gha-intel-mcp

Un servidor MCP para análisis de tiempos de flujos de trabajo de GitHub Actions, auditoría de configuración y perspectivas de facturación.

Herramientas

Related MCP server: copilot-usage-mcp

Requisitos

• Node.js >= 18

• Un token de acceso personal de GitHub con los alcances repo y read:org

Configuración

Hay tres modos de transporte disponibles. Elige el que mejor se adapte a tu despliegue:

Opción A: stdio (local, recomendado para clientes de escritorio)

El servidor se ejecuta como un subproceso del cliente MCP a través de stdin/stdout. No se requiere puerto de red.

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 (espacio de trabajo) o configuración de usuario

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

Cline

Abre la configuración de Cline, navega a Servidores MCP y añade:

{
  "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.)

Ve a Settings > Tools > AI Assistant > MCP y añade:

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

Opción B: HTTP (clientes remotos o en la nube)

Inicia el servidor en modo HTTP y apunta los clientes al endpoint:

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

O configura la variable de entorno en lugar de la bandera:

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

Opción C: Docker

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

El contenedor inicia en modo HTTP por defecto. Apunta el cliente a http://localhost:3000/mcp.

Referencia de herramientas

list_workflow_performance

Obtén datos reales de tiempo de ejecución y calcula estadísticas a nivel de trabajo.

Salida: estadísticas de tiempo por trabajo (promedio, mínimo, máximo, p95), tiempos de ejecución y conclusiones recientes de ejecución.

analyze_workflow_config

Analiza el YAML del flujo de trabajo y busca oportunidades de optimización.

Salida: Hallazgos clasificados por severidad (crítico / advertencia / informativo / bueno) en nueve categorías, cada uno con una recomendación concreta.

Categorías analizadas: caché, estrategia de matriz y fail-fast, grupos de concurrencia y cancel-in-progress, subida de artefactos, profundidad de checkout, tiempos de espera, asignación de runners, capas de caché de Docker y filtros de rutas de activación.

get_billing_usage

Obtén datos de facturación y consumo de caché.

Salida: Minutos totales usados, utilización del plan, costo estimado desglosado por tipo de runner (Ubuntu / macOS / Windows / runners grandes), además del tamaño de caché por repositorio y su porcentaje de utilización.

Variables de Entorno

Licencia

MIT