Communitygithub.com

Code Health MCP (CodeScene)

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

Qu'est-ce que Code Health MCP (CodeScene) ?

Cette compétence intègre le serveur MCP CodeScene pour fournir des évaluations de maintenabilité structurelle en temps réel pendant le développement assisté par IA. Elle complète les outils de style et de lint en ajoutant des scores de santé au niveau de la conception et des barrières de régression. L'agent peut ainsi mesurer l'impact de chaque modification sur la maintenabilité du code, avant et après chaque édition, avant chaque commit et avant chaque pull request. Elle est conçue pour fonctionner avec les outils autonomes de CodeScene (code_health_review, code_health_score, pre_commit_code_health_safeguard, analyze_change_set) et nécessite de copier la configuration du serveur MCP dans le fichier de configuration de l'outil hôte (Claude Code, Cursor, etc.). Un jeton CS_ACCESS_TOKEN est requis, mais aucun jeton n'est fourni en bundle. La compétence met en garde contre l'utilisation d'outils réservés à la plateforme et contre toute invention de scores lorsque le serveur MCP est indisponible.

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

Demander à votre IA préférée

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

Documentation

Que fait Code Health MCP (CodeScene) ?

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

Amont : codescene-oss/codescene-mcp-server Paquet : @codescene/codehealth-mcp (stdio via npx)

Sécurité et limites

Opt-in (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 fournis. 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,....

Identifiants : Aucun jeton fourni. Définissez CS_ACCESS_TOKEN vous-même (voir getting-a-personal-access-token.md dans le dépôt amont). Ne validez jamais les jetons dans le dépôt.

Ce que les outils lisent : Lorsqu'ils sont appelés, les outils analysent les fichiers et l'état git dans le dépôt local que vous leur indiquez (chemins que vous passez, 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 en amont : README codescene-mcp-server et politiques CodeScene. N'utilisez pas cette compétence pour les secrets, identifiants ou chemins que vous ne souhaitez pas analyser.

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

Quand utiliser

  • L'utilisateur demande à examiner 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 gros diff généré par un agent — vérifiez que Code Health n'a pas régressé
  • Associer avec verification-loop, tdd-workflow, ou /quality-gate comme une vérification structurelle (pas un remplacement des tests/lint)

Quand activer

Mêmes déclencheurs que Quand utiliser ci-dessus — cet en-tête est ce qu'ECC utilise pour l'auto-activation 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.

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 amont (lien ci-dessus). Le mode autonome ne nécessite pas de compte payant CodeScene 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. Appeler 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 delta)
pre_commit_code_health_safeguardBloquer les commits qui introduisent des régressions 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, listes de hotspots de dette technique à l'échelle du dépôt). Ne référencez pas delta_analysis — pas disponible en mode autonome.

3. Interpréter les scores (1–10)

PlageSignificationComportement de l'agent
9.0–10.0Vert — sainPlus sûr à étendre ; préférez toujours les tranches verticales
4.0–8.9Jaune — dettePrudence ; pas de refactoring de passage
1.0–3.9Rouge — dette sévèreChamp d'action limité uniquement

4. Exécuter la boucle de rétroaction

Avant de toucher à 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 le plus petit changement qui répond à la tâche.

Portée par score : inférieur à 5 — diff minimal uniquement ; 5–7 — pas de refactoring large ; supérieur à 7 — plus sûr de refactoriser, vérifiez quand même après chaque édition.

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 des outils autonomes :

  1. code_health_review sur un module cible (score de base 4.82)
  2. Refactoring ciblé répondant aux odeurs listées
  3. code_health_score après chaque édition
  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 de règle 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 — limitez la portée des modifications.
- Score entre 5 et 7 : plage d'avertissement — pas de refactoring large.

Après chaque modification : exécutez `code_health_score` pour vérifier le delta.

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

Avant chaque commit : exécutez `pre_commit_code_health_safeguard`.

Avant la PR : exécutez `analyze_change_set`.

Exemple : anti-patrons vs boucle correcte

# MAUVAIS : Modifier d'abord, vérifier ensuite
[gros refactoring sans code_health_review]

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

# MAUVAIS : Refactoring large sur un fichier à score rouge (inférieur à 5)
Nettoyage de passage sur tout le module

# BON : revue → petit changement → score → sauvegarde de commit → analyze_change_set

Association avec ECC

Compétence / flux ECCRôle de Code Health MCP
coding-standardsStyle/noms ; Code Health = structure/complexité
plankton-code-qualityLint/format à l'écriture ; Code Health = barrière structurelle avant/après édition
verification-loop / /quality-gateAjouter une vérification de régression structurelle avant "terminé"
security-reviewSécurité vs maintenabilité — utilisez les deux lorsque pertinent
tdd-workflowLes tests qui passent ≠ conception saine — vérifiez le score après les refactoring

Conseil contextuel : ECC recommande de garder un faible nombre de MCP. Activez codescene lors des modifications substantielles ; désactivez-le lorsqu'il n'est pas nécessaire.

Compétences connexes

  • coding-standards — conventions de base
  • plankton-code-quality — hooks lint/format à l'écriture
  • verification-loop — barrière build/test/lint
  • tdd-workflow — développement piloté par les tests
  • security-review — liste de vérification 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/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 associés