Game OCP MCP

A local-first control room for AI-assisted game production

English · Türkçe

English

Why it exists

AI agents can accelerate game production, but they can also invent malformed level data, omit localization keys, introduce frame-loop allocations, leave background processes running, or claim a prompt is “better” without evidence. Game OCP MCP places deterministic checks at those hand-off points.

It is designed for a solo developer’s laptop, a shared Mac mini, or a Linux VM: run the tools locally, expose the content checks to an MCP client, inspect results in a browser, and enforce the same rules in GitHub Actions.

One system, five safety layers

flowchart LR
  agent[AI agent or game team] --> content[Game content\nlevels · locales · generated copy]
  agent --> unity[Unity C# changes]
  agent --> processes[Local agent processes\nand logs]
  agent --> prompts[Skill / system-prompt changes]

  content --> mcp[Game OCP MCP\nBalance · Localization · Agent Evals]
  unity --> guard[Unity Guard\nstatic runtime rules]
  processes --> monitor[Agent Monitor\nresources · watchdog · log audit]
  prompts --> evals[Skill Eval CI\nfixtures · assertions · delta]

  mcp --> dashboard[Local web dashboard]
  guard --> dashboard
  monitor --> dashboard
  evals --> github[GitHub PR report]

Toolkit at a glance

Quick start

Requirements: Node.js 20+ and npm. The process monitor supports macOS and Linux.

git clone https://github.com/imozkandev/game-ocp-mcp.git
cd game-ocp-mcp
npm ci
npm run build

Run the local verification suite:

npm test
npm run test:balance
npm run test:loc
npm run test:unity-guard
npm run test:eval

To make the packaged CLIs available in your shell:

npm link

Use the local web dashboard

The dashboard is the fastest way to explore every capability without remembering commands.

npm run web

Open http://127.0.0.1:3000. The six tabs expose balance, localization, agent evals, Unity Guard, Agent Monitor, and Skill Eval CI. Each tab explains its own checks, ships with a safe local example, and returns structured findings in the result panel.

The Settings button stores optional OpenAI and Anthropic keys only in the current browser session. The current toolkit does not send or use these keys; they are reserved for future AI-assisted workflows.

Connect the MCP server

The stdio MCP server exposes three content-validation tools to compatible AI clients:

Build first, then use an absolute path to dist/index.js.

Claude Code

claude mcp add game-OCP -- node "$(pwd)/dist/index.js"

Cursor — add this to ~/.cursor/mcp.json:

{
  "mcpServers": {
    "game-OCP": {
      "command": "node",
      "args": ["/absolute/path/to/game-ocp-mcp/dist/index.js"]
    }
  }
}

CLI workflows

Unity Guard — stop frame-loop regressions

# Demonstrates allocation, LINQ, lookup, scene-search, and public-field findings
unity-guard lint examples/BadPlayerController.cs

# Optimized reference implementation; exits 0
unity-guard lint examples/CleanPlayerController.cs

# Add the lint step to this repository's pre-commit hook
unity-guard init-hook

Unity Guard searches Update, LateUpdate, and FixedUpdate blocks. It highlights string concatenation, new, LINQ usage, GetComponent, Find, and unsafe public Inspector fields with a file, line, rule name, and agent-oriented fix recommendation.

unity-guard lint examples/BadPlayerController.cs

warning BadPlayerController.cs:13 gc-string-concatenation-in-frame-loop
Avoid allocating concatenated strings every frame. Cache or update only when input changes.

warning BadPlayerController.cs:16 component-lookup-in-frame-loop
Cache GetComponent<T>() in Awake or Start and reuse the reference.

Agent Monitor — see local work before it becomes invisible

agent-mon list
agent-mon watch --interval 2
agent-mon audit /path/to/agent/logs

It filters matching claude, cursor, codex, mcp, and python processes, then shows PID, CPU, memory, and uptime. The log auditor counts RateLimit, ContextWindowExceeded, and ECONNREFUSED patterns. The watchdog module can raise alarms for sustained high CPU or unavailable metrics and can optionally terminate a process only when explicitly enabled.

agent-mon · scanned 10:42:16
PID     AGENT   CPU    MEMORY    UPTIME    COMMAND
42107   codex   92.4%  638.5 MB  00:12:48 codex
43188   python  14.8%  182.1 MB  01:03:12 python worker.py

Skill Eval CI — prove that a skill improved

The sample word-puzzle skill has a deliberately loose v1 prompt and a constrained v2 prompt. Resolved fixtures are evaluated with JSON, schema, length, and keyword assertions. The comparator makes a prompt change reviewable instead of subjective.

# Produce a candidate result and Markdown report
node dist/cli.js run \
  --dataset evals/datasets/resolved-smoke.json \
  --output-json artifacts/current.json \
  --output-md artifacts/current.md

# Compare it to the committed v1 baseline
node dist/cli.js compare \
  --baseline evals/baselines/word-puzzle-v1.result.json \
  --candidate artifacts/current.json \
  --output-md artifacts/comparison.md

Pass Rate: 50% -> 100% (+50%, improvement).
json-contract: 0% -> 100% (+100%)
forbidden-copy: 100% -> 100% (+0%)

CI and GitHub Actions

No CLI is required: open the repository’s Actions tab and choose Run workflow. For terminal use, authenticate once with gh auth login, then:

gh workflow run "Studio AI Toolkit CI & Evals" --repo imozkandev/game-ocp-mcp
gh workflow run "Standalone skill eval report" --repo imozkandev/game-ocp-mcp --field pr_number=123

Example PR comment:

Architecture

src/
├── index.ts                 MCP stdio server
├── tools/                   balance, localization, and generated-content checks
├── engine/                  Unity rules, file scanner, eval assertions, runner, comparator
├── scanner/                 process and agent-log scanners
├── guard/                   optional resource watchdog
├── reporters/               PR-comment Markdown renderer
├── agent-mon-cli.ts         local agent-monitor CLI
├── unity-guard-cli.ts       Unity static-analysis CLI
└── cli.ts                   skill-eval CLI

web/                         six-tab local dashboard
examples/                    intentionally good and bad sample data
skills/                      v1 and v2 word-puzzle prompts
evals/                       deterministic datasets and committed baselines
.github/workflows/           CI and manual benchmark workflows

Local-first safety model

• Content checks, Unity scans, process discovery, and log analysis run on the current machine.

• The web dashboard keeps optional credentials in sessionStorage; it does not transmit them to the local validator API.

• Skill evals use captured/resolved fixtures and deterministic rules, not a paid hosted model.

• Process termination is off by default; the watchdog must be explicitly configured before it can call killProcess.

Contributing

1. Fork the repository and create a focused branch.

2. Add or adjust a fixture in examples/ or evals/ when changing behavior.

3. Run npm run build and the relevant npm run test:* command.

4. Open a pull request; GitHub Actions will publish the suite outcome.

License

MIT

Related MCP server: Animal Map Vision MCP

Türkçe

Projenin amacı

Game OCP MCP, yapay zekâ ile hızlanan oyun üretim sürecinde ortaya çıkan hataları daha yayınlanmadan yakalayan, yerel öncelikli bir araç setidir. Amaç yalnızca tek bir JSON dosyasını kontrol etmek değil; içerik kalitesinden Unity performansına, ajan süreçlerinden prompt regresyonlarına kadar üretim hattının kritik noktalarını görünür ve ölçülebilir yapmaktır.

Bir ajan yanlış seviye dengesi üretebilir, çeviri anahtarını atlayabilir, Update() içine maliyetli kod ekleyebilir veya iyileştirilmiş görünen bir promptun gerçekte daha kötü sonuç vermesine neden olabilir. Bu repo, bu riskleri deterministik kurallarla denetler.

Neleri içerir?

Kurulum

Node.js 20+ ve npm gerekir.

git clone https://github.com/imozkandev/game-ocp-mcp.git
cd game-ocp-mcp
npm ci
npm run build

Tüm temel kontrolleri yerelde çalıştırmak için:

npm test
npm run test:balance
npm run test:loc
npm run test:unity-guard
npm run test:eval

Komutları global shell kullanımı için açmak isterseniz:

npm link

Web arayüzü

npm run web

Ardından http://127.0.0.1:3000 adresini açın. Altı sekmeli panel tüm araçları aynı ekranda sunar: Balance Lint, Localization Audit, Agent Evals, Unity Guard, Agent Monitor ve Skill Eval CI.

• Her sekmede aracın neyi kontrol ettiği anlatılır.

• examples/ altındaki güvenli örneklerle hemen deneyebilirsiniz.

• Sonuç paneli, özet bulguları ve ham JSON çıktısını gösterir.

• Settings alanındaki isteğe bağlı API anahtarları yalnızca tarayıcı oturumunda tutulur; mevcut araçlar bunları kullanmaz veya göndermez.

MCP ile Claude Code ve Cursor kullanımı

Derleme sonrasında MCP sunucusu üç aracı stdio üzerinden yayınlar: lint_level_balance, audit_localization ve run_agent_evals.

Claude Code

claude mcp add game-OCP -- node "$(pwd)/dist/index.js"

Cursor — ~/.cursor/mcp.json içine ekleyin:

{
  "mcpServers": {
    "game-OCP": {
      "command": "node",
      "args": ["/absolute/path/to/game-ocp-mcp/dist/index.js"]
    }
  }
}

Bu bağlantıdan sonra ajanınız seviye dosyasını lint edebilir, çeviri paketini denetleyebilir veya oluşturduğu içeriği kendi değerlendirmesine güvenmeden test edebilir.

Pratik kullanım örnekleri

# Kötü ve temiz Unity örnekleri
unity-guard lint examples/BadPlayerController.cs
unity-guard lint examples/CleanPlayerController.cs

# Yerel ajan süreçleri ve logları
agent-mon list
agent-mon watch --interval 2
agent-mon audit /path/to/agent/logs

# Skill eval sonuç üretimi ve v1/v2 kıyası
node dist/cli.js run --dataset evals/datasets/resolved-smoke.json --output-json artifacts/current.json
node dist/cli.js compare --baseline evals/baselines/word-puzzle-v1.result.json --candidate artifacts/current.json --output-md artifacts/comparison.md

GitHub Actions kullanımı

GitHub arayüzünden kullanmak için repo içindeki Actions sekmesine gidin, iş akışını seçin ve Run workflow butonuna basın. Terminalden tetiklemek için bir kez gh auth login çalıştırmanız yeterlidir.

Güvenlik ve veri yaklaşımı

• Araçlar varsayılan olarak yerelde çalışır.

• Skill eval, ücretli bir model çağrısı yerine fixture ve kural setleri kullanır.

• Watchdog varsayılan olarak yalnızca alarm üretir; süreç sonlandırma açıkça etkinleştirilmelidir.

• İsteğe bağlı API anahtarları web panelinde yalnızca oturum belleğinde tutulur.

Katkı sağlama

1. Repoyu fork’layın ve küçük, odaklı bir branch açın.

2. Davranış değiştiriyorsanız examples/ veya evals/ altına uygun bir fixture ekleyin.

3. npm run build ve ilgili npm run test:* komutlarını çalıştırın.

4. PR açın; birleşik CI sonucu otomatik raporlayacaktır.

Lisans

MIT