AI导哈

智能仓库发现平台

一个智能的GitHub仓库发现平台，帮助开发者找到适合项目和学习的仓库，提供个性化推荐和深度分析。

  • by Pro-dutt
  • JavaScript
  • 本地部署
  • 2 星标
  • 更新于
在 GitHub 查看 pro-dutt/hackaton-mcp-server

使用说明

🔍 存储库发现平台

MCP黑客马拉松2025-主题1：公民参与

Repo侦察员

一个智能存储库发现平台，帮助开发人员为他们的项目和学习之旅找到完美的GitHub存储库。

🎯 问题陈述

在当今庞大的开源生态系统中，开发人员很难：

  • 查找新项目的相关存储库
  • 发现适合初学者的存储库，为其做出贡献
  • 从现有代码库中获得有意义的头脑风暴想法
  • 确定与他们的技能水平和兴趣相匹配的存储库

💡 解决方案概述

我们的平台利用模型控制协议（MCP）服务器和人工智能，通过用户友好的web界面提供智能存储库建议。

主要特点

  • 智能存储库搜索：使用GitHub MCP工具的人工智能搜索
  • 初学者友好过滤：确定好的第一个问题和初学者资源
  • 存储库分析：对存储库质量、活动和社区进行深入分析
  • 比较分析：比较多个存储库以做出明智的决策
  • 个性化推荐：根据用户偏好量身定制的建议

🏗️ 建筑

两种实施方法

方法1：LM Studio集成

  • 主堆栈：Next.js前端+Flask后端
  • AI模型：LM Studio，可自定义参数
  • MCP集成：Docker托管的GitHub MCP服务器
  • 沟通：带有stdin/stdout的CLI流
  • 编排：用于工作流管理的LangGraph

方法2：克劳德桌面（优化）

  • 平台：Claude桌面应用程序
  • 演出：提高速度和效率
  • MCP工具：与GitHub和自定义repo_analyzer MCP直接集成

🛠️ 技术栈

前端

  • 框架：Next.js
  • 认证：Descope（OAuth与GitHub和谷歌）
  • 样式：现代响应式设计

后端

  • API服务器：烧瓶
  • 人工智能集成：LM Studio API/Claude Desktop
  • 工作流程：用于存储库过滤和分析的LangGraph
  • 容器化：用于MCP服务器的Docker

MCP工具

  1. GitHub MCP （标准）

    • search_repository
    • get_issues
    • get_directory_contents

  2. 自定义报告分析仪MCP （快速MCP）

    • analyze_repository
    • get_beginner_resources
    • suggest_good_first_issues
    • compare_repositories

🚀 入门指南

先决条件

  • Node.js 18+
  • Python 3.8+
  • 码头工人
  • LM工作室（用于方法1）

安装

  1. 克隆存储库

    git clone <repository-url>
cd repository-discovery-platform

  2. 前端设置

    cd frontend
npm install
npm run dev

  3. 后端设置

    cd backend
pip install flask httpx fastmcp flask-cors
python app.py

  4. MCP服务器设置

    docker-compose up -d

配置

  1. 环境变量

    GITHUB_PERSONAL_ACCESS_TOKEN = <your_github_token>
DESCOPE_PROJECT_ID = your_descope_project_id
DESCOPE_MANAGEMENT_KEY = descope_management_key
LM_STUDIO_API_URL = http://localhost:1234

  2. LM工作室配置

    • 在端口1234上启动LM Studio服务器
    • 加载您喜欢的模型
    • 配置MCP集成

📱 用法

web界面

  1. 登录: http://localhost:3000/sign-in

    • 通过Descope访问GitHub或谷歌OAuth

  2. 生成建议: http://localhost:3000/generate

    • 输入您的项目描述或兴趣
    • 自定义AI参数（温度、最大令牌、top-k等）
    • 获取智能存储库建议

API终点

LM Studio端点

  • GET /health -服务器健康检查
  • GET /models -可用型号
  • POST /chat -流程提示
  • POST /chat/completions -获取AI完成

🔧 功能深潜

智能过滤

  • 星数分析：存储库流行度指标
  • 提交历史记录：活动和维护状态
  • 问题管理：积极的社区参与
  • 贡献者分析：社区规模和多样性

存储库质量评估

  • README质量：文件完整性
  • 许可证合规性：开源许可证验证
  • 初学者友好：良好的第一期问题和贡献指南
  • 项目结构：代码组织和最佳实践

个性化

  • 技能等级匹配：初级到高级推荐
  • 技术栈：语言和框架偏好
  • 贡献历史：基于用户的GitHub活动

🎮 演示

建筑

🏆 黑客马拉松成绩

成就

  • 成功集成多个MCP服务器
  • 创建了用于增强存储库分析的自定义MCP工具
  • 实现了两种不同的架构方法
  • 在方法2中实现了显著的性能改进

经验教训

  • MCP与stdin/stdout通信的集成挑战
  • 通过Claude Desktop集成实现性能优化
  • 用户体验在人工智能应用中的重要性

👥 团队

  • [Proytookh Dutta]-前端开发
  • [Ammar Arsiwala]-后端和MCP集成(https://github.com/ammar-arsiwala)
  • [Siyaram Sharma]-人工智能模型集成(https://github.com/Siyaram68)
  • [Abhigyan Borah]-DevOps
  • [古列里亚文化] - 文档

🙏 致谢

  • MCP黑客马拉松组织者
  • 用于存储库数据的GitHub API
  • LM Studio团队负责本地AI模型托管
  • 身份验证解决方案说明
  • FastMCP用于简化MCP开发

内置于❤️ MCP黑客马拉松2025

相关 MCP