Я знаю, что ты думал в прошлый дейлик

Aw sheets, here we go again

• Утро среды.

• Вы медленно открываете meet/slack/rocket/etc и нажимаете на кнопку «📞»

• Имена людей в групповом звонке вам давно известны. Слова, произносимые людьми вам тоже, кажется, известны. Но что-то было вами забыто, что-то очень важное, что будет так нужно вспомнить в тот момент, как очередь доберется по вашу душу.

• Через окно солнце щекочет экран монитора, заставляя вас отклоняться то вправо, то влево, дабы увидеть символы на мониторе. На крутом подоконнике журчат жирные голуби, а над вами сверлит до боли {любимый} сосед.

• И вот внезапно подходит ваша очередь, и, как гром среди ясного неба, звучит неожиданное: «{HeroName}, что нам расскажешь сегодня?».

• Вы, пытаясь выцарапать из чертогов полусонного разума, наконец вытаскиваете из головы обрывки кода, складывая их в рваные фразы, пытаясь раздуть важность сказанного обилием уточнений и ещё более длинным списком уточнений тех самых уточнений. Ещё пару десятков минут обсуждаете надуманные проблемы с менеджерами.

• Очередь переходит к следующим участникам беседы.

• Фоновым процессом вы продолжаете слушать других участников карнавала. Все кастуемые заклинания других пользователей группового чата моментально стираются вашей памятью.

• Наконец звук в наушниках затихает, и вы снова отправляетесь выполнять рабочие квесты.

• Повторите снова.

Если быть честным, муторные обсуждения вещей, которые вполне можно было бы оговорить письменно, нехило выбивают из фокуса — независимо от времени суток. Несмотря на исследования, в которых утверждается, что дейлики полезны, большую часть времени, проведённого на дейликах, я бы не отнёс к чему-то действительно ценному или стоящему траты времени.

Посему я долго думал, как можно скрестить полезное, хайповое и приятное — и пришёл к созданию собственного MCP-сервера для самодокументирующихся пушей в Git, с помощью которых можно составлять дайджесты и использовать RAG.

Идея

Долгое время я наблюдаю, как ИИ несётся вперед — несётся отбирать у меня работу по 300к/nanosec и вручать талончик на уютную должность на заводе. Несмотря на это зрелище, я всё же не отказываюсь от благ, которые даёт мне ИИ, хоть моя психика и сопротивляется этому изо всех сил.

Пару недель назад я установил себе Cursor. До этого всё время пользовался продуктами JetBrains.

Поюзав Cursor, я параллельно начал погружаться в MCP: читать документацию, тестировать написанные сообществом серверы.

В один из дней, когда глаза уже выжгло от бесконечных [fix] в [commit_messages], и последний дейлик был позади, я решил — пора писать свой MCP-сервер. Такой, который бы прибил созвоны, задушил бессмысленные названия коммитов и превратил всё это в приятный для чтения фид, понятный как менеджерам, так и разработчикам.

Чтобы внедрить практику пушей через агента в команде, нужно, чтобы execution prompt был максимально приближен к «полевым условиям» (или просто — к привычным командам и контексту).

Какие ещё должны быть преимущества у данного решения?

• Проверяется, есть ли уже .git; если нет — скрипт выполняет git init.

• Генерация сообщений коммитов с помощью LLM исходя из самого сообщения комита (в дальнейшем планируется добавить генерацию сообщения из данных внутри diff, или diffsumary, в случае если комит слишком большой).

• Автоматическое определение текущей ветки, автоматически создавать master или main, если их нет, и ставит upstream‑связь.

• Вместо набора ручных команд (git init, git config, git add, git commit, git remote add, git push) достаточно написать одну команду агенту:

git push main [сообщение коммита] имя_репозитория

Такой подход не будет сильно корёжить разработчика — ну, почти.

Хотя в глаза сразу бросается странное: имя_репозитория.
Неужели каждый раз нужно указывать полное название репозитория, в который я хочу запушить?

К сожалению, AI не знает, откуда его вызывают, в каком окружении он работает и кто именно инициирует вызов — если эта информация явно не передана в запросе. Это сделано специально — из соображений безопасности, универсальности и контроля доступа. Поэтому в конфиге вы указываете абсолютный путь (или пути), где находятся все ваши репозитории.

Для отладки есть отдельная тулза — list_repositories. С её помощью можно в чате с AI-агентом получить, а точнее отебажить список всех локально доступных репозиториев.

После пуша хочется куда-то сохранять информацию о коммите. Например, можно поднять PostgreSQL, прикрутить pgvector, накатить индексы и сделать семантический поиск по сущностям коммитов. В целом, решение рабочее. Но стоит помнить: ягода pg не для этого росла. В таких задачах куда разумнее использовать специализированные векторные базы — они производительнее, лучше масштабируются, и уже из коробки поддерживают все необходимые ML-модули. И так далее по списку.

В статьях про векторные БД чаще всего встречается ChromaDB, реже — Weaviate, Pinecone или Qdrant (возможно, мне просто знания букв не хватает для чтения). Из спортивного интереса, солидарности со «слабыми» и потому что функционала Weaviate из коробки достаточно для MVP, я выбрал именно её. На её основе мы реализуем RAG — и для тех, кто хочет знать, кто вчера уронил продакшен, и для автоматической генерации дайджестов по коммитам прошедшего дня.

В завершение подключим уведомления в Slack: так вся команда будет в курсе всех твоих «[fix]».

MCP server starts…

Для начала разберемся, что такое MCP сервера.

MCP‑сервер — это сервис, функционально аналогичный API, предоставляющий агенту возможность взаимодействовать с внешними системами: файловой системой, поисковыми сервисами, мессенджерами и даже устройствами «умного дома» (Home Assistant).

Полный список серверов от сообщества можно найти здесь.

Ключевые понятия MCP‑системы:

• GET‑запросы представлены в виде ресурсов для чтения данных;

• POST, PUT, DELETE оформляются как инструменты (tools) для модификации состояния системы;

• промпты в контексте MCP выступают в роли описания интерфейса клиента, аналогичного спецификации Swagger.

Для того чтобы начать создавать свой первый mcp-клиент или mcp-сервер можно использовать SDK, доступные для python, node, c#, java, kotlin. Так как я умею в ноду, и умею лучше, чем в python, то буду писать сервер на стеке node + typescript.

Устанавливаем зависимости и переходим к базе.
Для тех, кто не хочет читать, вот ссылка на сам mcp-сервер:

https://www.npmjs.com/package/@golddeity/gitdigester

Weaviate

Инициализируем клиент для weaviate.

import weaviate, { dataType, WeaviateClient, vectorizer, tokenization } from "weaviate-client";  const weaviateClient: WeaviateClient = await weaviate.connectToWeaviateCloud(     weaviateUrl,     {       authCredentials: new weaviate.ApiKey(config.weaviateKey || ""),      }   );

Если по соображениям безопасности вы не хотите использовать облачный Weaviate, можно развернуть образ базы и модели для эмбедингов с помощью docker compose локально. В данном случае я добавил модуль generative-mistral для RAG, так как mistral не требует пополнения счёта и можно погонять её локально бесплатно.

weaviate:     command:     - --host     - 0.0.0.0     - --port     - '8080'     - --scheme     - http     image: cr.weaviate.io/semitechnologies/weaviate:1.30.0     depends_on:       - t2v-transformers     ports:     - 8082:8080     - 50051:50051     volumes:     - weaviate_data:/var/lib/weaviate     restart: on-failure:0     environment:       QUERY_DEFAULTS_LIMIT: 25       AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED: 'true'       PERSISTENCE_DATA_PATH: '/var/lib/weaviate'       ENABLE_API_BASED_MODULES: 'true'       ENABLE_MODULES: 'text2vec-transformers,generative-mistral'       MISTRAL_APIKEY: 'kQkzna77beFXrs0q4nrrF997LACYWAGk'       TRANSFORMERS_INFERENCE_API: http://t2v-transformers:8080  # Set the inference API endpoint       CLUSTER_HOSTNAME: 'node1'    t2v-transformers:  # Set the name of the inference container     image: cr.weaviate.io/semitechnologies/transformers-inference:sentence-transformers-paraphrase-multilingual-MiniLM-L12-v2     environment:       ENABLE_CUDA: 0  # Set to 1 to enable

Сетапим схе:

const setUpWeaviate = async () => {   await weaviateClient.collections.create({     name: "commits",     vectorizers: vectorizer.text2VecOpenAI(),     properties: [       {         name: "commitMessage",         dataType: dataType.TEXT,         tokenization: tokenization.LOWERCASE,       },       {         name: "commitHash",         dataType: dataType.TEXT,       },       {         name: "commitDate",         dataType: dataType.DATE,       },       {         name: "commitAuthor",         dataType: dataType.TEXT,       },       {         name: "commitBranch",         dataType: dataType.TEXT,       },       {         name: "commitDiff",         dataType: dataType.TEXT,       },     ],   }); }

GIT

Для git будем использовать библиотеку simple GIT. Это более надёжное решение, чем работать с гитом через спавнеры процессов. Внутри библиотеки уже реализованы все обработки ошибок, методы возвращают результаты выполнения в структурированном виде, что избежать парсинга stdout, stderr.

Вначале обновляем URL удаленного репозитория в зависимости от параметра аутентификации указанного в параметрах конфига клиентом MCP сервера.

  git = simpleGit(gitOptions);  const remotes = await git.remote(['get-url', 'origin']); if (!remotes) return;  const remoteUrl = remotes.trim(); let newUrl = '';

Пользователь должен иметь возможность указать через аргументы тип аутентификации и путь до ключей.

"--git-auth-method=ssh","--git-ssh-key=/home/{your_pc}/.ssh/id_rsa",

if (config.gitAuthMethod === 'ssh' && remoteUrl.includes('https://')) {   try {     const httpsUrl = new URL(remoteUrl);     const host = httpsUrl.hostname;     const path = httpsUrl.pathname.replace(/^\//, '');     newUrl = `git@${host}:${path}`;          console.error(`Converting HTTPS URL to SSH: ${newUrl}`);     await git.remote(['set-url', 'origin', newUrl]);   } catch (error) {     console.error(`Error converting HTTPS to SSH URL: ${error}`);   } } else if (config.gitAuthMethod.startsWith('https') && remoteUrl.startsWith('git@')) {     try {       const sshMatch = remoteUrl.match(/git@([^:]+):(.+)/);       if (sshMatch) {         const [, host, path] = sshMatch;         newUrl = `https://${host}/${path}`;                  if (config.gitAuthMethod === 'https-token' && config.gitUsername && config.gitToken) {           const urlObj = new URL(newUrl);           urlObj.username = config.gitUsername;           urlObj.password = config.gitToken;           newUrl = urlObj.toString();         }                  console.error(`Converting SSH URL to HTTPS: ${newUrl}`);         await git.remote(['set-url', 'origin', newUrl]);       }     } catch (error) {       console.error(`Error converting SSH URL to HTTPS: ${error}`);     }   } else if (config.gitAuthMethod === 'https-token' && remoteUrl.includes('https://') &&               config.gitUsername && config.gitToken) {     try {       const urlObj = new URL(remoteUrl);       if (urlObj.username !== config.gitUsername || urlObj.password !== config.gitToken) {         urlObj.username = config.gitUsername;         urlObj.password = config.gitToken;         newUrl = urlObj.toString();                  console.error(`Updating HTTPS URL with credentials`);         await git.remote(['set-url', 'origin', newUrl]);       }     } catch (error) {       console.error(`Error updating HTTPS URL: ${error}`);     }

• С помощью git.remote(['set-url', 'origin', newUrl]) обновляется URL удалённого репозитория.

• Если в конфигурации аутентификация выбранна как 'ssh', но текущий URL имеет формат https://..., тогда нужно сконвертировать его в SSH-формат.

• Создаётся объект URL для удобного извлечения hostname (имени хоста) и pathname (пути).

• Удаляется ведущий слэш из pathname.

• Формируется новый URL вида: git@host:path.

• Выводится сообщение в консоль (через console.error для логирования при использовании modelcontextprotocol/inspector, но об этом позже).

• Если выбран режим HTTPS (или его разновидность) и текущий URL имеет формат SSH (git@…), необходимо выполнить обратное преобразование.

• С помощью регулярного выражения извлекаются хост и путь.

• Формируется новый URL в формате https://host/path.

• Дополнительная проверка: если режим аутентификации — https-token и заданы имя пользователя и токен, то эти креденшелы добавляются в URL через объект URL (устанавливая username и password).

• Логику сетапа данных для аутентификации опустим, там ничего интересного нет.

Tools

Инициализируем инструменты для агента. В первому аргументе указывает название инструмента, во втором примерный промпт, чтобы AI агент определил в какой момент ему дергать тот или иной инструмент. С помощью zod и метода describe мы подсказываем агенту как вычленять параметры из промпта.

server.tool(   "git_push_origin",   "Process git commit and push operations with enhanced commit messages",   {     branchName: z.string().describe("Branch name"),     commitData: z.string().describe("Commit message"),     repositoryName: z.string().optional().describe("Repository name (optional)"),     currentDirectory: z.string().optional().describe("Current working directory of the user (optional)"),   },   async ({ branchName, commitData, repositoryName, currentDirectory }) => {

Далее мы автоматически извлекаем URL репозитория, выбираем текст последнего коммит‑сообщения и прогоняем его через DeepSeek — чтобы получить минималистичный, но ёмкий результат без лишних затрат. В будущем мы добавим две гибкие настройки: возможность передавать собственный промпт для LLM и флаг, указывающий, нужно ли включать diff при расширении сообщения коммита. Однако для нашего MVP MCP текущего набора функций более чем достаточно.

const repoUrl = await git.remote(['get-url', 'origin']) || ''; let userName = '', userEmail = ''; let latestCommit = ''; try {   userName = (await git.raw(['config', 'user.name'])) || '';   userEmail = (await git.raw(['config', 'user.email'])) || ''; } catch (error) {   console.error("Error getting git user info:", error);   userName = "Unknown";   userEmail = "unknown@example.com"; }  const completion = await openai.chat.completions.create({   model: "deepseek-chat",   messages: [     {       role: "system",       content: "Вы — ассистент, который расширяет и улучшает сообщения коммитов. Сделайте их более описательными и профессиональными, сохраняя исходный замысел. Переводите сообщение коммита на русский язык. Делайте это максимально коротко и понятно."     },     {       role: "user",       content: `Пожалуйста, расширьте и улучшите это сообщение коммита: "${commitData}"`     }   ], });  const enhancedCommitMessage = completion.choices[0]?.message?.content || commitData;  await git.add('.'); const commitResult = await git.commit(enhancedCommitMessage); console.error(`Commit result:`, commitResult);  const gitDiff = await git.diff(['HEAD~1', 'HEAD']);\

При попытке запушить изменения скрипт проходит через несколько шагов:

1. Определение текущей ветки
   Сначала мы получаем название текущей ветки (currentBranch) и сравниваем его с целевой (branchName). Если они совпадают, ничего делать не нужно — просто пушим изменения.

2. Проверка и переключение на целевую ветку
   Если мы находимся не в той ветке, в которую хотим запушить:

   • Выводим в консоль предупреждение о несоответствии веток.

   • Определяем хеш последнего коммита (latestCommit = await git.revparse(['HEAD'])).

   • С помощью git branch <branchName> --contains <latestCommit> проверяем, есть ли этот коммит уже в целевой ветке:

     • Если да, сообщаем об этом и выходим.

     • Если нет — готовимся к cherry‑pick’у.

3. Создание или переключение на ветку

   • Пытаемся выполнить git.checkout(branchName).

   • Если ветка не существует, Git автоматически создаст её (в режиме checkout без флага -b) — или можно явно добавить -b, чтобы было понятнее.

4. Чери-пик последнего коммита: Если во время применения патча возникает конфликт или пустой коммит, мы ловим ошибку и разбираем errorMessage.

5. Обработка ошибок cherry‑pick’а

   • Пустой коммит (nothing to commit, previous cherry-pick is now empty, cherry-pick is already started):

     1. Пытаемся git cherry-pick --skip.

     2. Если и это не удалось — делаем git cherry-pick --abort.

   • Любая другая ошибка: сразу git cherry-pick --abort.
     На каждом шаге выводим в консоль подробный лог — что пошло не так и какие команды выполнились.

6. Возврат на изначальную ветку
   После успешного или прерванного cherry‑pick’а скрипт обязательно переключается обратно на currentBranch (или на сохранённый originalBranch), чтобы не оставлять пользователя в незнакомом контексте.

7. Сохраняем в weavite данные:

const commitsCollection = weaviateClient.collections.get("Commits"); const uuid = await commitsCollection.data.insert({   commitMessage: enhancedCommitMessage,   commitDate: new Date().toISOString(),   commitHash: latestCommit,   commitAuthor: userName,   commitEmail: userEmail,   commitBranch: branchName,   commitDiff: gitDiff, });

8. Отправляем вебхук в slack.

 if (config.slackWebhook) {         try {           await axios.post(config.slackWebhook, {             blocks: [               {                 type: "header",                 text: {                   type: "plain_text",                   text: "New Git Commit"                 }               },               {                 type: "section",                 fields: [                   {                     type: "mrkdwn",                     text: `*Repository:*\n${repoUrl.trim()}`                   },                   {                     type: "mrkdwn",                     text: `*Branch:*\n${branchName}`                   }                 ]               },               {                 type: "section",                 fields: [                   {                     type: "mrkdwn",                     text: `*Author:*\n${userName.trim()} <${userEmail.trim()}>`                   }                 ]               },               {                 type: "section",                 text: {                   type: "mrkdwn",                   text: `*Original message:*\n${commitData}`                 }               },               {                 type: "section",                 text: {                   type: "mrkdwn",                   text: `*Enhanced message:*\n${enhancedCommitMessage}`                 }               }             ]           });

9.Возвращаем ответ агенту. Для ответов важен формат, поэтому именно в таком виде.

 content: [     {       type: "text",       text: [         `✅ Commit processed successfully!`,         `Branch: ${branchName}`,         `Original message: ${commitData}`,         `Enhanced message: ${enhancedCommitMessage}`,         config.weaviateKey ? "Data saved to Weaviate." : "Weaviate integration skipped.",         config.slackWebhook ? "Notification sent to Slack." : "Slack notification skipped.",         `Note: Manual 'git push origin ${branchName}' is required to complete the operation.`       ].join("\n")     }   ]

RAG

После наполнения базы достаточным количеством информации о комитах, мы можем начать отправлять query и получать выжимку с помощью любой генеративной модели.

Получим объект коллекции.

const commitsCollection = weaviateClient     .collections                                              .get("Commits");   

Выполним векторный поиск по тексту запроса.

 const searchRes = await commitsCollection.query     .nearText([query], {       limit: 5,                                                 returnProperties: ["commitMessage", "commitAuthor", "commitDate"],       returnMetadata: ["distance"],     })     .do();  

Формируем контекст для модели и отправляем запрос на генерацию текста на основе полученных данных.

  const commits = searchRes.data.Get.Commits;             //    const context = commits     .map((c: any) => `• [${c.commitDate}] ${c.commitAuthor}: ${c.commitMessage}`)     .join("\n");    const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });   const completion = await openai.chat.completions.create({     model: "gpt-3.5-turbo",     messages: [       {         role: "system",         content: "Вы — ассистент, который отвечает на вопросы на основе истории коммитов.",       },       {         role: "user",         content: `Ниже список последних коммитов:\n${context}\n\nВопрос: ${query}`,       },     ],   });    console.log("Ответ LLM:", completion.choices[0].message?.content);

Итог

По итогу на выходе несложная имплементация для mcp-сервера, позволяющая генерировать документацию и получать данные в человекочитаемом виде менеджерам-проектов и разработчикам.

В ближайших планах:

1. Добавить cron‑задачи для автоматического формирования и рассылки дайджестов по ключевым изменениям.

2. Реализовать гибкий tool‑интерфейс агента для запросов в Weaviate (поддержка различных фильтров, векторных и keyword‑поисков).

3. Ввести возможность пользовательской настройки промптов для LLM и расширить логику обработки diff‑патчей (например, конкатенация нескольких коммитов в один отчёт).