Skip to main content
Glama
MCP Server Neurolorap

MCP Server Neurolorap

by aindreyway

Servidor MCP Neurolorap

Licencia: MIT Pruebas código decodificador

Servidor MCP que proporciona herramientas para el análisis y documentación de código.

Características

Herramienta de recopilación de código

  • Recopilar código de todo el proyecto

  • Recopilar código de directorios o archivos específicos

  • Recopilar código de múltiples rutas

  • Salida Markdown con resaltado de sintaxis

  • Generación de índices

  • Soporte para múltiples lenguajes de programación

Herramienta de generación de informes de estructura de proyecto

  • Analizar la estructura y las métricas del proyecto

  • Generar informes detallados en formato Markdown

  • Análisis del tamaño y complejidad de los archivos

  • Visualización basada en árboles

  • Recomendaciones para la organización del código

  • Patrones de ignorancia personalizables

Related MCP server: Code Snippet Server

Descripción rápida

# Using uvx (recommended)
uvx mcp-server-neurolorap

# Or using pip (not recommended)
pip install mcp-server-neurolorap

No necesitas instalar ni configurar ninguna dependencia manualmente. La herramienta configurará todo lo necesario para analizar y documentar el código.

Instalación

Necesitará tener UV >= 0.4.10 instalado en su máquina.

Para instalar y ejecutar el servidor:

# Install using uvx (recommended)
uvx mcp-server-neurolorap

# Or install using pip (not recommended)
pip install mcp-server-neurolorap

Esto automáticamente:

  • Instalar todas las dependencias necesarias

  • Configurar la integración de Cline

  • Configurar el servidor para uso inmediato

El servidor estará disponible mediante el protocolo MCP en Cline. Podrás usarlo para analizar y documentar el código de cualquier proyecto.

Uso

Modo de desarrollador

El servidor incluye un modo de desarrollador con interfaz de terminal JSON-RPC para interacción directa:

# Start the server in developer mode
python -m mcp_server_neurolorap --dev

Comandos disponibles:

  • help : Mostrar comandos disponibles

  • list_tools : Lista de las herramientas MCP disponibles

  • collect <path> : Recopilar código de la ruta especificada

  • report [path] : Generar informe de estructura del proyecto

  • exit : Salir del modo desarrollador

Sesión de ejemplo:

> help
Available commands:
- help: Show this help message
- list_tools: List available MCP tools
- collect <path>: Collect code from specified path
- report [path]: Generate project structure report
- exit: Exit the terminal

> list_tools
["code_collector", "project_structure_reporter"]

> collect src
Code collection complete!
Output file: code_collection.md

> report
Project structure report generated: PROJECT_STRUCTURE_REPORT.md

> exit
Goodbye!

A través de herramientas MCP

Colección de códigos

from modelcontextprotocol import use_mcp_tool

# Collect code from entire project
result = use_mcp_tool(
    "code_collector",
    {
        "input": ".",
        "title": "My Project"
    }
)

# Collect code from specific directory
result = use_mcp_tool(
    "code_collector",
    {
        "input": "./src",
        "title": "Source Code"
    }
)

# Collect code from multiple paths
result = use_mcp_tool(
    "code_collector",
    {
        "input": ["./src", "./tests"],
        "title": "Project Files"
    }
)

Análisis de la estructura del proyecto

# Generate project structure report
result = use_mcp_tool(
    "project_structure_reporter",
    {
        "output_filename": "PROJECT_STRUCTURE_REPORT.md"
    }
)

# Analyze specific directory with custom ignore patterns
result = use_mcp_tool(
    "project_structure_reporter",
    {
        "output_filename": "src_structure.md",
        "ignore_patterns": ["*.pyc", "__pycache__"]
    }
)

Almacenamiento de archivos

El servidor utiliza un enfoque estructurado para el almacenamiento de archivos:

  1. Todos los archivos generados se almacenan en ~/.mcp-docs/<project-name>/

  2. Se crea un enlace simbólico .neurolora en la raíz de su proyecto que apunta a este directorio

Esto garantiza:

  • Estructura de proyecto limpia

  • Organización de archivos consistente

  • Fácil acceso a los archivos generados

  • Soporte para múltiples proyectos

  • Sincronización confiable de archivos en diferentes entornos de SO

  • Visibilidad rápida de archivos en IDE y exploradores de archivos

Personalización de patrones de ignoración

Cree un archivo .neuroloraignore en la raíz de su proyecto para personalizar qué archivos se ignoran:

# Dependencies
node_modules/
venv/

# Build
dist/
build/

# Cache
__pycache__/
*.pyc

# IDE
.vscode/
.idea/

# Generated files
.neurolora/

Si no existe ningún archivo .neuroloraignore , se creará uno predeterminado con patrones de ignorado comunes.

Desarrollo

  1. Clonar el repositorio

  2. Crear y activar entorno virtual:

python -m venv .venv
source .venv/bin/activate  # On Unix
# or
.venv\Scripts\activate  # On Windows
  1. Instalar dependencias de desarrollo:

pip install -e ".[dev]"
  1. Ejecutar el servidor:

# Normal mode (MCP server with stdio transport)
python -m mcp_server_neurolorap

# Developer mode (JSON-RPC terminal interface)
python -m mcp_server_neurolorap --dev

Pruebas

El proyecto mantiene altos estándares de calidad a través de pruebas automatizadas e integración continua:

  • Conjunto de pruebas completo con más del 80 % de cobertura de código

  • Pruebas automatizadas en Python 3.10, 3.11 y 3.12

  • Integración continua a través de GitHub Actions

  • Análisis de seguridad periódicos y comprobaciones de dependencia

Para conocer detalles sobre el desarrollo y las pruebas, consulte PROJECT_SUMMARY.md.

Calidad del código

El proyecto mantiene altos estándares de calidad de código a través de varias herramientas:

# Format code
black .

# Sort imports
isort .

# Lint code
flake8 .

# Type check
mypy src tests

# Security check
bandit -r src/
safety check

Todas estas comprobaciones se ejecutan automáticamente en las solicitudes de extracción a través de GitHub Actions.

Canalización de CI/CD

El proyecto utiliza GitHub Actions para la integración y la implementación continuas:

  • Ejecuta pruebas en Python 3.10, 3.11 y 3.12

  • Comprueba el formato y el estilo del código

  • Realiza la verificación de tipos

  • Ejecuta análisis de seguridad

  • Genera informes de cobertura

  • Construye y valida el paquete

  • Sube artefactos de prueba

La tubería debe pasar antes de fusionar cualquier cambio.

Contribuyendo

¡Agradecemos sus contribuciones! Consulte las directrices en CONTRIBUTING.md .

Licencia

Licencia MIT. Consulte el archivo de LICENCIA para obtener más detalles.

Available Tools

2 tools
code_collectorC

Collect code from files into a markdown document

Inputs: input_path, title, subproject_id. Returns: result

project_structure_reporterC

Generate a report of project structure metrics

Inputs: output_filename, ignore_patterns. Returns: result

Tool Schema Changelog

Recent tool additions, removals, and schema changes observed during successful MCP inspections.

Loading tool schema changelog…

    TDQS

    B3.1/5.0

    Scored across 2 tools

    Disambiguation5/5

    The two tools have clearly distinct purposes: code_collector focuses on extracting code content into a markdown document, while project_structure_reporter generates metrics about the project's structure. There is no overlap in functionality, making it easy for an agent to choose the right tool.

    Naming Consistency5/5

    Both tools follow a consistent noun_verb pattern (code_collector and project_structure_reporter), using snake_case throughout. The naming is predictable and readable, with no deviations in style or convention.

    Tool Count2/5

    With only 2 tools, the server feels thin for a domain like project analysis or code management. This minimal set may not cover essential operations such as code analysis, dependency checking, or file manipulation, limiting its utility for broader tasks.

    Completeness2/5

    Inferred domain is project/code analysis, but the tool surface is severely incomplete. It lacks basic CRUD operations (e.g., no tools for creating, updating, or deleting files), code quality checks, or integration with version control, leaving significant gaps that could cause agent failures.

    Related MCP Connectors

    Related MCP Servers

    • A
      license
      B
      quality
      D
      maintenance
      A MCP server for managing and storing code snippets in various programming languages, allowing users to create, list, and delete snippets via a standardized interface.
      3
      7
      MIT
    • A
      license
      B
      quality
      D
      maintenance
      An MCP server that provides access to project files and their contents, allowing users to retrieve file data from specified project directories with error handling and configuration options.
      1
      5
      MIT
    • F
      license
      B
      quality
      D
      maintenance
      An MCP server that enables interaction with Markdown knowledge bases, allowing users to search and retrieve content by tags, text, URL, or date range from their local markdown files.
      7
      91
      -