Communitygithub.com

codehealth-mcp

Saúde Estrutural do Código em tempo real via CodeScene MCP — revise antes de editar, verifique deltas de pontuação após alterações, e bloqueie commits e PRs. Use ao revisar qualidade de código, refatorar, verificar se alterações de IA degradaram um arquivo, ou antes de commit/PR.

O que é codehealth-mcp?

O Code Health MCP (CodeScene) fornece feedback de manutenibilidade estrutural para codificação assistida por IA. Ele complementa habilidades de estilo/lint (como `coding-standards` e `plankton-code-quality`) com pontuações de saúde em nível de design e portões de regressão. A habilidade oferece quatro ferramentas standalone: `code_health_review` para análise estrutural completa antes de modificar um arquivo, `code_health_score` para verificação rápida de pontuação após cada alteração, `pre_commit_code_health_safeguard` para bloquear commits que introduzam regressões, e `analyze_change_set` para verificação em nível de branch antes de abrir um PR. As pontuações variam de 1 a 10, onde 9.0–10.0 indica código saudável (verde), 4.0–8.9 indica dívida técnica (amarelo) e 1.0–3.9 indica dívida severa (vermelho). É ativada quando o usuário pede revisão de qualidade de código, refatoração, ou verificação de regressão antes de commit/PR. A segurança é opt-in: o servidor MCP não é auto-habilitado na instalação, e nenhum token é incluído — o usuário deve configurar `CS_ACCESS_TOKEN` manualmente. As ferramentas analisam apenas arquivos e estado git no repositório local, e não devem ser usadas para segredos ou credenciais. A habilidade suporta Claude Code (via `~/.claude.json` ou `.mcp.json`), Cursor, Codex, e qualquer plataforma que suporte MCP. É ideal para pareamento com fluxos como `verification-loop`, `tdd-workflow` e `/quality-gate`, adicionando uma verificação estrutural antes de declarar uma tarefa concluída. A recomendação é manter o número de servidores MCP baixo — habilitar `codescene` apenas durante edições substanciais e desabilitar quando não for necessário.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Code Health MCP (CodeScene)

Feedback de manutenibilidade estrutural para codificação assistida por IA. Complementa habilidades de estilo/lint (coding-standards, plankton-code-quality) com pontuações de saúde em nível de design e portões de regressão.

Upstream: codescene-oss/codescene-mcp-server Pacote: @codescene/codehealth-mcp (stdio via npx)

Segurança e limites

Opt-in (ECC): O bloco codescene em mcp-configs/mcp-servers.json é apenas um modelo. A instalação do plugin ECC não habilita automaticamente servidores MCP incluídos. Copie a entrada para sua configuração apenas se desejar usá-la. Você pode excluí-la durante a instalação/sincronização do ECC com ECC_DISABLED_MCPS=codescene,....

Credenciais: Nenhum token incluído. Defina CS_ACCESS_TOKEN você mesmo (consulte getting-a-personal-access-token.md no repositório upstream). Nunca commite tokens no repositório.

O que as ferramentas leem: Quando invocadas, as ferramentas analisam arquivos e estado git no repositório local que você apontar (caminhos que você passar, mais contexto de branch para analyze_change_set). Elas não são executadas sozinhas. Para modo standalone, siga a documentação de privacidade upstream: codescene-mcp-server README e políticas do CodeScene. Não use esta habilidade para segredos, credenciais ou caminhos que você não deseja analisar.

Se o MCP estiver indisponível (offline, token inválido, falha do servidor): Não invente pontuações de Code Health. Informe ao usuário que a verificação foi ignorada. Continue apenas com aprovação explícita do usuário. Prefira lint/testes/loop de verificação para bloqueio quando o MCP estiver inativo. Reative as verificações quando o servidor conectar.

Quando usar

  • O usuário pede para revisar qualidade de código, refatorar um arquivo, ou verificar se alterações de IA degradaram a manutenibilidade
  • Antes de editar um hotspot, módulo legado, ou arquivo desconhecido
  • Antes de commit ou pull request quando você precisa de uma salvaguarda de manutenibilidade
  • Após um grande diff gerado por agente — verifique se o Code Health não regrediu
  • Combine com verification-loop, tdd-workflow ou /quality-gate como uma verificação estrutural (não substitui testes/lint)

Quando ativar

Mesmos gatilhos de Quando usar acima — este título é o que o ECC usa para ativação automática da habilidade.

Como funciona

1. Conecte o servidor MCP

Copie a entrada codescene de mcp-configs/mcp-servers.json para sua configuração MCP.

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

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

Escopo de projeto: mescle o mesmo bloco em .mcp.json na raiz do repositório.

A configuração do token está documentada no repositório upstream (link acima). O modo standalone não requer uma conta paga da plataforma CodeScene para as quatro ferramentas listadas abaixo. Reinicie a sessão e confirme que o servidor codescene está conectado antes de confiar nas pontuações.

2. Chame apenas ferramentas standalone

FerramentaQuando usar
code_health_reviewAnálise estrutural completa antes de modificar um arquivo
code_health_scorePontuação numérica rápida após cada alteração (verificação de delta)
pre_commit_code_health_safeguardBloqueie commits que introduzam regressões de Code Health
analyze_change_setVerificação em nível de branch antes de abrir um PR

Não chame ferramentas exclusivas da plataforma (ex.: listas de hotspots de dívida técnica em todo o repositório). Não referencie delta_analysis — não disponível no modo standalone.

3. Interprete pontuações (1–10)

FaixaSignificadoComportamento do agente
9.0–10.0Verde — saudávelMais seguro para estender; ainda prefira fatias verticais
4.0–8.9Amarelo — dívidaTome cuidado; sem refatorações de passagem
1.0–3.9Vermelho — dívida severaApenas escopo estreito

4. Execute o loop de feedback

Antes de tocar em um arquivo

  1. Execute code_health_review no caminho alvo.
  2. Registre a pontuação base e os code smells listados.
  3. Planeje a menor alteração que resolva a tarefa.

Escopo por pontuação: abaixo de 5 — apenas diff mínimo; 5–7 — sem refatorações amplas; acima de 7 — mais seguro refatorar, ainda verifique após cada edição.

Após cada alteração

  1. Execute code_health_score no mesmo arquivo.
  2. Compare com a pontuação base de code_health_review.
  3. Se a pontuação regrediu, corrija antes de continuar. Nunca marque a tarefa como concluída enquanto a pontuação estiver menor do que quando você começou.

Antes de cada commit — execute pre_commit_code_health_safeguard no caminho do repositório.

Antes de um PR — execute analyze_change_set contra o branch base (ex.: main).

Exemplos

Exemplo: Melhoria de manutenibilidade Flask

No pallets/flask, um loop de agente usando apenas ferramentas standalone:

  1. code_health_review em um módulo alvo (pontuação base 4.82)
  2. Refatoração direcionada abordando os code smells listados
  3. code_health_score após cada edição
  4. pre_commit_code_health_safeguard antes do commit
  5. analyze_change_set antes do PR

Resultado: Code Health 4.82 → 9.1 (token standalone gratuito apenas).

Exemplo: Bloco de execução em AGENTS.md

Cole no AGENTS.md ou CLAUDE.md do projeto:

## Code Health (CodeScene MCP)

Antes de modificar qualquer arquivo: execute `code_health_review`, anote a pontuação e problemas.

- Pontuação abaixo de 5: faixa problemática — escopo de alterações estreito.
- Pontuação 5–7: faixa de aviso — sem refatorações amplas.

Após cada alteração: execute `code_health_score` para verificar o delta.

- Se a pontuação regrediu: corrija antes de continuar; nunca declare concluído se a pontuação caiu.

Antes de cada commit: execute `pre_commit_code_health_safeguard`.

Antes do PR: execute `analyze_change_set`.

Exemplo: anti-padrões vs loop correto

# RUIM: Editar primeiro, verificar depois
[grande refatoração sem code_health_review]

# RUIM: Ignorar queda de pontuação
"Testes passam" → marcar tarefa como concluída enquanto Code Health diminuiu

# RUIM: Refatoração ampla em arquivo com pontuação vermelha (abaixo de 5)
Limpeza de passagem em todo o módulo

# BOM: revisar → pequena alteração → pontuação → salvaguarda de commit → analyze_change_set

Pareamento com ECC

Habilidade / fluxo ECCPapel do Code Health MCP
coding-standardsEstilo/nomenclatura; Code Health = estrutura/complexidade
plankton-code-qualityLint/format em tempo de escrita; Code Health = portão estrutural pré/pós edição
verification-loop / /quality-gateAdicione verificação de regressão estrutural antes de "concluído"
security-reviewSegurança vs manutenibilidade — use ambos quando relevante
tdd-workflowTestes passarem ≠ design saudável — verifique pontuação após refatorações

Dica de contexto: ECC recomenda manter o número de MCPs baixo. Habilite codescene ao fazer edições substanciais; desabilite quando não for necessário.

Habilidades relacionadas

  • coding-standards — convenções base
  • plankton-code-quality — hooks de lint/format em tempo de escrita
  • verification-loop — portão de build/teste/lint
  • tdd-workflow — desenvolvimento orientado a testes
  • security-review — checklist de segurança
  • documentation-lookup — documentação de bibliotecas via 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.

Habilidades Relacionadas