Communitygithub.com

codehealth-mcp

Retroalimentación estructural de mantenibilidad en tiempo real mediante CodeScene MCP: revisa antes de editar, verifica deltas de puntuación tras los cambios, y controla commits y PRs.

¿Qué es codehealth-mcp?

Code Health MCP (CodeScene) es una habilidad para asistentes de codificación basados en IA (como Claude Code, Cursor o Codex) que proporciona métricas de mantenibilidad a nivel de diseño. Complementa herramientas de estilo y lint tradicionales al ofrecer puntuaciones de salud del código (1-10) y validaciones de regresión. Funciona mediante un servidor MCP independiente que analiza archivos locales y el estado de git. Sus cuatro herramientas clave son: code_health_review (análisis completo antes de modificar), code_health_score (verificación rápida tras cada cambio), pre_commit_code_health_safeguard (bloqueo de commits que degraden la salud) y analyze_change_set (evaluación a nivel de rama antes de un PR). La habilidad promueve un bucle de retroalimentación disciplinado: revisar antes de tocar, verificar tras cada edición, proteger cada commit y evaluar antes del PR. Es ideal para desarrolladores que quieran asegurar que los cambios realizados por la IA no empeoren la mantenibilidad del código, especialmente en módulos heredados, hotspots o código desconocido.

Compatible con✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 estructural de mantenibilidad para codificación asistida por IA. Complementa las habilidades de estilo/lint (coding-standards, plankton-code-quality) con puntuaciones de salud a nivel de diseño y compuertas de regresión.

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

Seguridad y límites

Opt-in (ECC): El bloque codescene en mcp-configs/mcp-servers.json es solo una plantilla. Las instalaciones del plugin 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. Establece CS_ACCESS_TOKEN por tu cuenta (consulta getting-a-personal-access-token.md en el repositorio original). Nunca subas tokens al repositorio.

Lo que leen las herramientas: Al ser invocadas, las herramientas analizan archivos y el estado de git en el repositorio local al que les apuntas (rutas que pasas, más el contexto de la rama para analyze_change_set). No se ejecutan por sí solas. Para el modo independiente, sigue la documentación de privacidad del repositorio original: codescene-mcp-server README y políticas de CodeScene. No uses esta habilidad para secretos, credenciales o rutas que no desees 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 la aprobación explícita del usuario. Prefiere lint/pruebas/bucle de verificación como compuerta cuando el MCP esté caído. Vuelve a habilitar las verificaciones una vez que el servidor se conecte.

Cuándo Usar

  • El usuario pide revisar la calidad del código, refactorizar un archivo o verificar si los cambios de la IA degradaron la mantenibilidad
  • Antes de editar un hotspot, módulo heredado o archivo desconocido
  • Antes de un commit o pull request cuando necesitas una salvaguarda de mantenibilidad
  • Después de un diff grande generado por un agente — verifica que Code Health no haya retrocedido
  • 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 ECC usa para la activación automática de la habilidad.

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 original (enlace arriba). El modo independiente no requiere una cuenta de pago 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 herramientas independientes

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

No llames a herramientas solo de plataforma (ej. listas de hotspots de deuda técnica a nivel de repositorio). No hagas referencia a delta_analysis — no disponible en modo independiente.

3. Interpretar puntuaciones (1–10)

RangoSignificadoComportamiento del agente
9.0–10.0Verde — saludableMás seguro para extender; sigue prefiriendo slices verticales
4.0–8.9Amarillo — deudaSé cauteloso; 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: por debajo de 5 — solo diff mínimo; 5–7 — sin refactors amplios; por encima de 7 — más seguro refactorizar, sigue verificando tras cada edición.

Después de cada cambio

  1. Ejecuta code_health_score en el mismo archivo.
  2. Compara con la puntuación base de code_health_review.
  3. Si la puntuación retrocede, corrige antes de continuar. Nunca marques 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 (ej. 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 (base 4.82)
  2. Refactorización dirigida abordando los code smells listados
  3. code_health_score tras 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 cumplimiento para AGENTS.md

Pégalo 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 por debajo de 5: rango problemático — limita los cambios a un alcance reducido.
- Puntuación 5–7: rango de advertencia — sin refactors amplios.

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

- Si la puntuación retrocede: corrige antes de continuar; nunca declares completada la tarea si la puntuación bajó.

Antes de cada commit: ejecuta `pre_commit_code_health_safeguard`.

Antes del PR: ejecuta `analyze_change_set`.

Ejemplo: Antipatrones vs bucle correcto

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

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

# MALO: Refactor amplio en archivo con puntuación roja (por debajo de 5)
Limpieza transversal en todo el módulo

# BUENO: revisar → cambio pequeño → puntuación → salvaguarda commit → analyze_change_set

Combinación con ECC

Habilidad/flujo ECCRol de Code Health MCP
coding-standardsEstilo/nombres; Code Health = estructura/complejidad
plankton-code-qualityLint/formato en tiempo de escritura; Code Health = compuerta estructural pre/post edición
verification-loop / /quality-gateAñadir verificación de regresión estructural antes de "completado"
security-reviewSeguridad vs mantenibilidad — usa ambas cuando sea relevante
tdd-workflowPruebas pasan ≠ diseño saludable — verifica puntuación tras refactors

Consejo de contexto: ECC recomienda mantener un número bajo de MCP. Habilita codescene cuando realices ediciones sustanciales; desactívalo cuando no sea necesario.

Habilidades Relacionadas

  • coding-standards — convenciones base
  • plankton-code-quality — hooks de lint/formato en tiempo de escritura
  • verification-loop — compuerta de compilación/pruebas/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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/literature-review

Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills relacionados