Expose un registre de graphes de connaissances de code aux clients IA pour l'analyse de dépôts, la recherche de concepts et la détection de dérive.
Aussi connu sous looptech-ai/understand-quickly, @looptech-ai/understand-quickly-mcp
- Étoiles
- 48
- Outils
- —
- Téléchargements, 30 jours
- —
- Dernière version
- 0.1.1
- Dernier commit
- 17 sept. 2026
- Licence
- Apache-2.0
Qu'est-ce que understand-quickly MCP ?
understand-quickly est un serveur MCP. Expose un registre de graphes de connaissances de code aux clients IA pour l'analyse de dépôts, la recherche de concepts et la détection de dérive.
Résumé généré à partir du README du projet
À propos du MCP server understand-quickly
L'analyse de dépôts de code via des graphes de connaissances est ce que les développeurs accomplissent grâce à ce MCP server. Il connecte des clients IA tels que Claude Desktop, Cursor ou Codex à un registre de graphes de connaissances de code précalculés, permettant une analyse approfondie des dépôts et la recherche de concepts. Le serveur s'exécute localement via stdio JSON-RPC et nécessite Node 20 ou une version supérieure pour fonctionner.
Les utilisateurs peuvent interagir avec le registre à l'aide de quatre outils spécifiques : list_repos pour voir les entrées disponibles, find_graph_for_repo pour localiser un graphe spécifique via une URL GitHub ou un ID, get_graph pour récupérer les données JSON analysées, et search_concepts pour trouver des termes spécifiques. Le système inclut une détection de dérive intégrée, fournissant des métadonnées telles que le nombre de commits de retard d'un dépôt par rapport à sa source.
Cette implémentation est intentionnellement minimale et utilise une mise en cache en mémoire avec un TTL de 60 secondes pour les données du registre et des statistiques. Elle s'appuie sur un fichier registry.json public et peut être configurée pour utiliser des sources de registre ou de statistiques personnalisées via des variables d'environnement. Bien qu'elle ne propose ni embeddings ni streaming, elle offre un moyen structuré de naviguer dans des bases de code complexes grâce à des correspondances de concepts agrégées et des recherches de nœuds basées sur des graphes.
Ce que vous pouvez faire avec
- 1Recherche de concepts architecturauxDemandez une liste de concepts de programmation courants à travers tous les dépôts disponibles dans le registre.
Extrait du README du projet. Chaque cas d'utilisation est vérifié par rapport à une citation du document.
Comment installer understand-quickly MCP
Formats vérifiés le 10 nov. 2026Ajouter à CursorAjouter à GooseInstaller understand-quickly MCP dans Claude Code
$ claude mcp add understand-quickly -- npx -y @looptech-ai/understand-quickly-mcpInstaller understand-quickly MCP dans Cursor
~/.cursor/mcp.json
{
"mcpServers": {
"understand-quickly": {
"command": "npx",
"args": [
"-y",
"@looptech-ai/understand-quickly-mcp"
]
}
}
}Installer understand-quickly MCP dans VS Code
.vscode/mcp.json
{
"servers": {
"understand-quickly": {
"type": "stdio",
"command": "npx",
"args": [
"-y",
"@looptech-ai/understand-quickly-mcp"
]
}
}
}Installer understand-quickly MCP dans VS Code CLI
$ code --add-mcp '{"name":"understand-quickly","type":"stdio","command":"npx","args":["-y","@looptech-ai/understand-quickly-mcp"]}'Installer understand-quickly MCP dans Claude Desktop
claude_desktop_config.json
{
"mcpServers": {
"understand-quickly": {
"command": "npx",
"args": [
"-y",
"@looptech-ai/understand-quickly-mcp"
]
}
}
}Installer understand-quickly MCP dans Codex
$ codex mcp add understand-quickly -- npx -y @looptech-ai/understand-quickly-mcpInstaller understand-quickly MCP dans Codex config.toml
~/.codex/config.toml
[mcp_servers.understand-quickly] command = "npx" args = ["-y", "@looptech-ai/understand-quickly-mcp"]
Installer understand-quickly MCP dans Gemini CLI
$ gemini mcp add -s user understand-quickly npx -- -y @looptech-ai/understand-quickly-mcpInstaller understand-quickly MCP dans Gemini settings.json
~/.gemini/settings.json
{
"mcpServers": {
"understand-quickly": {
"command": "npx",
"args": [
"-y",
"@looptech-ai/understand-quickly-mcp"
]
}
}
}Configuration
UNDERSTAND_QUICKLY_REGISTRY
| Nom | Description | Type |
|---|---|---|
| UNDERSTAND_QUICKLY_REGISTRY | — |
Vérifications automatisées
Exécuté le 13 nov. 2026Rapport complet →A passé nos vérifications automatisées. Il ne s'agit pas d'un audit de sécurité : lisez le code et donnez au serveur l'accès le plus restreint dont il a besoin. Fonctionnement des vérifications
- Dépôt source lié et accessibleRéussi
- Licence open source (OSI)Réussi
- Commit ou version publiée au cours de l'année écouléeRéussi
- Nom du package non proche d'un package populaireRéussi
- L'endpoint distant utilise HTTPSNon vérifié
- Les outils destructifs sont étiquetésNon vérifié
- Aucune instruction cachée destinée au modèleRéussi
- Aucun avis critique dans le package ou ses dépendancesRéussi
README
Voir sur GitHub@looptech-ai/understand-quickly-mcp
A thin Model Context Protocol server that exposes the understand-quickly registry to any MCP client (Claude Desktop, Codex, Cursor, etc.).
Status: stub-quality. It works end-to-end but is intentionally minimal — no streaming, no embeddings, no auth.
What it does
It wraps the public registry.json and exposes four tools:
| Tool | Params | Returns |
|---|---|---|
list_repos |
{ format?, tag?, status? } |
Array of { id, format, description, status, tags, last_synced, graph_url } |
find_graph_for_repo |
{ id?, github_url? } (at least one required) |
Single registry entry's graph_url + drift metadata, or { found: false, suggestions: [...] } with up to 5 fuzzy-matched ids |
get_graph |
{ id } |
Parsed graph JSON for that entry's graph_url |
search_concepts |
{ query, id? } |
Default: aggregated concept matches from the precomputed stats.json (single GET, cached 60s). With id: substring match across one graph's nodes. Falls back to a capped cross-graph fan-out if stats.json is unreachable. |
The registry response is cached in-memory for 60 seconds. stats.json uses an
identical 60-second TTL cache.
find_graph_for_repo
Accepts either an id (the registry id, owner/repo) or a github_url. The
URL parser tolerates:
https://github.com/owner/repohttps://github.com/owner/repo.githttps://github.com/owner/repo/(trailing slash)https://github.com/owner/repo/tree/main/...(branch / sub-path)git@github.com:owner/repo.git
When the entry is found, the response includes last_synced, last_sha,
source_sha, head_sha, commits_behind, and a pretty drift_summary
(e.g. "behind by 17 commits") when those fields are present in the registry.
If the entry is not found, the response is
{ found: false, suggestions: [...] } with up to 5 fuzzy-matched ids
(Levenshtein distance ≤ 3 against the lowercased id).
search_concepts
By default — that is, when id is not provided — search_concepts reads the
precomputed stats.json aggregate (a single, cached GET) and returns matching
concept terms with their entry counts and up to 3 sample registry ids. This
replaces the previous behaviour, which fanned out up to 5 graph fetches at
request time.
When id is provided, it falls back to the legacy single-graph node search
(substring match against id / label / name). When stats.json is
unavailable (404 or schema mismatch), it falls back to the capped cross-graph
fan-out for backward compatibility.
The source field on the response indicates which mode served the request:
"stats", "graph", or "fanout".
Install
cd mcp
npm install
npm run build # compiles TypeScript -> dist/
npm test # runs node:test across registry/cache and tool logic
Node 20+ is required (uses the global fetch).
Run locally
For development:
npm run dev
For a built binary:
npm start
The server speaks stdio JSON-RPC. It will not respond to keystrokes — point an MCP client at it.
Register with Claude Desktop
Add the following to Claude Desktop's claude_desktop_config.json (the path is
~/Library/Application Support/Claude/claude_desktop_config.json on macOS):
{
"mcpServers": {
"understand-quickly": {
"command": "npx",
"args": [
"tsx",
"/absolute/path/to/understand-quickly/mcp/src/index.ts"
],
"env": {
"UNDERSTAND_QUICKLY_REGISTRY": "https://looptech-ai.github.io/understand-quickly/registry.json"
}
}
}
}
Replace /absolute/path/to/... with the actual path to your checkout. Restart
Claude Desktop after saving.
If you would rather run the compiled output, swap to:
{
"mcpServers": {
"understand-quickly": {
"command": "node",
"args": ["/absolute/path/to/understand-quickly/mcp/dist/index.js"]
}
}
}
Environment variables
| Variable | Default | Purpose |
|---|---|---|
UNDERSTAND_QUICKLY_REGISTRY |
https://looptech-ai.github.io/understand-quickly/registry.json |
Override the registry source (e.g. point at a local file or a fork). |
UNDERSTAND_QUICKLY_STATS |
https://looptech-ai.github.io/understand-quickly/stats.json |
Override the precomputed stats source consumed by search_concepts. |
Current limitations
- In-memory cache only. Every server process refetches once a minute. No cross-process or on-disk cache.
- Cross-graph fan-out is only a fallback. When
search_conceptsfalls back (no stats.json), it scans only the first 5status: okentries sequentially. - Substring search is dumb. No fuzzy matching, no ranking, no embeddings.
- No streaming or progress reporting. Tools block until the upstream responds.
- Best-effort node enumeration. The single-graph fallback assumes the graph
has a
nodes/entities/concepts/itemsarray; otherwise it walks top-level array values. - No retries or backoff on upstream
graph_urlfetch failures — failed fetches return an empty result for that entry instead of erroring out.
These are all acceptable for an MVP. If you need more, open an issue.
Questions sur understand-quickly MCP
Comment ajouter understand-quickly MCP à Claude Code ?
Exécutez claude mcp add understand-quickly -- npx -y @looptech-ai/understand-quickly-mcp dans votre terminal. Ajoutez --scope user pour le rendre disponible dans tous les projets.
Comment ajouter understand-quickly MCP à Cursor ?
Ouvrez ~/.cursor/mcp.json et ajoutez le serveur sous mcpServers, avec la configuration Cursor indiquée dans la section d'installation ci-dessus.
Quels outils le serveur propose-t-il ?
Le serveur expose quatre outils : list_repos, find_graph_for_repo, get_graph et search_concepts.
Ce serveur prend-il en charge l'authentification ?
Non, la version actuelle est une implémentation minimale sans authentification.
Comment fonctionne l'outil search_concepts ?
Il utilise principalement un fichier stats.json précalculé pour les correspondances de concepts agrégées, et effectue un balayage transversal des graphes si le fichier de statistiques est indisponible.