✨ Ключевые особенности

• Локальный критик без затрат: перенесите тяжёлые итерации ревью кода на ваш локальный GPU через LM Studio, не тратя облачные токены.

• Субмиллисекундный AST-страж: ловит синтаксические ошибки и опасные вызовы во время выполнения (eval, exec, os.system, subprocess) до того, как впустую будут потрачены циклы GPU.

• Детерминированный контракт: гарантирует структурированные результаты (APPROVED или REJECTED с конкретными замечаниями по строкам), чтобы агент автоматически рефакторил код без вмешательства человека.

• Двойной приёмник данных (маховик DPO):

  • SQLite (audit_history.db): отслеживает длительность, категории и метрики.

  • JSON для каждого аудита (audit_logs/): хранит отдельные записи аудита, чтобы легко собирать наборы данных DPO / тонкой настройки из пар отклонённых/одобренных попыток.

Related MCP server: tar-engine

🚀 Быстрый старт

1. Предварительные требования

• Python 3.10+

• LM Studio с запущенным локальным сервером, совместимым с OpenAI (http://localhost:1234/v1)

• Antigravity или любой MCP-совместимый клиент

2. Установка

# 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. Регистрация MCP-сервера

Откройте файл конфигурации MCP вашего Antigravity:

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

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

Добавьте определение сервера в раздел mcpServers:

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

Примечание: замените D:\\Hucdeline на путь к вашему реальному каталогу проекта.

4. Настройка LM Studio

1. Откройте LM Studio и загрузите любую кодовую модель, дообученную на инструкциях (например, Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

2. Перейдите на вкладку Local Server (Developer).

3. Установите порт ...(e.g.,1234) и нажмите Start Server.

🤖 Настройка цикла агента (пользовательское правило / навык)

Добавьте следующее правило вашему агенту 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. Настройка LM Studio Откройте LM Studio и загрузите любую кодовую модель, дообученную на инструкциях (например, Qwen-2.5-Coder, DeepSeek-Coder, Llama-3).

Перейдите на вкладку Local Server.

Установите порт xxxx и нажмите Start Server.

🤖 Настройка цикла агента (пользовательское правило / навык) Добавьте следующее правило вашему агенту Antigravity (mcp-studio-loop):

Markdown

Обязательный протокол аудита кода MCP

Каждый раз, когда код генерируется или рефакторится, вы ОБЯЗАНЫ вызывать инструмент audit_submission:

• Аргументы: task_goal, output_content, strict_rules

• Если STATUS == "REJECTED": прочитайте ACTIONABLE_FEEDBACK, отрефакторите код и отправьте его повторно.

• Если STATUS == "APPROVED": выведите пользователю итоговое решение.

• Максимальный лимит повторных попыток: 5 попыток до прерывания цикла. 🧪 Тестирование Запустите включённый набор тестов Pytest, чтобы проверить AST-проверки, миграции SQLite и mock-ответы:

Bash pytest test_auditor.py -v

📸 Реальный аудит в действии (пример использования / пример применения)

Вот пример того, как MCP Local Auditor отклоняет неоптимизированный участок кода с действенными рекомендациями, побуждая кодового агента самостоятельно исправить код и повторно проверить его: Пример использования: после прохождения тестов проверяйте каждый изменённый файл по отдельности с помощью инструмента "lmstudio-auditor".

💖 Поддержка и пожертвования Если этот проект сэкономил вам расходы на API и помог оптимизировать ваш локальный рабочий процесс с LLM, подумайте о поддержке разработки:

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

GitHub Sponsors: нажмите кнопку Sponsor в этом репозитории

📄 Лицензия Лицензия MIT. Бесплатно для открытого и коммерческого использования.