✨ Hauptfunktionen

• Kostenloser lokaler Kritiker: Verlagern Sie umfangreiche Code-Review-Iterationen über LM Studio auf Ihre lokale GPU, ohne Cloud-Tokens auszugeben.

• Sub-Millisekunden-AST-Wächter: Erkennt Syntaxfehler und gefährliche Laufzeitaufrufe (eval, exec, os.system, subprocess), bevor GPU-Zyklen verschwendet werden.

• Deterministischer Vertrag: Erzwingt strukturierte Ausgaben (APPROVED vs. REJECTED mit spezifischem Zeilen-Feedback), sodass der Agent Code ohne menschliches Eingreifen automatisch refaktoriert.

• Doppelte Datensenke (DPO-Flywheel):

  • SQLite (audit_history.db): Erfasst Dauer, Kategorien und Metriken.

  • Pro-Audit-JSON (audit_logs/): Speichert einzelne Audit-Datensätze, um einfach DPO-/Fine-Tuning-Datensätze aus gepaarten abgelehnten/genehmigten Versuchen zu erstellen.

Related MCP server: tar-engine

🚀 Schnellstart

1. Voraussetzungen

• Python 3.10+

• LM Studio, das einen OpenAI-kompatiblen Local Server ausführt (http://localhost:1234/v1)

• Antigravity oder ein beliebiger MCP-kompatibler Client

2. Installation

# Clone the repository
git clone [https://github.com/xTanThaix/mcp-local-auditor.git](https://github.com/xTanThaix/mcp-local-auditor.git)
cd mcp-local-auditor

# Set up virtual environment
python -m venv .venv

# Activate virtual environment
# On Windows:
.venv\Scripts\activate
# On macOS/Linux:
source .venv/bin/activate

# Install dependencies
pip install -r requirements.txt

3. MCP-Server registrieren

Öffnen Sie Ihre Antigravity-MCP-Konfigurationsdatei:

• Windows: %USERPROFILE%\.gemini\config\mcp_config.json

• macOS / Linux: ~/.gemini/config/mcp_config.json

Fügen Sie die Serverdefinition innerhalb von mcpServers hinzu:

{
  "mcpServers": {
    "lmstudio-auditor": {
      "command": "D:\\Hucdeline\\.venv\\Scripts\\python.exe",
      "args": ["D:\\Hucdeline\\auditor_bridge.py"]
    }
  }
}

Hinweis: Ersetzen Sie D:\\Hucdeline durch den tatsächlichen Pfad Ihres Projektverzeichnisses.

4. LM Studio konfigurieren

1. Öffnen Sie LM Studio und laden Sie ein beliebiges instruktionsoptimiertes Codierungsmodell (z. B. Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

2. Gehen Sie zum Tab Local Server (Developer).

3. Setzen Sie den Port auf ...(e.g.,1234) und klicken Sie auf Start Server.

🤖 Agent-Loop-Einrichtung (Benutzerdefinierte Regel / Fähigkeit)

Fügen Sie Ihrem Antigravity-Agenten (mcp-studio-loop) die folgende Regel hinzu:

# Mandatory MCP Code Audit Protocol
Every time code is generated or refactored, you MUST invoke the `audit_submission` tool:
- Arguments: `task_goal`, `output_content`, `strict_rules`
- If STATUS == "REJECTED": Read `ACTIONABLE_FEEDBACK`, refactor the code, and re-submit.
- If STATUS == "APPROVED": Output the final solution to the user.
- Maximum retry limit: 5 attempts before breaking loop.

4. LM Studio konfigurieren Öffnen Sie LM Studio und laden Sie ein beliebiges instruktionsoptimiertes Codierungsmodell (z. B. Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

Gehen Sie zum Tab Local Server.

Setzen Sie den Port auf xxxx und klicken Sie auf Start Server.

🤖 Agent-Loop-Einrichtung (Benutzerdefinierte Regel / Fähigkeit) Fügen Sie Ihrem Antigravity-Agenten (mcp-studio-loop) die folgende Regel hinzu:

Markdown

Verbindliches MCP-Code-Audit-Protokoll

Jedes Mal, wenn Code generiert oder refaktoriert wird, MÜSSEN Sie das Tool audit_submission aufrufen:

• Argumente: task_goal, output_content, strict_rules

• Wenn STATUS == "REJECTED": Lesen Sie ACTIONABLE_FEEDBACK, refaktorieren Sie den Code und reichen Sie ihn erneut ein.

• Wenn STATUS == "APPROVED": Geben Sie die endgültige Lösung an den Benutzer aus.

• Maximale Wiederholungsgrenze: 5 Versuche, bevor die Schleife abgebrochen wird. 🧪 Tests Führen Sie die enthaltene Pytest-S