Git Intelligence MCP Server

Ein leichtgewichtiger Model Context Protocol (MCP)-Server, der die Git-Historie in umsetzbare Repository-Erkenntnisse verwandelt.

Übersicht

Git Intelligence MCP ist ein lokaler MCP-Server, der KI-Assistenten die Analyse der Git-Historie eines Repositorys über Anfragen in natürlicher Sprache ermöglicht.

Anstatt Git-Befehle manuell auszuführen und Commit-Verläufe zu interpretieren, kann ein MCP-kompatibler Client spezielle Tools aufrufen, um Folgendes zu ermitteln:

• Häufig geänderte Dateien

• Zuständigkeitsmuster der Mitwirkenden

• Code-Churn im Zeitverlauf

Das Projekt ist bewusst schlank gehalten und in einer einzigen Python-Datei mit dem offiziellen MCP Python SDK und GitPython umgesetzt.

Related MCP server: GitIntel

Warum Git Intelligence?

Die Git-Historie enthält nützliche technische Signale, doch das manuelle Extrahieren kann sich wiederholen.

Mit Git Intelligence kannst du Fragen stellen wie:

"Welche Dateien haben sich am häufigsten geändert?"

"Wie viele Entwickler haben an server.py gearbeitet?"

"Wie viel Code wurde seit Januar 2026 geändert?"

Der MCP-Server übersetzt diese Anfragen in natürlicher Sprache in strukturierte Tool-Aufrufe und analysiert die Git-Historie des Repositorys.

Natural Language
       │
       ▼
   MCP Client
       │
       ▼
Git Intelligence MCP
       │
   ┌───┼────────┐
   ▼   ▼        ▼
Hotspots  Bus Factor  Churn
   │   │        │
   └───┼────────┘
       ▼
 Git Repository
       │
       ▼
 Repository Insights

Funktionen

Verfügbare MCP-Tools

1. hotspots

Identifiziert die Dateien, die in der gesamten Commit-Historie des Repositorys am häufigsten geändert wurden.

Argumente

Beispiel-Prompt

Use Git Intelligence to find the top 5 hotspot files in this repository.

Beispiel-Toolaufruf

hotspots(
    repo_path="E:/projects/my-repo",
    top_n=5
)

Beispielergebnis

42 commits — server.py
27 commits — README.md
18 commits — config.py
12 commits — utils.py
9 commits — tests/test_server.py

Eine häufig geänderte Datei kann ein nützliches Signal sein, um Bereiche zu identifizieren, die zusätzlicher Überprüfung oder Tests bedürfen.

2. bus_factor

Ermittelt, wie viele verschiedene Mitwirkende eine bestimmte Datei geändert haben.

Argumente

Beispiel-Prompt

Use Git Intelligence to find how many developers have modified server.py.

Beispiel-Toolaufruf

bus_factor(
    repo_path="E:/projects/my-repo",
    file_path="server.py"
)

Beispielergebnis

server.py: 3 distinct author(s) — Alice, Bob, Charlie

Eine geringe Anzahl an Mitwirkenden kann auf eine potenzielle Wissenskonzentration bei einer bestimmten Datei hinweisen.

3. churn_since

Berechnet die Gesamtzahl der seit einem bestimmten Datum hinzugefügten und entfernten Zeilen.

Argumente

Beispiel-Prompt

Use Git Intelligence to calculate the code churn since 2026-01-01.

Beispiel-Toolaufruf

churn_since(
    repo_path="E:/projects/my-repo",
    since_date="2026-01-01"
)

Beispielergebnis

Since 2026-01-01: +842 / -391 lines

Dies bietet eine einfache Übersicht darüber, wie viel Code in einem bestimmten Zeitraum hinzugefügt und entfernt wurde.

Beispiel-Workflow

Sobald der Server mit einem MCP-kompatiblen Client verbunden ist, kannst du mithilfe natürlicher Sprache mit dem Repository interagieren.

Repository-Hotspots finden

Use Git Intelligence to find the top 5 most frequently changed files.

↓

hotspots()

↓

Repository history

↓

Top 5 hotspot files

Datei-Zuständigkeiten untersuchen

How many different developers have worked on server.py?

↓

bus_factor()

↓

Distinct contributors

Entwicklungsaktivität analysieren

How many lines have been added and removed since 2026-06-01?

↓

churn_since()

↓

Code churn statistics

Kompatibilität mit MCP-Clients

Der Server verwendet den stdio-Transport und eignet sich daher für lokale MCP-kompatible Clients.

Er wurde getestet mit:

• MCP Inspector — lokale Entwicklung und Tool-Tests

• VS Code — MCP-Client-Integration

Die Architektur bleibt einfach:

┌───────────────────┐
│   MCP Client      │
│                   │
│ MCP Inspector     │
│ VS Code           │
└─────────┬─────────┘
          │
        stdio
          │
          ▼
┌───────────────────┐
│ Git Intelligence  │
│    MCP Server     │
├───────────────────┤
│ hotspots()        │
│ bus_factor()      │
│ churn_since()     │
└─────────┬─────────┘
          │
          ▼
┌───────────────────┐
│  Local Git Repo   │
└───────────────────┘

Tech-Stack

• Python 3.10+

• MCP Python SDK

• FastMCP

• GitPython

• Git

• stdio-Transport

Der Server verwendet die dekoratorbasierte FastMCP-API, um Python-Funktionen als MCP-Tools bereitzustellen.

Projektstruktur

Das Projekt hält die Implementierung bewusst minimal:

git-intel-mcp/
│
├── .vscode/
│   └── mcp.json
│
├── assets/
│
├── server.py
├── requirements.txt
├── README.md
└── .gitignore

Warum eine einzige server.py?

Dieses Projekt ist als fokussierte MCP-Lernimplementierung konzipiert und nicht als große Produktionsanwendung.

Die Kernimplementierung in einer Datei zu halten, macht die MCP-Architektur leicht verständlich:

Define Tool
    ↓
@mcp.tool()
    ↓
MCP Tool Schema
    ↓
MCP Client
    ↓
Tool Call
    ↓
GitPython
    ↓
Git Repository
    ↓
Result

Wenn der Funktionsumfang wächst, können die Tools in eigene Module aufgeteilt werden.

Installation

1. Repository klonen

git clone https://github.com/s-zaid-13/git-intel-mcp.git
cd git-intel-mcp

2. Virtuelle Umgebung erstellen

Windows

python -m venv venv
venv\Scripts\activate

macOS / Linux

python -m venv venv
source venv/bin/activate

3. Abhängigkeiten installieren

pip install -r requirements.txt

Voraussetzungen

mcp[cli]<2.0.0
gitpython

Lokal ausführen

Starte den MCP-Server mit:

python server.py

Der Server verwendet den stdio-Transport und startet daher keinen herkömmlichen Webserver.

Er wartet darauf, dass ein MCP-kompatibler Client eine Verbindung herstellt.

Mit MCP Inspector testen

MCP Inspector bietet eine interaktive Umgebung zum lokalen Testen von MCP-Servern.

Führe Folgendes aus:

mcp dev server.py

Danach:

1. Mit dem Server verbinden

2. Die verfügbaren Tools untersuchen

3. Die generierten Schemas überprüfen

4. Argumente angeben

5. Die Tools ausführen

6. Die zurückgegebenen Ergebnisse überprüfen

Die folgenden Tools sollten verfügbar sein:

hotspots
bus_factor
churn_since

Mit VS Code verbinden

Der MCP-Server kann auch direkt mit VS Code verbunden werden.

Erstelle:

.vscode/mcp.json

Beispielkonfiguration für Windows:

{
  "servers": {
    "gitIntelligence": {
      "type": "stdio",
      "command": "E:\\Spiral Lab\\git-intel-mcp\\venv\\Scripts\\python.exe",
      "args": [
        "E:\\Spiral Lab\\git-intel-mcp\\server.py"
      ],
      "cwd": "E:\\Spiral Lab\\git-intel-mcp"
    }
  }
}

Nach der Verbindung sollten die folgenden MCP-Tools in VS Code auffindbar sein:

gitIntelligence
├── hotspots
├── bus_factor
└── churn_since

Beispielanfrage:

Use Git Intelligence to find the top 5 hotspot files in this repository.

So funktioniert es

Der Server wird mit FastMCP erstellt.

Ein Tool wird über den MCP-SDK-Dekorator bereitgestellt:

@mcp.tool()
def hotspots(repo_path: str, top_n: int = 10) -> str:
    ...

FastMCP verwendet die Funktionssignatur und die Dokumentation, um die Tool-Definition zu erzeugen, die ein MCP-Client entdecken kann.

Der vollständige Ablauf ist:

Python Function
      │
      ▼
@mcp.tool()
      │
      ▼
MCP Tool Definition
      │
      ▼
MCP Client
      │
      ▼
Tool Call
      │
      ▼
GitPython
      │
      ▼
Git History
      │
      ▼
Analysis Result

Demonstrierte MCP-Konzepte

Tools

Der Server stellt drei aufrufbare MCP-Tools bereit:

hotspots
bus_factor
churn_since

Diese ermöglichen einem KI-Client, Repository-Analysen durchzuführen.

Client-Server-Architektur

Der MCP-Client muss nicht wissen, wie die Git-Analyse intern implementiert ist.

Er muss nur wissen:

• Welche Tools verfügbar sind

• Welche Argumente sie akzeptieren

• Welche Ergebnisse sie zurückgeben

MCP Client
     │
     │ MCP
     ▼
MCP Server
     │
     ▼
Git Repository

stdio-Transport

Der lokale Server kommuniziert über stdio, das sich gut für lokal laufende MCP-Server und Entwicklungs-Clients eignet.

Einschränkungen

Diese Implementierung hält den Umfang bewusst klein.

• Es werden nur lokale Git-Repositorys unterstützt.

• Große Repositorys können zusätzliche Verarbeitungszeit erfordern.

• Churn misst die Menge der Änderungen, nicht die Codequalität.

Diese Einschränkungen halten das Projekt darauf fokussiert, MCP zu verstehen, anstatt eine vollständige Repository-Analytik-Plattform zu entwickeln.

Lernergebnis

Dieses Projekt demonstriert die Grundlagen der Entwicklung eines MCP-Servers mit Python:

• Erstellen eines MCP-Servers mit dem offiziellen Python-SDK

• Definieren von Tools mit FastMCP

• Verstehen von MCP-Tool-Schemas

• Verwenden des stdio-Transports

• Verbinden eines MCP-Servers mit MCP-Clients

• Testen von Tools mit MCP Inspector

• Integrieren eines benutzerdefinierten MCP in VS Code

• Vorbereiten eines MCP-Projekts für die öffentliche Weitergabe

Das Fazit ist einfach:

MCP bietet eine standardisierte Möglichkeit für KI-Anwendungen, externe Tools und Fähigkeiten zu entdecken und mit ihnen zu interagieren.

Autor

Samama Zaid

Als praxisnahes Projekt zum Erlernen und Umsetzen des Model Context Protocol mit Python entwickelt.