gha-intel-mcp

Ein MCP-Server für die Analyse der GitHub Actions Workflow-Zeiten, Konfigurationsaudit und Einblicke in die Abrechnung.

Werkzeuge

Related MCP server: copilot-usage-mcp

Anforderungen

• Node.js >= 18 (nutzt natives fetch)

• Ein persönlicher GitHub-Zugriffstoken mit den Bereichen repo und read:org

Einrichtung

Drei Transportmodi sind verfügbar. Wählen Sie den, der zu Ihrer Bereitstellung passt:

Option A: stdio (lokal, empfohlen für Desktop-Clients)

Der Server läuft als Unterprozess des MCP-Clients über stdin/stdout. Kein Netzwerkport erforderlich.

Claude Desktop

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

{
  "mcpServers": {
    "gha-intel": {
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

Claude Code

claude mcp add gha-intel -e GITHUB_TOKEN=ghp_your_token -- npx -y @barissozudogru/gha-intel-mcp

Cursor

~/.cursor/mcp.json

{
  "mcpServers": {
    "gha-intel": {
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

Windsurf

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "gha-intel": {
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

VS Code + Copilot

.vscode/mcp.json (Arbeitsbereich) oder Benutzereinstellungen

{
  "servers": {
    "gha-intel": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

Cline

Öffnen Sie die Cline-Einstellungen, navigieren Sie zu MCP-Servern und fügen Sie hinzu:

{
  "mcpServers": {
    "gha-intel": {
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

Continue.dev

~/.continue/config.yaml

mcpServers:
  - name: gha-intel
    command: npx
    args:
      - -y
      - "@barissozudogru/gha-intel-mcp"
    env:
      GITHUB_TOKEN: ghp_your_token

Zed

~/.config/zed/settings.json

{
  "context_servers": {
    "gha-intel": {
      "command": {
        "path": "npx",
        "args": ["-y", "@barissozudogru/gha-intel-mcp"],
        "env": {
          "GITHUB_TOKEN": "ghp_your_token"
        }
      }
    }
  }
}

JetBrains (IntelliJ, PyCharm, WebStorm, etc.)

Gehen Sie zu Einstellungen > Tools > KI-Assistent > MCP und fügen Sie hinzu:

{
  "mcpServers": {
    "gha-intel": {
      "command": "npx",
      "args": ["-y", "@barissozudogru/gha-intel-mcp"],
      "env": {
        "GITHUB_TOKEN": "ghp_your_token"
      }
    }
  }
}

Option B: HTTP (Remote- oder Cloud-Clients)

Starten Sie den Server im HTTP-Modus und weisen Sie Clients an den Endpunkt:

GITHUB_TOKEN=ghp_your_token npx @barissozudogru/gha-intel-mcp --http
# Server listens on http://0.0.0.0:3000/mcp
# Health check: http://localhost:3000/health

Oder setzen Sie es über eine Umgebungsvariable anstelle des Flags:

TRANSPORT=http PORT=3000 GITHUB_TOKEN=ghp_your_token npx @barissozudogru/gha-intel-mcp

Cursor (HTTP)

~/.cursor/mcp.json

{
  "mcpServers": {
    "gha-intel": {
      "url": "http://localhost:3000/mcp"
    }
  }
}

VS Code + Copilot (HTTP)

.vscode/mcp.json

{
  "servers": {
    "gha-intel": {
      "type": "http",
      "url": "http://localhost:3000/mcp"
    }
  }
}

Windsurf (HTTP)

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "gha-intel": {
      "serverUrl": "http://localhost:3000/mcp"
    }
  }
}

Continue.dev (HTTP)

~/.continue/config.yaml

mcpServers:
  - name: gha-intel
    url: http://localhost:3000/mcp

Option C: Docker

docker build -t gha-intel-mcp .
docker run -p 3000:3000 -e GITHUB_TOKEN=ghp_your_token gha-intel-mcp

Der Container startet standardmäßig im HTTP-Modus. Richten Sie Ihren Client auf http://localhost:3000/mcp.

Werkzeugreferenz

list_workflow_performance

Rufen Sie echte Laufzeitdaten ab und berechnen Sie Statistiken auf Job-Ebene.

Ausgabe: Zeitstatistiken pro Job und Schritt (Durchschnitt, Min, Max, p95), Gesamtlaufzeit und eine Liste der letzten Lauf-Ergebnisse.

analyze_workflow_config

Analysieren und prüfen Sie eine Workflow-YAML auf Optimierungsmöglichkeiten.

Ausgabe: Ergebnisse nach Schweregrad gruppiert (kritisch / Warnung / Info / gut) über neun Kategorien, jeweils mit einer konkreten Empfehlung.

Analysierte Kategorien: Abhängigkeits-Caching, Matrix-Strategie und Fail-Fast, Nebenläufigkeitsgruppen und Abbrechen in Bearbeitung, Artefakt-Uploads, Git-Checkout-Tiefe, Job-Timeout-Minuten, Runner-Versions-Pinning, Docker-Layer-Caching und Trigger-Pfadfilter.

get_billing_usage

Rufen Sie Abrechnungs- und Cache-Verbrauchsdaten ab.

Ausgabe: Gesamtminuten, Planauslastung, geschätzte Kosten aufgeschlüsselt nach Runner-Typ (Ubuntu / macOS / Windows / große Runner) sowie Cache-Größe und Auslastungsprozentsatz pro Repository.

Umgebungsvariablen

Lizenz

MIT