ├── test-project-analyzer.ts # Project Analyzer 测试(2 项)
│ ├── test-tool-generator.ts # Tool Generator / Registry 测试(2 项)
│ ├── test-workflow-generator.ts # Workflow Generator 测试(2 项)
│ ├── test-agent-runtime.ts # Agent Runtime 测试(3 项)
│ ├── test-integration.ts # 集成测试:完整闭环场景(10 项)
│ └── test-review-fixes.ts # 回归测试(15 项)
├── examples/
│ ├── usage-examples.md # 基本用法和配置示例
│ └── real-usage-records.md # 真实项目使用记录
├── web/
│ ├── index.html # Web 页面入口
│ ├── app.js # Web 交互逻辑
│ ├── styles.css # Web 界面样式
│ ├── ai.html # AI 操作层页面
│ ├── ai.js # AI 操作层交互
│ └── ai.css # AI 操作层样式
├── docs/
│ └── screenshots/ # Web 界面截图
├── CHANGELOG.md # 更新日志
├── package.json
├── tsconfig.json
└── README.md🔧 技术栈
TypeScript — 主要开发语言
@modelcontextprotocol/sdk — MCP 协议 SDK
Zod — 参数校验
tsx — TypeScript 运行器
🧪 测试
# 运行全部测试(81 项)
npm test
# TypeScript 类型检查
npx tsc --noEmit测试覆盖:
P0-1 知识模型:16 项(快照生成、旧数据迁移、字段去重等)
P0-2 新鲜度检查:13 项(文件未变、mtime 变内容不变、内容变化、文件删除等)
P0-3 影响分析:18 项(简单依赖、链式依赖、循环依赖、风险评分等)
Project Analyzer:2 项(结构化知识生成、增量合并)
Tool Generator / Registry:2 项(业务 Tool 生成、增量注册)
Workflow Generator:2 项(Tool 组合、条件分支)
Agent Runtime:3 项(Tool 执行、确认、Workflow 连续调用)
集成测试:10 项(完整闭环、并发安全、端到端流程等)
回归测试:15 项(路径归一化、路径穿越防护、批量更新、相似度收紧、原子写入等)
📄 License
ISC
🧪 测试统计
总计: 81 项测试
P0-1 知识模型: 16 项(快照生成、旧数据迁移、字段去重等)
P0-2 新鲜度检查: 13 项(文件未变、mtime 变内容不变、内容变化、文件删除等)
P0-3 影响分析: 18 项(简单依赖、链式依赖、循环依赖、风险评分等)
Project Analyzer: 2 项(结构化知识生成、增量合并)
Tool Generator / Registry: 2 项(业务 Tool 生成、增量注册)
Workflow Generator: 2 项(Tool 组合、条件分支)
Agent Runtime: 3 项(Tool 执行、确认、Workflow 连续调用)
集成测试: 10 项(完整闭环、并发安全、端到端流程等)
回归测试: 15 项(路径归一化、路径穿越防护、批量更新、相似度收紧、原子写入等)
运行测试:
npm test📊 版本历史
完整变更记录请查看 CHANGELOG.md。
v5.7.0 (当前版本) - AI 操作层 Web UI
✨ 新增
/ai.htmlAI 操作层页面💬 支持自然语言对话、项目选择、会话历史
🧰 展示 Tool/Workflow 执行过程、参数、结果表格和错误提示
🔐 支持用户确认和取消
📋 展示执行日志与历史会话
🔗 从知识库页面可直接进入 AI 操作层
v5.6.0 - Business Semantics + Confidence + Provenance
✨ Capability/Tool/Workflow/Permission 增加
confidence: high | medium | low🔍 可明确从代码确认的映射标记为
high,推断关系标记为medium,无法确认标记为low🧾 Tool 增加
sourceFiles、sourceApis、sourcePages、sourceMethods溯源字段🔀 Workflow 增加
confidence、sourceTools、sourcePages来源信息🧪 增强 Tool/Workflow 溯源测试
v5.5.0 - Agent Runtime
✨ 新增统一
LLMProvider,支持 OpenAI / OpenAI Compatible API✨ 新增
configure_llm_provider、agent_chat、会话和日志工具🤖 Agent 自动完成意图理解、Tool/Workflow 选择、参数校验、权限检查、确认和执行
💬 支持多轮对话、上下文、Tool Call、多 Tool 连续调用、Workflow 编排和错误重试
📋 执行日志独立持久化,便于审计和调试
🧪 新增 Agent Runtime 测试,测试总数增加到 81 项
v5.4.0 - Workflow Generator
✨ 新增
generate_project_workflows、list_registered_workflows、get_registered_workflow、get_workflow_registry🔀 自动识别连续 Tool 调用、状态流转、页面按钮顺序、API 关系和参数依赖
🧩 生成
create_and_submit_plan这类结构化组合流程📋 Workflow 支持条件分支、参数传递、用户确认、暂停等待输入和继续执行
🗂️ Workflow Registry 独立持久化,支持版本保留和增量注册
🧪 新增 Workflow Generator 测试,测试总数增加到 78 项
v5.3.0 - Business Capability → Tool Generator
✨ 新增
generate_project_tools、list_registered_tools、get_registered_tool、get_tool_registry🧰 根据业务能力生成
create_plan这类业务语义 Tool,而非 API 方法名📋 Tool 包含 inputSchema、outputSchema、apiMapping、权限、风险等级、确认策略、前置/后置条件和关联页面
🔐 保留原系统 API 真实调用方式,不复制业务逻辑,不绕过原系统权限
🗂️ Tool Registry 独立持久化,支持版本保留和增量注册
🧪 新增 Tool Generator 测试,测试总数增加到 76 项
v5.2.0 - Project Analyzer
✨ 新增
analyze_project_static自动静态分析工具✨ 新增
get_project_analysis结构化知识读取工具🧩 识别项目框架、路由、页面、Components、API 层、Store、权限、数据模型和配置文件
🔄 从页面按钮、方法、API、参数和状态推断业务能力与工作流
📦 Project Knowledge 结构化保存,重新分析时增量合并,不覆盖已有知识
🧪 新增 Project Analyzer 测试,测试总数增加到 74 项
v5.1.0 - 健壮性与性能优化
🔧 修复 3 个 Critical 问题(C1/C2/C3)
🔧 修复 3 个 High 问题(H1/H3/H4)
🔧 修复 5 个 Medium 问题(M2/M3/M5/M6/M7/M8)
🔧 修复 4 个 Low 问题(L1/L2/L3/L4)
🔧 3 个额外优化(M4/L7/M1)
🧪 新增 15 项回归测试
📊 测试总数从 57 项增加到 72 项
v5.0.0 - P0-3 影响范围分析
✨ 新增
analyze_impact工具✨ 新增
get_full_context整合工具✨ 实现依赖图构建和 BFS 遍历
✨ 实现风险评分算法
✨ 集成 P0-1 和 P0-2,形成完整闭环
v4.0.0 - P0-2 知识新鲜度
✨ 新增
check_knowledge_freshness工具✨ 新增
refresh_project_knowledge工具✨ 实现文件快照和新鲜度检查
✨
search_insights支持checkFreshness参数
v3.0.0 - P0-1 知识模型升级
✨ Insight 新增
relatedSymbols、relatedModules、relatedApis、fileSnapshots、status、lastVerifiedAt、version字段✨ 实现文件快照生成(mtime/size/hash)
✨ 实现 Schema 版本自动迁移
✨ 旧数据兼容
v1.0.0 - 初始版本
✨ 基础项目分析功能
✨ Insight 记录和搜索
✨ JSON 持久化
This server cannot be installed
Maintenance
Resources
Unclaimed servers have limited discoverability.
Looking for Admin?
If you are the server author, to access and configure the admin panel.
Related MCP Connectors
Persistent memory and cross-session learning for AI coding assistants (hosted remote MCP).
Persistent personal memory for AI assistants — save, search, and recall across every MCP client.
Your memory, everywhere AI goes. Build knowledge once, access it via MCP anywhere.
Persistent, portable memory for AI assistants — your private memory graph, from any MCP client.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceA local MCP server providing persistent memory for AI coding assistants by storing and searching architectural decisions, patterns, and solutions. It also includes tools for git automation and mapping codebase expertise based on project history.MIT
- AlicenseNot gradedqualityDmaintenanceAn autonomous MCP server providing project-centric context awareness through keyword analysis, relationship graphs, and structured metadata retrieval. It enables intelligent codebase understanding and task management workflows by continuously learning from development patterns and conversations.3447MIT
- FlicenseNot gradedqualityNot gradedmaintenanceAn MCP server that provides persistent project context, workflow management, and knowledge capture for AI coding agents. It enables agents to maintain structured memory across sessions by tracking project profiles, conventions, skills, and technical debt.7
- AlicenseNot gradedqualityDmaintenanceAn MCP server that provides persistent, cross-session memory and team knowledge sharing for AI development workflows. It enables project DNA scanning, semantic search, context budgeting, and git-aware indexing to prevent AI context loss between sessions.19MIT
Latest Blog Posts
- Who's Calling? MCP Hosts Are an Identity Blind Spot (And the Spec Knows It)By Om-Shree-0709 on .mcpAgent IdentityOAuth 2.1
- Your AI Chatbot Just Exposed Your CEO's Salary to an InternBy Om-Shree-0709 on .Agent IdentityMCP SecurityOAuth Delegation
- Why MCP Servers Need Execution Sandboxing (And Why Your Current Stack Isn't Enough)By Om-Shree-0709 on .Agentic AiPrompt InjectionWebAssembly
MCP directory API
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/Blues-web/roject-Analysis-MCP'
If you have feedback or need assistance with the MCP directory API, please join our Discord server