Communitygithub.com

codehealth-mcp

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

O que é codehealth-mcp?

Code Health MCP (CodeScene) é uma skill de agente AI que fornece feedback de manutenibilidade estrutural para codificação assistida por IA. Ela complementa skills de estilo e linting oferecendo pontuações de saúde em nível de design e verificações de regressão. A skill se conecta ao servidor MCP CodeScene e expõe quatro ferramentas independentes: code_health_review para análise estrutural completa antes de modificar um arquivo, code_health_score para verificação numérica rápida após cada mudança, 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 9–10 indica código saudável (verde), 4–8.9 indica dívida técnica (amarelo), e 1–3.9 indica dívida severa (vermelho). A skill é projetada para ser usada antes de editar hotspots, módulos legados ou arquivos desconhecidos, antes de commits e PRs, e após grandes diffs gerados por agentes. Ela é compatível com o Claude Code via configuração MCP e pode ser emparelhada com skills ECC como verification-loop, tdd-workflow e quality-gate para uma verificação estrutural adicional. Não requer uma conta paga da plataforma CodeScene para as quatro ferramentas independentes, mas exige um token de acesso definido na variável de ambiente CS_ACCESS_TOKEN.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/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 skills de estilo/lint (coding-standards, plankton-code-quality) com pontuações de saúde em nível de design e verificações de regressão.

Origem: 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. As instalações de plugins ECC não habilitam automaticamente servidores MCP empacotados. Copie a entrada para sua configuração apenas se desejar usá-la. Você pode excluí-la durante a instalação/sincronização ECC com ECC_DISABLED_MCPS=codescene,....

Credenciais: Nenhum token embutido. Defina CS_ACCESS_TOKEN você mesmo (veja getting-a-personal-access-token.md no repositório upstream). Nunca envie tokens para o repositório.

O que as ferramentas leem: Quando invocadas, as ferramentas analisam arquivos e o estado do git no repositório local que você apontar para elas (caminhos que você passar, mais o contexto do 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 skill para segredos, credenciais ou caminhos que você não deseja analisar.

Se o MCP estiver indisponível (offline, token inválido, falha no servidor): Não invente pontuações de Code Health. Informe ao usuário que a verificação foi pulada. Continue apenas com aprovação explícita do usuário. Prefira lint/testes/loop de verificação para bloqueio quando o MCP estiver inativo. Reative as verificações assim que o servidor conectar.

Quando usar

  • O usuário pede para revisar qualidade de código, refatorar um arquivo, ou verificar se mudanças 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 escrito 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 cabeçalho é o que o ECC usa para ativação automática de skill.

Como funciona

1. Conectar 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. Use apenas ferramentas standalone

FerramentaQuando usar
code_health_reviewAnálise estrutural completa antes de modificar um arquivo
code_health_scorePontuação numérica rápida após cada mudança (verificação delta)
pre_commit_code_health_safeguardBloquear 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 faça referência a delta_analysis — não está disponível no standalone.

3. Interpretar 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 avulsas
1.0–3.9Vermelho — dívida severaApenas escopo estreito

4. Executar 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 smells de código listados.
  3. Planeje a menor mudança 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 mudança

  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 no Flask

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

  1. code_health_review em um módulo alvo (base 4.82)
  2. Refatoração direcionada abordando os 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 imposição 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 — restrinja mudanças estritamente.
- Pontuação 5–7: faixa de aviso — sem refatorações amplas.

Após cada mudança: 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
[refatoração grande 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 avulsa em todo o módulo

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

Combinação com ECC

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

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

Skills relacionadas

  • coding-standards — convenções base
  • plankton-code-quality — hooks de lint/format na escrita
  • verification-loop — barreira 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/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.

Habilidades Relacionadas