MCP Jacoco Reporter

🚀 MCP - JaCoCo

MCP - JaCoCo 是一款服务器工具，它能够把 JaCoCo 代码覆盖率报告转换为适合大型语言模型（LLMs）使用的格式，让人工智能驱动的分析变得更加高效、有效。

🚀 快速开始

MCP - JaCoCo 可将传统的 JaCoCo 代码覆盖率报告转换为适合 AI 处理的格式，助力开发团队在测试工作流中充分发挥人工智能的潜力，提升效率与洞察力。

✨ 主要特性

• 智能转换：将 JaCoCo XML 报告转换为 LLM 友好的 JSON 格式。
• 灵活的覆盖率类型：支持多种覆盖率指标（指令、分支、行等）。
• 高效处理：快速且轻量级的报告处理。
• 结构化输出：组织良好的 JSON 格式，便于 AI 消费。
• 可自定义分析：按特定指标过滤覆盖率数据。

📦 安装指南

使用 uv 安装 MCP - JaCoCo，配置如下：

{
  "mcpServers": {
     "mcp-jacoco-reporter-server": {
      "command": "uv",
      "args": [
        "run",
        "--with",
        "mcp[cli]",
        "mcp",
        "run",
        "/Users/crisschan/workspace/pyspace/mcp-jacoco-reporter/mcp-jacoco-reporter-server.py"
      ],
      "env": {
        "COVERED_TYPES": "nocovered, partiallycovered, fullcovered"
      },
      "alwaysAllow": [
        "jacoco_reporter_server"
      ]
    }
  }
}

💻 使用示例

基础用法

jacoco_reporter_server 工具可读取 JaCoCo XML 报告并返回 JSON 格式的覆盖率数据。

• 输入：
  • jacoco_xmlreport_path：JaCoCo xml 报告路径（jacoco.xml）
• 输出：
  • 字符串，包含覆盖度量的格式化 JSON 数据

示例输出格式：

[
    {
        "sourcefile": "PasswordUtil.java",
        "package": "com/cicc/ut/util",
        "lines": {
            "nocovered": [],
            "partiallycovered": []
        },
        "branch": {
            "nocovered": [],
            "partiallycovered": []
        }
    },
    {
        "sourcefile": "UserServiceImpl.java",
        "package": "com/cicc/ut/service/impl",
        "lines": {
            "nocovered": [
                32,
                40,
                51,
                67
            ],
            "partiallycovered": []
        },
        "branch": {
            "nocovered": [],
            "partiallycovered": []
        }
    }
]

📚 详细文档

为什么重要

随着人工智能和大语言模型在软件开发中的作用日益增强，传统的 JaCoCo 代码覆盖率报告——尽管对人类有用——其 XML 格式并不适合 AI 工具进行处理或分析。MCP - JaCoCo 搭建了这座桥梁，将这些报告转换为 LLM 友好的格式，为开发团队带来了显著的优势：

• 快速生成有意义的代码覆盖率摘要
• 轻松识别未测试或测试不足的代码
• 提供智能的新测试用例建议
• 实现 AI 辅助测试计划的自动化
• 简化覆盖率结果的文档记录

解决的问题

• 复杂格式：简化 JaCoCo 的密集 XML 报告以供 AI 使用。
• 分散数据：将覆盖率指标集中到一个易于访问的地方。
• 缓慢分析：减少耗时的人工审查。
• 集成障碍：使原始数据与 AI 工具兼容。