OpenCollab MCP

OpenCollab MCP

一个MCP服务器，可以帮助你找到好的首要问题——使用你的人工智能助手。

](https://pypi.org/project/opencollab-mcp/)   

适用于Claude Desktop、Cursor、VS Code或任何兼容MCP的客户端。

______________________________________________________________________

它做什么

你问你的人工智能助手：

*“给我找一本Python好的第一期，我可以在这个周末完成，并确保没有人在做它。”*

OpenCollab为AI 22提供了读取GitHub API的工具。AI使用它们来：

1. 查看你的GitHub个人资料，了解你的技能。
2. 搜索匹配的未决问题。
3. 筛选出已经有受让人或打开拉取请求的问题。
4. 将结果发回，以便人工智能可以推荐一些具体的东西。

就这样 OpenCollab不生成文本。 你的AI客户端进行思考；OpenCollab只提供干净、实时的GitHub数据。

______________________________________________________________________

快速启动

步骤1--获取GitHub令牌

首选 → 生成新令牌（经典） → tick public_repo → 复制令牌（它以开头 ghp_).

步骤2——将其添加到您的AI客户端

MCP服务器具有 两个安装步骤：在你的机器上获取代码，并告诉你的AI客户端在哪里可以找到它。下面的食谱可以做到这两点。

Claude Desktop (recommended)

打开配置文件：

• macOS： ~/Library/Application Support/Claude/claude_desktop_config.json
• 窗户： %APPDATA%\Claude\claude_desktop_config.json

粘贴此（替换 your_token_here 使用步骤1中的令牌）：

{
  "mcpServers": {
    "opencollab": {
      "command": "uvx",
      "args": ["opencollab-mcp"],
      "env": {
        "GITHUB_TOKEN": "your_token_here"
      }
    }
  }
}

重新启动克劳德桌面。你完了。

需要 uv (brew install uv 在macOS上， pipx install uv 其他地方）。 uvx 会拉 opencollab-mcp PyPI首次发布时。

Cursor / VS Code

与上述JSON相同，但在客户端的MCP配置文件中(.cursor/mcp.json 光标）。

Plain pip (no uv)

pip install opencollab-mcp

然后在客户端配置中，更改 command 到pip放在PATH上的二进制文件：

{
  "mcpServers": {
    "opencollab": {
      "command": "opencollab-mcp",
      "env": {
        "GITHUB_TOKEN": "your_token_here"
      }
    }
  }
}

注意：如果你切换Python版本或virtualenv opencollab-mcp 二进制文件可能会消失，您需要 pip install 再一次。 uvx 避免这种情况。

Docker (for remote / streamable-HTTP setups)

docker build -t opencollab-mcp .
docker run -e GITHUB_TOKEN=ghp_xxx -p 8000:8000 opencollab-mcp

容器以非root用户身份运行 TRANSPORT=streamable-http 在8000端口。

第三步——试试看

打开你的AI客户端，问：

*“我的GitHub用户名是 ``我准备好为开源做出贡献了吗？"*

如果人工智能开始运行工具并给你一个准备就绪分数，那么它正在工作。

______________________________________________________________________

你可以问什么

一旦连接了OpenCollab，这些都是人工智能可以回答的真实问题：

• *“我准备好为开源做出贡献了吗？我的用户名是 ``."*
• *“给我找一本Python好的第一期，我可以在这个周末完成。”*
• *“第123期是否在 facebook/react 仍然可用，还是有人认领了？"*
• *“有多健康 pandas-dev/pandas 回购？值得贡献吗？"*
• *“比较 langchain-ai/langchain 对比 run-llama/llama_index 对于首次贡献者。"*
• *“是 tensorflow/tensorflow 仍然活跃？过去30天内有多少次提交？"*
• *“问题#5432有多复杂 pytorch/pytorch?"*
• *“为第456期制定公关计划 owner/repo --获取AI所需的所有上下文。"*
• *“什么是技术堆栈 tiangolo/fastapi?"*
• *“向我展示以下主要贡献者 microsoft/vscode."*

AI会根据你的要求选择要调用的工具。

______________________________________________________________________

全部22个工具

OpenCollab公开了22个工具，分为四组。你通常不会直呼他们的名字——你的AI客户端会自动选择正确的名字。

Discovery (6 tools) — find issues and repos to contribute to

Evaluation (7 tools) — score a repo before you invest time

Issue intelligence (6 tools) — understand a specific issue before you start

Profile (3 tools) — analyze a GitHub user

______________________________________________________________________

运作原理

You ask Claude → Claude picks tools → OpenCollab hits GitHub API → JSON back to Claude → Claude answers in plain English

一些值得了解的设计选择：

• 我们这边没有人工智能推理。 OpenCollab是一个基于GitHub REST API的精简包装器。你的AI客户端（Claude/Cursor/等）会进行所有的推理。运行OpenCollab的成本：0美元。
• 默认情况下在本地运行。 标准传输——没有服务器，没有遥测。你的代币永远不会离开你的机器。
• 5分钟内存缓存。 在同一对话中重复查找不会再次访问GitHub。有助于保持在利率限制范围内。
• 并行API调用。 重型工具(match_me, repo_health, generate_pr_plan等）通过以下方式发出GitHub请求 asyncio.gather，所以它们明显比顺序快。
• Pydantic验证输入。 每个工具输入都是一个Pydantic模型 extra="forbid"。在任何逻辑运行之前，从LLM生成的工具调用中捕获杂散字段。

______________________________________________________________________

身份验证和速率限制

OpenCollab需要GitHub令牌有两个原因：

1. 更高的利率限制。 经过身份验证的请求每小时5000次，而未经身份验证的则为每小时60次。
2. 某些端点需要身份验证。 一些工具(/timeline，贡献者统计数据）如果没有它可能无法工作。

所需范围：仅 public_repoOpenCollab从不写任何东西，它只是读。

______________________________________________________________________

开发

git clone https://github.com/prakhar1605/Opencollab-mcp.git
cd Opencollab-mcp
pip install -e ".[dev]"
export GITHUB_TOKEN="ghp_xxx"

# Run the server (stdio mode, for piping into MCP clients)
python -m opencollab_mcp

# Run the test suite
pytest -v

# Lint
ruff check src tests

# Inspect interactively in the MCP Inspector
npx @modelcontextprotocol/inspector python -m opencollab_mcp

项目布局

src/opencollab_mcp/
├── server.py          # entry point, transport selection (stdio / streamable-http)
├── github_client.py   # cached httpx wrapper, friendly error mapping
├── helpers.py         # date math, base64 decode, issue-number parser
├── models.py          # Pydantic input models
├── constants.py       # all scoring thresholds & magic numbers
└── tools/
    ├── discovery.py   # 6 tools — finding issues and repos
    ├── evaluation.py  # 7 tools — scoring a repo
    ├── issues.py      # 6 tools — analyzing a specific issue
    └── profile.py     # 3 tools — analyzing a user

tests/                 # pytest suite (45 tests, run with `pytest`)

贡献

欢迎发布问题和PR。代码库很小（约1500行），有意易于阅读。每个得分阈值都存在 constants.py 因此，调整是一个单行更改。新工具遵循相同的模式： tools/.py，Pydantic输入模型 models.py，以及测试 tests/test_tools.py.

这 main 分支受到保护——请打开PR，而不是直接推送。CI在Python 3.10、3.11和3.12上运行。

______________________________________________________________________

路线图

已发货：

• 22个工具，涵盖发现、评估、发布情报和配置文件
• PyPI发布(pip install opencollab-mcp / uvx opencollab-mcp)
• 5分钟内存缓存+并行API调用
• 在CI中在Python 3.10/3.11/3.12上运行的45个测试pytest套件
• Stdio（本地）和流式HTTP（远程）传输
• 分支保护+所需的CI检查 main

开放的想法：

• first_pr_generator --链条 match_me + generate_pr_plan 一个提示
• track_my_prs --列出你的公开公关，并附上陈旧的提示
• skill_gap --将你的技能与回购的技术栈进行比较，并告诉你要学习什么

如果这些听起来很有趣， 打开一个问题 --那是最快的路。

______________________________________________________________________

贡献者

• @沙尚克·特里帕蒂-07 --在中标记了重复计数错误 issue_complexity的代码块评分，并指出 main 没有分支保护（此后已修复）。

______________________________________________________________________

许可证

如果OpenCollab帮助你获得第一个PR⭐ 回购将意味着很多。