Communitygithub.com

codehealth-mcp

Santé structurelle du code en temps réel via CodeScene MCP — examinez avant les modifications, vérifiez les écarts de score après les changements, et verrouillez les commits et les PR. À utiliser lors de la revue de qualité du code, du refactoring, de la vérification si les modifications IA ont dégradé un fichier, ou avant un commit/PR.

Qu'est-ce que codehealth-mcp ?

Ce skill intègre le serveur MCP CodeScene pour fournir des retours sur la maintenabilité structurelle du code en temps réel lors d'activités de développement assistées par IA. Il complète les outils de style et de lint (comme `coding-standards` ou `plankton-code-quality`) en analysant la santé du code au niveau de la conception plutôt que du formatage. Le skill offre quatre outils autonomes : `code_health_review` pour une analyse complète avant modification, `code_health_score` pour un score numérique rapide après chaque changement, `pre_commit_code_health_safeguard` pour bloquer les commits régressifs, et `analyze_change_set` pour une vérification au niveau de la branche avant une pull request. Les scores sont interprétés sur une échelle de 1 à 10, où un score entre 9 et 10 indique un code sain, entre 4 et 8,9 une dette technique modérée, et en dessous de 4 une dette sévère. Le skill s'active automatiquement avec les mêmes déclencheurs que son utilisation recommandée (revue de qualité, refactoring, avant commit ou PR), et exige que l'utilisateur configure un jeton d'accès via la variable d'environnement `CS_ACCESS_TOKEN`. Il est conçu pour fonctionner avec Claude Code, Cursor, et tout harnais MCP, en mode standalone (sans compte CodeScene payant).

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Code Health MCP (CodeScene)

Retour sur la maintenabilité structurelle pour le codage assisté par IA. Complète les compétences de style et de lint (coding-standards, plankton-code-quality) avec des scores de santé au niveau de la conception et des vérifications de régression.

Source : codescene-oss/codescene-mcp-server Package : @codescene/codehealth-mcp (stdio via npx)

Sécurité et limites

Adhésion volontaire (ECC) : Le bloc codescene dans mcp-configs/mcp-servers.json n'est qu'un modèle. Les installations de plugins ECC n'activent pas automatiquement les serveurs MCP inclus. Copiez l'entrée dans votre configuration uniquement si vous le souhaitez. Vous pouvez l'exclure lors de l'installation/synchronisation ECC avec ECC_DISABLED_MCPS=codescene,....

Informations d'identification : Aucun jeton fourni. Définissez CS_ACCESS_TOKEN vous-même (voir getting-a-personal-access-token.md dans le dépôt source). Ne jamais valider les jetons dans le dépôt.

Ce que les outils lisent : Lorsqu'ils sont invoqués, les outils analysent les fichiers et l'état git dans le dépôt local que vous leur indiquez (chemins que vous transmettez, plus le contexte de branche pour analyze_change_set). Ils ne s'exécutent pas seuls. Pour le mode autonome, suivez la documentation sur la confidentialité de la source : codescene-mcp-server README et CodeScene policies. N'utilisez pas cette compétence pour des secrets, informations d'identification ou chemins que vous ne souhaitez pas analyser.

Si le MCP est indisponible (hors ligne, mauvais jeton, panne du serveur) : N'inventez pas de scores de Code Health. Informez l'utilisateur que la vérification a été ignorée. Continuez uniquement avec l'approbation explicite de l'utilisateur. Privilégiez les vérifications de lint/tests/loop de vérification pour le verrouillage lorsque le MCP est en panne. Réactivez les vérifications une fois le serveur connecté.

Quand l'utiliser

  • L'utilisateur demande de réviser la qualité du code, refactoriser un fichier, ou vérifier si les modifications IA ont dégradé la maintenabilité
  • Avant de modifier un hotspot, un module hérité ou un fichier inconnu
  • Avant un commit ou une pull request lorsque vous avez besoin d'une garantie de maintenabilité
  • Après un large diff écrit par l'agent — vérifiez que Code Health n'a pas régressé
  • Associer avec verification-loop, tdd-workflow, ou /quality-gate comme vérification structurelle (pas un remplacement des tests/lint)

Quand l'activer

Mêmes déclencheurs que Quand l'utiliser ci-dessus — ce titre est ce qu'ECC utilise pour l'activation automatique de la compétence.

Comment ça fonctionne

1. Connecter le serveur MCP

Copiez l'entrée codescene de mcp-configs/mcp-servers.json dans votre configuration MCP harnais.

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

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

Étendu au projet : fusionnez le même bloc dans .mcp.json à la racine du dépôt.

La configuration du jeton est documentée dans le dépôt source (lien ci-dessus). Le mode autonome ne nécessite pas de compte CodeScene payant pour les quatre outils listés ci-dessous. Redémarrez la session et confirmez que le serveur codescene est connecté avant de vous fier aux scores.

2. Utiliser uniquement les outils autonomes

OutilQuand l'utiliser
code_health_reviewAnalyse structurelle complète avant de modifier un fichier
code_health_scoreScore numérique rapide après chaque modification (vérification d'écart)
pre_commit_code_health_safeguardBloquer les commits qui introduisent des régressions de Code Health
analyze_change_setVérification au niveau de la branche avant d'ouvrir une PR

N'appelez pas les outils réservés à la plateforme (par exemple, les listes de hotspots de dette technique à l'échelle du dépôt). Ne référencez pas delta_analysis — non disponible en mode autonome.

3. Interpréter les scores (1–10)

PlageSignificationComportement de l'agent
9.0–10.0Vert — sainPlus sûr pour étendre ; privilégier toujours les découpages verticaux
4.0–8.9Jaune — detteAgir avec prudence ; pas de refactoring non sollicité
1.0–3.9Rouge — dette sévèrePérimètre de modification étroit uniquement

4. Exécuter la boucle de rétroaction

Avant de toucher un fichier

  1. Exécutez code_health_review sur le chemin cible.
  2. Enregistrez le score de base et les odeurs de code listées.
  3. Planifiez la modification la plus petite qui répond à la tâche.

Adaptez le périmètre au score : < 5 — diff minimal uniquement ; 5–7 — pas de refactoring large ; > 7 — plus sûr de refactoriser, vérifier après chaque modification.

Après chaque modification

  1. Exécutez code_health_score sur le même fichier.
  2. Comparez avec le score de base de code_health_review.
  3. Si le score a régressé, corrigez avant de continuer. Ne marquez jamais la tâche comme terminée tant que le score est inférieur à celui de départ.

Avant chaque commit — exécutez pre_commit_code_health_safeguard sur le chemin du dépôt.

Avant une PR — exécutez analyze_change_set par rapport à la branche de base (par exemple main).

Exemples

Exemple : Amélioration de la maintenabilité Flask

Sur pallets/flask, une boucle d'agent utilisant uniquement les outils autonomes :

  1. code_health_review sur un module cible (score de base 4.82)
  2. Refactoring ciblé adressant les odeurs listées
  3. code_health_score après chaque modification
  4. pre_commit_code_health_safeguard avant le commit
  5. analyze_change_set avant la PR

Résultat : Code Health 4.82 → 9.1 (jeton autonome gratuit uniquement).

Exemple : Bloc d'application dans AGENTS.md

Collez dans le fichier AGENTS.md ou CLAUDE.md du projet :

## Code Health (CodeScene MCP)

Avant de modifier un fichier : exécutez `code_health_review`, notez le score et les problèmes.

- Score inférieur à 5 : plage problématique — modifications ciblées.
- Score 5–7 : plage d'avertissement — pas de refactoring large.

Après chaque modification : exécutez `code_health_score` pour vérifier l'écart.

- Si le score a régressé : corrigez avant de continuer ; ne déclarez jamais la tâche terminée si le score a baissé.

Avant chaque commit : exécutez `pre_commit_code_health_safeguard`.

Avant une PR : exécutez `analyze_change_set`.

Exemple : anti-patrons vs boucle correcte

# MAUVAIS : Modifier d'abord, vérifier après
[large refactor without code_health_review]

# MAUVAIS : Ignorer la baisse de score
"Les tests passent" → marquer la tâche terminée alors que Code Health a diminué

# MAUVAIS : Refactoring large sur un fichier rouge (score inférieur à 5)
Nettoyage non sollicité dans tout le module

# BON : revue → petite modification → score → garantie de commit → analyze_change_set

Association avec ECC

Compétence / flux ECCRôle de Code Health MCP
coding-standardsStyle/nommage ; Code Health = structure/complexité
plankton-code-qualityLint/formatage à l'écriture ; Code Health = vérification structurelle avant/après modification
verification-loop / /quality-gateAjouter la vérification de régression structurelle avant "terminé"
security-reviewSécurité vs maintenabilité — utiliser les deux si pertinent
tdd-workflowTests passent ≠ conception saine — vérifier le score après les refactorings

Conseil de contexte : ECC recommande de garder un faible nombre de MCP. Activez codescene lors de modifications substantielles ; désactivez-le quand ce n'est pas nécessaire.

Compétences associées

  • coding-standards — conventions de base
  • plankton-code-quality — hooks de lint/formatage à l'écriture
  • verification-loop — porte build/test/lint
  • tdd-workflow — développement piloté par les tests
  • security-review — liste de contrôle de sécurité
  • documentation-lookup — documentation de bibliothèque via Context7 (orthogonal)

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 associés