Communitygithub.com

codehealth-mcp

Salud Estructural de Código en tiempo real a través de CodeScene MCP: revisa antes de editar, verifica cambios de puntuación después de modificar, y controla commits y PRs. Úsalo al revisar calidad de código, refactorizar, comprobar si cambios de IA degradaron un archivo, o antes de commit/PR.

¿Qué es codehealth-mcp?

Este skill (codehealth-mcp) proporciona retroalimentación de mantenibilidad estructural para asistentes de codificación basados en IA, complementando habilidades de estilo/lint con puntuaciones de salud a nivel de diseño y controles de regresión. Se basa en el servidor MCP de CodeScene (código abierto, sin necesidad de cuenta paga de CodeScene para las herramientas incluidas) y se ejecuta como `npx @codescene/codehealth-mcp`. Está diseñado para usarse antes de editar un archivo (con `code_health_review` para obtener una línea base), después de cada cambio (con `code_health_score` para verificar que no haya regresión), antes de cada commit (con `pre_commit_code_health_safeguard` para bloquear regresiones) y antes de un PR (con `analyze_change_set` para una verificación a nivel de rama). La puntuación va de 1 a 10, donde 9-10 es verde (saludable), 4-8.9 es amarillo (deuda técnica) y 1-3.9 es rojo (deuda severa). El skill enfatiza la seguridad de datos (sin tokens embebidos, análisis local, deshabilitable) y la integración con otros skills de ECC como `verification-loop` y `coding-standards`.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/codehealth-mcp

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Code Health MCP (CodeScene)

Retroalimentación de mantenibilidad estructural para codificación asistida por IA. Complementa habilidades de estilo/lint (coding-standards, plankton-code-quality) con puntuaciones de salud a nivel de diseño y controles de regresión.

Upstream: codescene-oss/codescene-mcp-server Paquete: @codescene/codehealth-mcp (stdio vía npx)

Seguridad y límites

Opción explícita (ECC): El bloque codescene en mcp-configs/mcp-servers.json es solo una plantilla. Las instalaciones de plugins ECC no habilitan automáticamente los servidores MCP incluidos. Copia la entrada en tu configuración solo si la deseas. Puedes excluirla durante la instalación/sincronización de ECC con ECC_DISABLED_MCPS=codescene,....

Credenciales: No hay token incluido. Configura CS_ACCESS_TOKEN tú mismo (consulta getting-a-personal-access-token.md en el repositorio upstream). Nunca subas tokens al repositorio.

Lo que leen las herramientas: Cuando se invocan, las herramientas analizan archivos y el estado de git en el repositorio local al que apuntas (rutas que pasas, más contexto de rama para analyze_change_set). No se ejecutan solas. Para el modo independiente, sigue la documentación de privacidad upstream: README de codescene-mcp-server y políticas de CodeScene. No uses este skill para secretos, credenciales o rutas que no quieras analizar.

Si el MCP no está disponible (sin conexión, token incorrecto, caída del servidor): No inventes puntuaciones de Code Health. Informa al usuario que la verificación fue omitida. Continúa solo con aprobación explícita del usuario. Prefiere lint/pruebas/bucle de verificación para el control cuando el MCP esté caído. Vuelve a habilitar las verificaciones cuando el servidor se conecte.

Cuándo Usar

  • El usuario pide revisar la calidad del código, refactorizar un archivo, o comprobar si cambios de IA degradaron la mantenibilidad
  • Antes de editar un hotspot, módulo legacy o archivo desconocido
  • Antes de commit o pull request cuando necesitas una salvaguarda de mantenibilidad
  • Después de un diff grande generado por agente: verifica que Code Health no haya empeorado
  • Combínalo con verification-loop, tdd-workflow o /quality-gate como verificación estructural (no reemplaza pruebas/lint)

Cuándo Activar

Mismos desencadenantes que en Cuándo Usar arriba: este encabezado es lo que usa ECC para la activación automática del skill.

Cómo Funciona

1. Conectar el servidor MCP

Copia la entrada codescene de mcp-configs/mcp-servers.json en la configuración MCP de tu entorno.

Claude Code (~/.claude.json → mcpServers):

"codescene": {
  "command": "npx",
  "args": ["-y", "@codescene/codehealth-mcp"],
  "env": {
    "CS_ACCESS_TOKEN": "TU_CS_ACCESS_TOKEN_AQUÍ"
  }
}

Ámbito de proyecto: fusiona el mismo bloque en .mcp.json en la raíz del repositorio.

La configuración del token está documentada en el repositorio upstream (enlace arriba). El modo independiente no requiere una cuenta paga de la plataforma CodeScene para las cuatro herramientas listadas abajo. Reinicia la sesión y confirma que el servidor codescene esté conectado antes de confiar en las puntuaciones.

2. Usar solo las herramientas independientes

HerramientaCuándo usarla
code_health_reviewAnálisis estructural completo antes de modificar un archivo
code_health_scorePuntuación numérica rápida después de cada cambio (verificación de delta)
pre_commit_code_health_safeguardBloquear commits que introducen regresiones en Code Health
analyze_change_setVerificación a nivel de rama antes de abrir un PR

No llames a herramientas solo de plataforma (por ejemplo, listas de hotspots de deuda técnica de todo el repositorio). No hagas referencia a delta_analysis: no está disponible en modo independiente.

3. Interpretar puntuaciones (1–10)

RangoSignificadoComportamiento del agente
9.0–10.0Verde — saludableMás seguro extender; aun así, prefiere cortes verticales
4.0–8.9Amarillo — deudaActúa con cuidado; sin refactors por impulso
1.0–3.9Rojo — deuda severaSolo alcance limitado

4. Ejecutar el bucle de retroalimentación

Antes de tocar un archivo

  1. Ejecuta code_health_review en la ruta objetivo.
  2. Registra la puntuación base y los code smells listados.
  3. Planifica el cambio más pequeño que aborde la tarea.

Alcance según puntuación: menor de 5 — solo diff mínimo; 5–7 — sin refactors amplios; mayor de 7 — más seguro refactorizar, pero verifica después de cada edición.

Después de cada cambio

  1. Ejecuta code_health_score en el mismo archivo.
  2. Compara con la línea base de code_health_review.
  3. Si la puntuación empeoró, corrige antes de continuar. Nunca declares la tarea como completada mientras la puntuación sea menor que al inicio.

Antes de cada commit — ejecuta pre_commit_code_health_safeguard en la ruta del repositorio.

Antes de un PR — ejecuta analyze_change_set contra la rama base (por ejemplo, main).

Ejemplos

Ejemplo: Mejora de mantenibilidad en Flask

En pallets/flask, un bucle de agente usando solo herramientas independientes:

  1. code_health_review en un módulo objetivo (línea base 4.82)
  2. Refactor dirigido abordando los code smells listados
  3. code_health_score después de cada edición
  4. pre_commit_code_health_safeguard antes del commit
  5. analyze_change_set antes del PR

Resultado: Code Health 4.82 → 9.1 (solo token independiente gratuito).

Ejemplo: Bloque de enforce en AGENTS.md

Pega en el AGENTS.md o CLAUDE.md del proyecto:

## Code Health (CodeScene MCP)

Antes de modificar cualquier archivo: ejecuta `code_health_review`, anota la puntuación y los problemas.

- Puntuación menor de 5: rango problemático — limita el alcance de los cambios.
- Puntuación 5–7: rango de advertencia — sin refactors amplios.

Después de cada cambio: ejecuta `code_health_score` para verificar el delta.

- Si la puntuación empeora: corrige antes de continuar; nunca declares terminado si la puntuación bajó.

Antes de cada commit: ejecuta `pre_commit_code_health_safeguard`.

Antes del PR: ejecuta `analyze_change_set`.

Ejemplo: Anti-patrones vs bucle correcto

# MAL: Editar primero, verificar después
[refactor grande sin code_health_review]

# MAL: Ignorar la caída de puntuación
"Las pruebas pasan" → marcar tarea como completada mientras Code Health disminuyó

# MAL: Refactor amplio en archivo con puntuación roja (menor de 5)
Limpieza por impulso en todo el módulo

# BIEN: revisar → cambio pequeño → puntuación → salvaguarda de commit → analyze_change_set

Integración con ECC

Skill / flujo de ECCRol de Code Health MCP
coding-standardsEstilo/nombrado; Code Health = estructura/complejidad
plankton-code-qualityLint/formato en tiempo de escritura; Code Health = control estructural pre/post edición
verification-loop / /quality-gateAgregar verificación de regresión estructural antes de "terminado"
security-reviewSeguridad vs mantenibilidad: usa ambos cuando sea relevante
tdd-workflowPruebas pasan ≠ diseño saludable: verifica puntuación después de refactors

Consejo de contexto: ECC recomienda mantener bajo el número de MCP. Habilita codescene cuando hagas ediciones sustanciales; deshabilítalo cuando no sea necesario.

Skills Relacionados

  • coding-standards — convenciones base
  • plankton-code-quality — hooks de lint/formato en tiempo de escritura
  • verification-loop — control de build/test/lint
  • tdd-workflow — desarrollo guiado por pruebas
  • security-review — lista de verificación de seguridad
  • documentation-lookup — documentación de librerías vía Context7 (ortogonal)

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Skills relacionados