dev-loop-mcp

Ein MCP-Server (Model Context Protocol), der eine KI-gesteuerte TDD-Entwicklungsschleife ausführt. Er verallgemeinert die Zustandsmaschine der Entwicklungsschleife, um mit jedem Projekt über eine einfache Konfigurationsdatei zu funktionieren.

Was er tut

Es stehen zwei Schleifentypen zur Verfügung – beide nutzen dieselbe TDD-Pipeline; sie unterscheiden sich nur darin, wie Aufgaben erstellt werden:

flowchart LR
    subgraph start_loop["start_loop (feature)"]
        direction LR
        A("description<br/>or tasks") --> B["DECOMPOSE<br/>AI breaks into tasks"]
        B --> C[/"tasks"/]
    end

    subgraph start_debug_loop["start_debug_loop (bug)"]
        direction LR
        D("symptom<br/>+ context files") --> E["DIAGNOSE<br/>AI ranks hypotheses"]
        E --> F[/"tasks"/]
    end

    C --> Pipeline["TDD pipeline"]
    F --> Pipeline

    subgraph Pipeline["Shared TDD pipeline"]
        direction LR
        I[INIT] --> T[TDD_LOOP<br/>per task]
        T --> Bu[BUILD]
        Bu --> De[DEPLOY<br/>optional]
        De --> It[INTEG_TEST<br/>optional]
        It -->|pass| Qr[QUALITY_REVIEW]
        It -->|fail| If[INTEG_FIX<br/>up to 5×]
        If --> Qr
        Qr --> Ct[CLEAN_TREE<br/>CHECK]
        Ct --> Pr[PUSH_AND_PR]
        Pr --> Done(["✓ DONE<br/>PR opened"])
    end

Vollständige Zustandsmaschine

flowchart TD
    start_loop --> INIT
    start_debug_loop -->|"DIAGNOSE:<br/>ranked hypotheses → tasks"| INIT

    INIT -->|"pre-loaded tasks"| TDD_LOOP
    INIT -->|"description only"| DECOMPOSE
    DECOMPOSE -->|"AI → Task[]"| TDD_LOOP

    TDD_LOOP -->|"task done, more remain"| TDD_LOOP
    TDD_LOOP -->|"all tasks done"| BUILD
    TDD_LOOP -->|"task failed"| FAILED

    BUILD -->|pass| DEPLOY
    BUILD -->|fail| FAILED

    DEPLOY -->|"pass / skipped"| INTEG_TEST
    DEPLOY -->|fail| FAILED

    INTEG_TEST -->|"pass / skipped"| QUALITY_REVIEW
    INTEG_TEST -->|fail| INTEG_FIX

    INTEG_FIX -->|fixed| QUALITY_REVIEW
    INTEG_FIX -->|"still failing<br/>(retry, max 5)"| INTEG_FIX
    INTEG_FIX -->|"5 attempts exhausted"| FAILED

    QUALITY_REVIEW --> CLEAN_TREE_CHECK
    CLEAN_TREE_CHECK --> PUSH_AND_PR
    PUSH_AND_PR --> DONE

    DONE(["✓ DONE"])
    FAILED(["✗ FAILED"])

    style DONE fill:#22c55e,color:#fff
    style FAILED fill:#ef4444,color:#fff
    style start_loop fill:#6366f1,color:#fff
    style start_debug_loop fill:#f59e0b,color:#fff

TDD-Zyklus pro Aufgabe

Jede Aufgabe in TDD_LOOP durchläuft diesen inneren Zyklus (bis zu 5 Programmieriterationen):

flowchart LR
    A["Write scenarios<br/>scenarios/scenarios-*.md"] --> B["Write failing tests<br/>*.test.ts"]
    B --> C{"Tests<br/>fail?"}
    C -->|"no — tester error"| Z["✗ task failed"]
    C -->|yes| D["Implement"]
    D --> E{"Tests<br/>pass?"}
    E -->|yes| F["✓ commit & next task"]
    E -->|"no (retry)"| D

Phasenreferenz:

INIT: Erstellt den Git-Branch
DECOMPOSE: KI wandelt eine Beschreibung in ein Task[] um
DIAGNOSE: (nur Debug-Schleife) KI liest Symptome + Kontextdateien und erstellt bewertete Ursachenhypothesen als Task[]
TDD_LOOP: Pro Aufgabe: Szenarien → fehlschlagende Tests → Implementierung (bis zu 5 Programmieriterationen pro Aufgabe)
BUILD: Führt buildCommand aus
DEPLOY: Führt deployCommand aus – wird übersprungen, wenn nicht konfiguriert
INTEG_TEST: Führt integTestCommand aus – wird übersprungen, wenn nicht konfiguriert
INTEG_FIX: KI diagnostiziert und behebt Fehler bei Integrationstests (bis zu 5 Versuche)
QUALITY_REVIEW: KI überprüft den vollständigen Branch-Diff und wendet Qualitätskorrekturen an
CLEAN_TREE_CHECK: Committet automatisch alle nicht committeten Dateien
PUSH_AND_PR: Pusht den Branch und öffnet einen GitHub-PR

Installation

npm install -g dev-loop-mcp

Oder verwenden Sie npx:

npx dev-loop-mcp

Konfiguration

Erstellen Sie eine dev-loop.config.json im Stammverzeichnis Ihres Projekts:

{
  "buildCommand": "npm run build",
  "testCommand": "npm test",
  "deployCommand": "npm run deploy",
  "integTestCommand": "npm run test:integ",
  "branchPrefix": "claude/",
  "model": "claude-sonnet-4-6"
}

Alle Felder sind optional. Standardwerte:

buildCommand: "npm run build"
testCommand: "npm test"
deployCommand: nicht vorhanden (DEPLOY-Phase übersprungen)
integTestCommand: nicht vorhanden (INTEG_TEST-Phase übersprungen)
branchPrefix: "claude/"
model: "claude-sonnet-4-6"

Umgebungsvariablen

Variable	Erforderlich	Beschreibung
`ANTHROPIC_API_KEY`	Ja	Ihr Anthropic-API-Schlüssel
`DEV_LOOP_ROOT`	Nein	Projektstammverzeichnis (Standard ist `cwd`)

MCP-Einrichtung

Fügen Sie dies zu Ihrer MCP-Client-Konfiguration hinzu (z. B. Claude Desktop claude_desktop_config.json):

{
  "mcpServers": {
    "dev-loop": {
      "command": "dev-loop-mcp",
      "env": {
        "ANTHROPIC_API_KEY": "sk-ant-...",
        "DEV_LOOP_ROOT": "/path/to/your/project"
      }
    }
  }
}

Verfügbare Tools

`start_debug_loop`

Startet eine Debug-Schleife basierend auf einer Symptombeschreibung. Die KI diagnostiziert die Ursachen als bewertete TDD-Aufgaben, führt dann die Standard-TDD-Pipeline pro Hypothese aus und öffnet einen PR mit einem vollständigen Diagnosebericht.

{
  "symptom": "read_website returns failure on most real URLs",
  "context_files": ["src/tools/read-website.ts", "src/http/client.ts"]
}

Parameter:

symptom (erforderlich) — natürlichsprachliche Beschreibung des beobachteten Fehlers oder Ausfalls
context_files (optional) — relative Pfade zu Quelldateien, die die KI während der Diagnose lesen soll

Der DIAGNOSE-Schritt wird vor der Standard-TDD-Pipeline ausgeführt (siehe Zustandsmaschine oben). Der PR-Text enthält das Symptom, die identifizierten Ursachen und was behoben wurde.

Der Branch wird benannt als <branchPrefix>debug/<symptom-slug>.

`start_loop`

Startet eine neue Entwicklungsschleife.

{
  "description": "Add email validation to the user registration flow",
  "branch": "claude/email-validation"
}

Oder mit vorab zerlegten Aufgaben:

{
  "tasks": [
    {
      "id": 1,
      "title": "Add email validator function",
      "scope": "src/utils/email.ts",
      "acceptance": "validateEmail returns true for valid emails and false for invalid ones"
    }
  ],
  "branch": "claude/email-validation"
}

`resume_loop`

Setzt eine unterbrochene Schleife fort:

{}

`loop_status`

Überprüft den aktuellen Schleifenstatus:

{}

Verwendung als Bibliothek

import { runLoop, loadConfig, RealShellAdapter, AnthropicDevWorker } from "dev-loop-mcp";
import Anthropic from "@anthropic-ai/sdk";

const config = await loadConfig("/path/to/project");
const client = new Anthropic();
const shell = new RealShellAdapter();
const aiWorker = new AnthropicDevWorker(client, config.model, shell);

const finalState = await runLoop(initialState, {
  shell,
  aiWorker,
  stateFilePath: "/path/to/project/.loop-state.json",
  repoRoot: "/path/to/project",
  config,
});

dev-loop-mcp

dev-loop-mcp

Was er tut

Vollständige Zustandsmaschine

TDD-Zyklus pro Aufgabe

Installation

Konfiguration

Umgebungsvariablen

MCP-Einrichtung

Verfügbare Tools

`start_debug_loop`

`start_loop`

`resume_loop`

`loop_status`

Verwendung als Bibliothek

Resources

Looking for Admin?

Latest Blog Posts

MCP directory API