AI导哈

自动化错误报告生成工具

一款基于OpenAI和DeepSeek的自动化错误报告生成工具，支持通过HTTP调用生成bug和debug报告，适用于开发调试场景。

  • by scallioncake
  • Python
  • 本地部署
  • 更新于
在 GitHub 查看 scallioncake/autobug-mcp

使用说明

auto-bug

当前能力

  • 支持 OpenAI（GPT 系列）和 DeepSeek 两类提供方，统一 HTTP 调用。
  • bug_report: 基于上下文模版化生成bug报告
  • debug_report: 基于上下文模版化生成debug报告

TODO

MCP 使用指南（实验性）

基本流程

  1. 准备配置

    • 在仓库根目录配置 config.toml：写入 Obsidian Vault 路径（本地存储路径）、默认项目名、使用的 LLM 提供方以及对应 API Key名称。
    • API Key 放入 .env，程序会自动加载。

  2. 运行命令：

    # 安装依赖
uv sync 

# 激活虚拟环境
...

# 启动MCP客户端
auto-bug-mcp --host 127.0.0.1 --port 8001 --transport sse

  3. 在客户端登记

  • vscode

    1. 在设置中启用MCP
    2. 在当前项目中添加 .vscode/mcp.json 文件，为该工作区配置 MCP 服务器，如：
    {
  "servers": {
    "auto-bug": {
      "url": "http://127.0.0.1:8001/sse",
      "type": "sse"
    }
  },
  "inputs": []
}
    1. 使用 # 工具名称 + 相关参数/指令补充

  • cursor

    1. 打开 Cursor Settings -> Tools & MCP -> New MCP Server, 配置
    {
"mcpServers": {
  "auto-bug": {
    "url": "http://127.0.0.1:8001/sse"
  }
}
}
    1. 在chat中使用agent模式， / + command， 可以create command

使用建议

  • 提供完整的上下文信息，如日志、命令、行为路径...
  • 当MCP调用参数解析错误时可主动指定参数，bug_report及debug_report可输入参数
    {
  "project": "demo_project",
  "log_text": "Traceback (most recent call last): ...",
  "command": "python test.py --data orders_bad.json",
  "environment": "local-dev",
  "persist": true
}
  • 若 persist=true，服务会创建 vault_root/project/bugNNN.md 并把 Markdown 返回给客户端；persist=false 时仅返回内容，不写文件。

CLI

基本流程

  1. 运行命令：
    cursor run tests > latest.log
auto-bug ingest my_project latest.log
    或直接从标准输入读取：
    cursor run tests | auto-bug ingest my_project -
  2. 工具会：
    • 解析日志（截取关键片段）。
    • 向 LLM 发送结构化请求，生成 Bug 报告 JSON。
    • 使用模板渲染 Markdown，并写入 ObsidianVault/<project>/bugNNN.md。

当前能力

  • 支持 OpenAI（GPT 系列）和 DeepSeek 两类提供方，统一 HTTP 调用。
  • 失败时提供最小错误提示，不会覆盖已有文件。
  • 模板可按需自定义（参见 templates/bug_report.md.j2）。

相关 MCP