项目介绍
🔍 代码库发现平台
MCP 黑客马拉松 2025 - 主题 1:公民参与
Repo Scout
一个智能的代码库发现平台,帮助开发者找到适合其项目和学习旅程的完美 GitHub 代码库。
🎯 问题陈述
在当今庞大的开源生态系统中,开发者面临以下挑战:
- 找到适用于新项目的相关代码库
- 发现适合初学者贡献的代码库
- 从现有的代码库中获取有意义的头脑风暴想法
- 找到符合其技能水平和兴趣的代码库
💡 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,通过用户友好的网页界面提供智能的代码库推荐。
关键特性
- 智能代码库搜索:使用 GitHub MCP 工具的 AI 驱动搜索
- 适合初学者的筛选:识别良好的首次问题和初学者资源
- 代码库分析:深入分析代码库的质量、活动和社区
- 比较分析:比较多个代码库以做出明智的决策
- 个性化推荐:基于用户偏好的定制建议
🏗️ 架构
两种实现方法
方法 1:LM Studio 集成
- 主要堆栈:Next.js 前端 + Flask 后端
- AI 模型:可自定义参数的 LM Studio
- MCP 集成:Docker 宿主的 GitHub MCP 服务器
- 通信:CLI 流通过 stdin/stdout
- 编排:LangGraph 用于工作流管理
方法 2:Claude Desktop(优化)
- 平台:Claude Desktop 应用程序
- 性能:增强的速度和效率
- MCP 工具:与 GitHub 和自定义 repo_analyzer MCP 的直接集成
🛠️ 技术栈
前端
- 框架:Next.js
- 认证:Descope(GitHub 和 Google 的 OAuth)
- 样式:现代响应式设计
后端
- API 服务器:Flask
- AI 集成:LM Studio API / Claude Desktop
- 工作流:LangGraph 用于代码库过滤和分析
- 容器化:Docker 用于 MCP 服务器
MCP 工具
-
GitHub MCP(标准)
search_repository
get_issues
get_directory_contents
-
自定义 repo_analyzer MCP(FastMCP)
analyze_repository
get_beginner_resources
suggest_good_first_issues
compare_repositories
🚀 开始使用
先决条件
- Node.js 18+
- Python 3.8+
- Docker
- LM Studio(对于方法 1)
安装
-
克隆仓库
git clone <repository-url>
cd repository-discovery-platform
-
前端设置
cd frontend
npm install
npm run dev
-
后端设置
cd backend
pip install flask httpx fastmcp flask-cors
python app.py
-
MCP 服务器设置
docker-compose up -d
配置
-
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
-
LM Studio 配置
- 在端口 1234 上启动 LM Studio 服务器
- 加载您首选的模型
- 配置 MCP 集成
📱 使用
网页界面
-
登录:http://localhost:3000/sign-in
- 通过 Descope 进行 GitHub 或 Google OAuth
-
生成推荐:http://localhost:3000/generate
- 输入您的项目描述或兴趣
- 自定义 AI 参数(温度、最大令牌数、top-k 等)
- 获取智能的代码库推荐
API 端点
LM Studio 端点
GET /health - 服务器健康检查
GET /models - 可用模型
POST /chat - 处理提示
POST /chat/completions - 获取 AI 补全
🔧 功能深度解析
智能筛选
- 星标数量分析:代码库受欢迎程度指标
- 提交历史:活动和维护状态
- 问题管理:活跃的社区参与
- 贡献者分析:社区规模和多样性
代码库质量评估
- README 质量:文档完整性
- 许可证合规性:开源许可证验证
- 适合初学者:良好的首次问题和贡献指南
- 项目结构:代码组织和最佳实践
个性化
- 技能水平匹配:从初学者到高级的推荐
- 技术栈:语言和框架偏好
- 贡献历史:基于用户的 GitHub 活动
🎮 演示

架构
.PNG)
🏆 黑客马拉松成果
成就
- 成功集成了多个 MCP 服务器
- 创建了自定义 MCP 工具以增强代码库分析
- 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 集成中的 stdin/stdout 通信挑战
- 通过 Claude Desktop 集成进行性能优化的重要性
- 在 AI 驱动的应用程序中用户体验的重要性
👥 团队
🙏 致谢
- MCP 黑客马拉松组织者
- GitHub API 提供的代码库数据
- LM Studio 团队提供的本地 AI 模型托管
- Descope 提供的认证解决方案
- FastMCP 提供的简化 MCP 开发
为 MCP 黑客马拉松 2025 献上 ❤️