ARGUS

Autonomer Repository-Wächter und vereinheitlichter Scanner

„Hundert Augen auf deine Codebasis."

Ein MCP-Server, der jedem KI-Agenten vollständiges Situationsbewusstsein über eine Codebase verschafft – Sicherheit, Qualität, Architektur, Typsicherheit, Git-Historie und toter Code – mit null Infrastruktur.

Kein Server. Keine Datenbank. Kein CI-Plugin. Keine API-Schlüssel. Keine Daten verlassen deine Maschine.

npx @cerionautomation/argus

Warum es das gibt

Frag einen KI-Assistenten: „Ist meine Codebase sicher?" – und er rät, weil er nur die Datei sehen kann, die du eingefügt hast. Er kann die anderen 400 Dateien nicht sehen, deine Tests nicht ausführen oder deine Git-Historie prüfen.

ARGUS behoben. Verbinde ihn als MCP-Server und der Agent erhält 24 Tools, die das gesamte Repository lesen, es über 10 Dimensionen bewerten und strukturiertes JSON zurückgeben, mit dem er direkt arbeiten kann.

Related MCP server: arch-viewer

ARGUS vs SonarQube

Wo SonarQube weiterhin gewinnt: 30+ Sprachen (ARGUS fokussiert sich auf TS/JS/TS/Go), Jahrzehnte der Regeloptimierung, Compliance-Zertifizierungen und Multi-Team-Dashboards mit historischem Trend-Reporting. ARGUS versucht nicht, eine Enterprise-Quality-Gate-Bereitstellung zu ersetzen – es ersetzt die Feedback-Schleife zwischen einem KI-Agenten und deinem Code.

Genauigkeit: gemessen, nicht behauptet

Die meisten Scanner ertränken dich in False Positives. ARGUS prüft jedem Befund gegen seine eigene Evidenz und weist diejenigen zurück, die nicht bestätigen.

Reales Ergebnis auf einer 99.681-zeiligen Next.js-Produktionscodebasis:

Die vier eliminierten False Positives waren:

• "select your dates" im FAQ-Fließtext als SQL-Injection-Slect markiert

• "select=accessToken" in einer REST-URL als SQL-Injection markiert

• Ein console.log als hartkodierte Zugangsdaten markiert (korrekt als Secret-Logging neu klassifiziert)

Jede Zurückweisung ist über critique_report nachvollziehbar.

Wie die Genauigkeit funktioniert

1. Multi-Gate-Erkennung. Ein SQL-Injection-Befund erfordert drei unabhängige Gates:

• Eine wohgeformte SQL-Anweisung (SELECT … FROM, nicht das Wort „select")

• Einen Query-Executor innerhalb von 2 Zeilen (.query(, $queryRaw, knex.)

• Keine URL- oder REST-Querystring

2. Entropie-Checks bei Secrets. Ein Credential muss einen bekannten Schlüsselpräfix (sk-, ghp_, AKIA, AIza) oder echte Entropie haben – gemischte Groß‑/Kleinschreibung, Ziffern, 20+ Zeichen. Interpolierte Werte, Env-Referenzen und Typdeklarationen sind ausgeschlossen.

3. Semantische Kritik. Jeder überlebende Befund wird erneut gegen die eigene erfasste Evidenz geprüft. Wenn die Evidenz die Behauptung widerspricht, wird sie mit ausdrücklicher Begründung abgelehnt.

4. Ehrliche Konfidenz. Die Konfidenzzahl zeigt den Anteil an Befunden mit der Markierung confirmed und nicht possible – kein geschöntes 100 %.

Tools (24)

Diagnose

• full_diagnose – alles auf einmal: Score, Befunde, Hotspots, Toten Code, Typen

• quantum_score – 10-dimensionale gewichtete Note (S/A/B/C/D/F), reproduzierbar

• swarm_intel – alle Scanner parallel ausführen + Kritik-Loop

• cheat_sheet – mit ~150 Token die Repository-Orientierung für einen Agenten

Security

• mawsecscanner – Secrets, SQLi, XSS, Path-Exec, schwache Kryptografie, CORS, Open Redirect, Prototype Pollution, TLS

• standards_check – OWASP Top 10, SOLID, 12-Factor, Clean Architecture

• dependency_risk – riskante Pakete, Wildcard-Versionen, fehlende Lockfile

Quality

• code_quality – leerer catch-Block, console.log, @ts-ignore, any, überdimensionierte Dateien

• type_coverage – TypeScript-Strictness-Score, Score

• memory_scan – Listener-Leaks, fehlende useEffect-Bereinigung, Timer-Leaks

• test_coverage – Abdeckungsquote, Tests ohne Assertion, übersprungene Tests

• dead_exports – exportierte Symbole, die nichts importiert

Git-Intelligenz

• git_hotspots – Dateien mit höchstem 90-Tage-Churn (Churn korreliert mit Bugs)

RAG Grounding

• rag_retrieve – BM25-Code-Retrieval, lokal, ohne API-Aufrufe

• ground_ground_finding – die vollständige umschließende Funktion & jeder Aufrufer eines Symboles

• critique_report – alle abgelehnten False Positives mit Begründung

Aktionen

• auto_diagnose – selbstheilende Schleife: Diagnose → Fix → Neuscore → Iterieren

• verify_all – Build, Lint, Tests einschließlich Ausgabe

• risk_assess – Risiko in 4 Dimensionen → Full-Autonomy-/Mixed-/Structured-Modus

• gap_analysis – fehlende CI, fehlender Linter, README fehlt, tsconfig fehlt

• search – von ripgrep untestütztpunkten, 32× schneller als grep

• think – strukturiertes Chain-of-Thought-Grundgerüst

• memory_set / memory_get – sitzübergreifende Persistenz

3 Prompts: deep_audit, production_gate, debug_root_cause 3-Ressourcen: argus://{pfad}/health, open_issues/summary, /hotspots

Installation

Claude Code

claude mcp add argus -- npx -y @cerionautomation/argus

Claude Desktop – folgendes in claude_desktop_config.json einfügen:

{
  "mcpServers": {
    "argus": {
      "command": "npx",
      "args": ["-y", "@cerionautomation/argus"]
    }
  }
}

Vom Quellcode

git clone https://github.com/CerisonAutomation/argus-mcp
cd argus-mcp && npm install && npm run build

Engineering

• Null Laufzeitabhängigkeiten außer MCP SDK und Zod

• Verdrahtungschutz auf jedem Scanner – ein Agent bleibt nie hängen

• Speichersicherer Datei-Walker – Obergrenze 30 MB gesamt / 500 KB pro Datei, mit Lazenzstart

• Bereinigte Ausführung – execFileSync mit Argument-Arrays, nie shell: true

• Strict TypeScript – exactOptionalPropertyTypes, noUncheckedIndexedAccess

• MCP Spec 2025-06-18 – Tool-Annotationen, strukturierte Inhalte, Ausgabe-Schemas

Benchmarks

Gemessen an einer Next.js- und TypeScript-Produktionscodebase mit 99.681 Zeilen / Korinlandseite:

Lizenz

MIT © Cerison Brown

Erstellt von Cerison Brown – SDET | QA Automation Engineer | AI Workflow & Systems Automation Engineer