Skip to main content
Glama
Gaells

technical-impact-analyst

by Gaells
OverviewSchemaRelated ServersScoreDiscussions
Python
Remote

🎯 MCP GitHub PR — Technical Impact Analyst

Servidor MCP (Model Context Protocol) que analisa suas contribuições no GitHub e as mapeia contra o framework de competências do Andrej Karpathy Skills.

Python 3.10+ MCP License: MIT

📋 Sumário

Related MCP server: GitHub MCP Server

🔍 Visão Geral

Este servidor MCP atua como um Analista de Impacto Técnico, conectando-se à API GraphQL do GitHub para:

  1. Extrair contribuições (Commits, PRs, Reviews) de um usuário

  2. Analisar o conteúdo contra o framework Karpathy Skills

  3. Classificar o tipo e impacto arquitetural de cada contribuição

  4. Gerar relatórios executivos semanais com tradução técnico → negócio

Os 5 Pilares do Karpathy Skills

Dimensão

Descrição

Karpathy Principle

🏗️ Building from Scratch

Soluções from first principles, substituição de deps pesadas

Goal-Driven Execution

🔍 Attention to Detail

Testes, docs, commits descritivos, diffs cirúrgicos

Surgical Changes

🧠 Deep Understanding

Root cause analysis, otimização na camada certa

Think Before Coding

✨ Technical Clarity

Código simples, PRs focados, 50 linhas > 200 linhas

Simplicity First

🧩 Problem Solving

Desafios complexos, tradeoffs, soluções verificáveis

Goal-Driven Execution

🏛️ Arquitetura

O projeto segue Clean Architecture com separação clara de camadas:

mcp-github-pr/
├── server.py                          # 🚀 Entrypoint do servidor MCP
├── pyproject.toml                     # Configuração do projeto
├── .env.example                       # Template de variáveis de ambiente
│
├── src/
│   ├── domain/                        # 🟢 CAMADA DE DOMÍNIO
│   │   ├── entities.py                #   Entidades: Commit, PR, Review
│   │   ├── karpathy_skills.py         #   Modelo: Skills, Scores, Alignment
│   │   └── interfaces.py             #   Contratos: GitHubClient, Cache
│   │
│   ├── use_cases/                     # 🔵 CAMADA DE CASOS DE USO
│   │   ├── get_contribution_metrics.py
│   │   ├── analyze_karpathy_alignment.py
│   │   ├── get_architecture_impact.py
│   │   └── generate_weekly_summary.py
│   │
│   └── infrastructure/                # 🟠 CAMADA DE INFRAESTRUTURA
│       ├── github_client.py           #   Cliente GitHub GraphQL + REST
│       └── database.py               #   Cache SQLite com aiosqlite
│
└── data/                              # Cache SQLite (gitignored)
    └── cache.db

Fluxo de Dependências

Domain ← Use Cases ← Infrastructure ← Server (MCP)
  │          │              │
  │          │              ├── GitHubClient (httpx)
  │          │              └── SQLiteCache (aiosqlite)
  │          │
  │          ├── GetContributionMetrics
  │          ├── AnalyzeKarpathyAlignment
  │          ├── GetArchitectureImpact
  │          └── GenerateWeeklyImpactSummary
  │
  ├── Entities (Commit, PR, Review)
  ├── KarpathySkills (SkillCategory, SkillScore)
  └── Interfaces (ABCs)

🛠️ Ferramentas (Tools)

1. get_contribution_metrics

Retorna dados brutos de contribuição filtrados por período.

{
  "username": "choqs",
  "period": "2025-04-01 → 2025-04-30",
  "total_commits": 47,
  "total_prs": 12,
  "total_reviews": 8,
  "prs_merged": 10,
  "prs_with_tests": 7,
  "total_additions": 3421,
  "total_deletions": 1205,
  "repositories": ["org/api", "org/frontend"]
}

2. analyze_karpathy_alignment

Analisa contribuições e retorna scores 1-5 por dimensão com evidências.

{
  "overall_score": 3.8,
  "scores": {
    "Building from Scratch": {
      "score": 4,
      "level": "Proficient",
      "evidence": ["PR #42: 'Implement custom auth from scratch'"],
      "suggestions": []
    },
    "Attention to Detail": {
      "score": 3,
      "level": "Competent",
      "evidence": ["70% of PRs include test updates"],
      "suggestions": ["Update README/docs alongside code changes"]
    }
  },
  "spider_chart_data": {
    "Building from Scratch": 4,
    "Attention to Detail": 3,
    "Deep Understanding": 4,
    "Technical Clarity": 4,
    "Problem Solving": 3
  },
  "first_principles_indicators": [
    "PR #42: Replaced dependency with custom implementation"
  ]
}

3. get_architecture_impact

Classifica contribuições e avalia impacto na saúde do código.

{
  "impacts": [
    {
      "pr_number": 42,
      "contribution_type": "refactor",
      "impact_level": "high",
      "health_delta": 0.50,
      "complexity_score": 0.67,
      "first_principles": {
        "detected": true,
        "explanation": "Removed unnecessary abstraction layer"
      }
    }
  ]
}

4. generate_weekly_impact_summary

Consolida atividades da semana em um relatório executivo.

{
  "executive_summary": "During the week of May 05 to May 11, 2025...",
  "key_achievements": [
    "Merged 5 pull request(s) across 2 repositories",
    "3 PR(s) included test coverage updates"
  ],
  "business_value_translations": [
    "Improved code maintainability and reduced technical debt",
    "Delivered new functionality expanding product capabilities"
  ],
  "spider_chart_data": { ... }
}

📦 Instalação

Pré-requisitos

  • Python 3.10+

  • uv (recomendado) ou pip

Com uv (Recomendado)

# Clonar o repositório
git clone https://github.com/seu-usuario/mcp-github-pr.git
cd mcp-github-pr

# Instalar dependências
uv sync

# Copiar e configurar variáveis de ambiente
cp .env.example .env
# Edite o .env com seu GITHUB_TOKEN e GITHUB_USERNAME

Com pip

# Clonar o repositório
git clone https://github.com/seu-usuario/mcp-github-pr.git
cd mcp-github-pr

# Criar virtual environment
python -m venv .venv

# Ativar (Windows)
.venv\Scripts\activate

# Ativar (Linux/Mac)
source .venv/bin/activate

# Instalar dependências
pip install -e .

# Configurar ambiente
cp .env.example .env

Dependências de Desenvolvimento

# Com uv
uv sync --extra dev

# Com pip
pip install -e ".[dev]"

🔑 Configuração do GitHub Token

  1. Acesse GitHub Settings → Tokens

  2. Clique em "Generate new token (classic)"

  3. Selecione os escopos (scopes):

    • ✅ repo — Acesso completo a repositórios

    • ✅ read:user — Leitura de perfil do usuário

    • ✅ read:org — Leitura de organizações (se necessário)

  4. Copie o token gerado

  5. Configure no arquivo .env:

GITHUB_TOKEN=ghp_seu_token_aqui
GITHUB_USERNAME=seu_username

⚠️ Nunca commite o arquivo .env! Ele já está no .gitignore.

🔌 Registrando o Servidor

Claude Desktop

Adicione ao arquivo de configuração do Claude Desktop (claude_desktop_config.json):

Windows: %APPDATA%\Claude\claude_desktop_config.json macOS: ~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "technical-impact-analyst": {
      "command": "uv",
      "args": ["run", "--directory", "D:\\dev\\mcp-github-pr", "python", "server.py"],
      "env": {
        "GITHUB_TOKEN": "ghp_seu_token",
        "GITHUB_USERNAME": "seu_username"
      }
    }
  }
}

Alternativa com pip/python:

{
  "mcpServers": {
    "technical-impact-analyst": {
      "command": "D:\\dev\\mcp-github-pr\\.venv\\Scripts\\python.exe",
      "args": ["D:\\dev\\mcp-github-pr\\server.py"],
      "env": {
        "GITHUB_TOKEN": "ghp_seu_token",
        "GITHUB_USERNAME": "seu_username"
      }
    }
  }
}

Cursor

Adicione ao arquivo .cursor/mcp.json na raiz do seu projeto:

{
  "mcpServers": {
    "technical-impact-analyst": {
      "command": "uv",
      "args": ["run", "--directory", "D:\\dev\\mcp-github-pr", "python", "server.py"],
      "env": {
        "GITHUB_TOKEN": "ghp_seu_token",
        "GITHUB_USERNAME": "seu_username"
      }
    }
  }
}

Antigravity

Configure nas settings do Antigravity, seção MCP Servers:

{
  "technical-impact-analyst": {
    "command": "uv",
    "args": ["run", "--directory", "D:\\dev\\mcp-github-pr", "python", "server.py"],
    "env": {
      "GITHUB_TOKEN": "ghp_seu_token",
      "GITHUB_USERNAME": "seu_username"
    }
  }
}

Teste Manual

# Rodar o servidor diretamente (modo stdio)
cd D:\dev\mcp-github-pr
uv run python server.py

# Ou com o MCP Inspector
uv run fastmcp dev inspector server.py

💡 Uso

Uma vez registrado, você pode invocar as ferramentas diretamente no chat:

Exemplos de Prompts

"Mostre minhas métricas de contribuição do último mês"

"Analise meu alinhamento com o Karpathy Skills framework nos últimos 7 dias"

"Qual foi o impacto arquitetural das minhas contribuições no repositório org/api?"

"Gere um resumo executivo da minha semana para stakeholders"

"Compare meu Karpathy Score desta semana com a semana passada"

🧠 Karpathy Skills Framework

O framework é baseado nas observações de Andrej Karpathy sobre pitfalls de engenharia de software, estruturado em 4 princípios:

1. Think Before Coding

"Don't assume. Don't hide confusion. Surface tradeoffs."

Mapeado para: Deep Understanding + Problem Solving

2. Simplicity First

"Minimum code that solves the problem. Nothing speculative."

Mapeado para: Technical Clarity

3. Surgical Changes

"Touch only what you must. Clean up only your own mess."

Mapeado para: Attention to Detail

4. Goal-Driven Execution

"Define success criteria. Loop until verified."

Mapeado para: Building from Scratch + Problem Solving

Como o Score é Calculado

Cada dimensão é avaliada com heurísticas baseadas em:

Sinal

Dimensão Afetada

Efeito

PRs com testes

Attention to Detail

+1 se >80%

Commits descritivos

Attention to Detail

+1 se >70%

PRs com docs atualizados

Attention to Detail

+1 se >50%

root cause no commit msg

Deep Understanding

+1 se ≥2

Reviews substantivos

Deep Understanding

+1 se ≥3

PR size < 200 linhas

Technical Clarity

+1

Ratio deletions/additions

Technical Clarity

Evidência

First-principles patterns

Build from Scratch

+1/+2

PRs 500+ linhas

Build from Scratch

+1

Cross-cutting changes (5+ files)

Problem Solving

+1

Merge rate ≥80%

Problem Solving

Evidência

🔧 Stack Técnica

Tecnologia

Propósito

Python 3.10+

Runtime

FastMCP

SDK do Model Context Protocol

httpx

HTTP client assíncrono

aiosqlite

Cache SQLite assíncrono

Pydantic

Validação de dados

python-dotenv

Variáveis de ambiente

mypy

Type checking estrito

ruff

Linter + formatter

pytest

Testing

📄 Licença

MIT License — veja LICENSE para detalhes.

This server cannot be installed

A
license - permissive license
-
quality - not tested
C
maintenance

How are these scores calculated?

Maintenance

–Maintainers
–Response time
–Release cycle
–Releases (12mo)
Commit activity

Resources

Unclaimed servers have limited discoverability.

Looking for Admin?

If you are the server author, to access and configure the admin panel.

Latest Blog Posts

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/Gaells/mcp-github-performance-review'

If you have feedback or need assistance with the MCP directory API, please join our Discord server