✨ Características principales

• Crítico local de coste cero: Descarga las iteraciones pesadas de revisión de código a tu GPU local mediante LM Studio sin gastar tokens en la nube.

• Centinela AST de submilisegundo: Detecta errores de sintaxis y llamadas de runtime peligrosas (eval, exec, os.system, subprocess) antes de desperdiciar ciclos de GPU.

• Contrato determinista: Aplica salidas estructuradas (APPROVED vs REJECTED con comentarios específicos por línea) para que el agente refactorice el código automáticamente sin intervención humana.

• Sumidero de datos dual (volante de DPO):

  • SQLite (audit_history.db): Registra duración, categorías y métricas.

  • JSON por auditoría (audit_logs/): Almacena registros de auditoría individuales para crear fácilmente conjuntos de datos de DPO / fine-tuning a partir de intentos emparejados rechazados/aprobados.

Related MCP server: tar-engine

🚀 Inicio rápido

1. Requisitos previos

• Python 3.10+

• LM Studio ejecutando un servidor local compatible con OpenAI (http://localhost:1234/v1)

• Antigravity o cualquier cliente compatible con MCP

2. Instalación

# 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. Registrar el servidor MCP

Abre tu archivo de configuración MCP de Antigravity:

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

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

Añade la definición del servidor dentro de mcpServers:

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

Nota: Reemplaza D:\\Hucdeline con la ruta real de tu directorio del proyecto.

4. Configurar LM Studio

1. Abre LM Studio y carga cualquier modelo de codificación ajustado por instrucciones (p. ej., Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

2. Ve a la pestaña Servidor local (Developer).

3. Configura el puerto en ...(e.g.,1234) y haz clic en Iniciar servidor.

🤖 Configuración del bucle del agente (regla / habilidad personalizada)

Añade la siguiente regla a tu agente de Antigravity (mcp-studio-loop):

# 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. Configurar LM Studio Abre LM Studio y carga cualquier modelo de codificación ajustado por instrucciones (p. ej., Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

Ve a la pestaña Servidor local.

Configura el puerto en xxxx y haz clic en Iniciar servidor.

🤖 Configuración del bucle del agente (regla / habilidad personalizada) Añade la siguiente regla a tu agente de Antigravity (mcp-studio-loop):

Markdown

Protocolo obligatorio de auditoría de código MCP

Cada vez que se genere o refactorice código, DEBES invocar la herramienta audit_submission:

• Argumentos: task_goal, output_content, strict_rules

• Si STATUS == "REJECTED": Lee ACTIONABLE_FEEDBACK, refactoriza el código y vuelve a enviarlo.

• Si STATUS == "APPROVED": Muestra la solución final al usuario.

• Límite máximo de reintentos: 5 intentos antes de romper el bucle. 🧪 Pruebas Ejecuta la suite de Pytest incluida para verificar las comprobaciones de AST, las migraciones de SQLite y las respuestas simuladas:

Bash pytest test_auditor.py -v

📸 Auditoría real en acción (Ejemplo de uso / Ejemplo de utilización)

Aquí tienes un ejemplo de MCP Local Auditor rechazando una ruta de código no optimizada con comentarios accionables, lo que incita al agente de codificación a autocorregirse y volver a verificar: Ejemplo de uso: Después de que pasen las pruebas, audita cada archivo modificado uno por uno con la herramienta "lmstudio-auditor".

💖 Soporte y donaciones Si este proyecto te ha ahorrado costes de API y te ha ayudado a optimizar tu flujo de trabajo local con LLM, considera apoyar el desarrollo:

Ko-fi: https://ko-fi.com/xtanthaix

GitHub Sponsors: Haz clic en el botón Sponsor de este repositorio

📄 Licencia Licencia MIT. Gratuita para uso de código abierto y comercial.