mcpField
C
Covate

Covate

本地服务
covate.org开发工具8今天更新

关于 Covate

Covate 是面向 AI 编码助手的 MCP 服务,帮助开发者理解代码变更,并为 Agent 保存项目专属的调试记忆。它结合互动测验、历史修复检索和编程术语解释。

主要功能

  1. 01测验近期代码变更
  2. 02检索项目调试记录
  3. 03记录修复以便复用
  4. 04解释编程术语
  5. 05本地间隔复习记录

适用场景

  1. 01检查对 AI 生成变更的理解
  2. 02复用项目中反复出现的错误修复
  3. 03按间隔计划复习概念

MCP 相关

Covate 向 MCP 客户端提供学习、调试和术语工具。调试工具可检索项目解决方案并记录新修复。

配置

本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置
{
"mcpServers": {
"sunflowerslwtech-covate": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"ghcr.io/sunflowerslwtech/covate:1.2.0"
]
}
}
}
启动命令docker run -i --rm ghcr.io/sunflowerslwtech/covate:1.2.0

本地服务需要在你的电脑上安装运行环境(如 Node.js 18+)。各客户端的配置文件位置不同,请参考客户端文档。

安装包
ocighcr.io/sunflowerslwtech/covate:1.2.0

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。

详细介绍

README 配图 Covate

English | 简体中文 | 繁體中文

一个具备上下文感知能力的 Model Context Protocol (MCP) 服务,作为 AI 编码助手的学习伴侣。它通过交互式测验帮助开发者从 AI 生成的代码变更中学习,并为 Agent 提供持久的项目专属调试记忆。

License: MIT Python 3.11+ MCP Standard Docker Glama MCP DeepWiki


🌐 资源

资源说明
Glama MCP Marketplace官方 MCP 服务列表,附带安装指南
DeepWiki DocumentationAI 生成的代码库深度分析
GitHub Repository源代码、问题反馈和贡献

🚀 为什么要使用?

面向对象优势
开发者不要只是接受 AI 代码,还要理解它。请求一次测验,验证自己对其逻辑、安全性或性能影响的掌握程度。
AI Agents不要重复解决同一个 Bug。服务会静默记录调试方案,并在出现类似错误时自动检索。

☁️ Covate 学习记录簿(免费)

此代码库中的 MCP 服务免费且开源(MIT),可在本地运行,无需账户。 可选的托管版**学习记录簿**同样免费:使用 GitHub 登录,然后在项目中运行 COVATE_SYNC_URL=https://covate.org COVATE_SYNC_TOKEN=<your token> python -m covate.platform_sync,即可将本地会话推送到云端,并在浏览器中查看:

  • ☁️ 同步来自任意设备的学习会话
  • 📖 查看每个已同步的会话,按最新时间排序,并显示得分
  • 📊 总计数据——会话数、问题数、正确答案数、累计准确率
  • 🎯 答得最差的主题,按排名显示
  • 🔑 你的同步令牌——可随时查看或轮换

目前尚未开发、因此不作承诺的功能:随时间变化的进度图表、间隔重复学习计划、团队账户。没有付费层级,也没有任何需要购买的内容——MCP 无需记录簿也能完整运行,记录簿也完全免费。


🔁 间隔复习(本地、离线)

covate review 会在本地维护一份简短的概念记录,记录何时再次提问。它绝不会连接网络或调用模型;问题由你自己的 Agent 编写,页面也由它发布(例如使用 FoldRender 命令行)。

covate review page questions.json -o page.html   # questions -> a quiz page (answers marked)
foldrender publish page.html                      # your agent publishes it
foldrender answers <page> --json | covate review record   # score the first answers
covate review due                                 # what to ask about again today
covate review status                              # every concept + first-answer accuracy

每道题只有第一次作答计入,因此看过解析后再修改答案也不会提高分数。(FoldRender 会在几秒钟的撤销窗口内显示解析,因此在该窗口内撤回的答案不计入;未撤回的答案则会计入。)一个新概念会在 1 天后再次出现,然后是 7 天,再然后是 30 天;答错会让它退回到 1 天这一步;全部通过这三个阶段即表示已掌握。 记录保存在全局 Covate 存储中(可通过 COVATE_REVIEW_LEDGER 覆盖)。 questions.json 的格式为 {"title": ..., "questions": [{"concept", "question", "options": [...], "correct": <0-based index>, "explanation"?}]}。

在 Claude Code 中,安装插件即可获得 MCP 服务以及 /covate:review 和 /covate:review-record,它们会引导你的 Agent 完成上述步骤(没有钩子;只有在你调用时才会运行):

/plugin marketplace add SunflowersLwtech/covate
/plugin install covate@covate

📦 可用工具

工具类型描述
learning_session🎓 交互式打开一个基于近期代码更改的 WebUI 测验。会阻塞,直到用户完成学习。
debug_search🔍 静默 RAG搜索项目调试历史,查找相关的过往解决方案。发生错误时自动触发。
debug_record📝 静默将调试经验记录到项目知识库。修复问题后自动触发。
term_get📚 参考获取编程术语和概念。跟踪已展示的术语以避免重复。
工具详情
🎓 learning_session - 交互式学习卡片

触发条件:用户明确提出请求(例如:“考考我”“测试一下我是否理解”)

参数:

参数类型默认值描述
project_directorystring"."项目目录路径
summarystring—Agent 操作的结构化摘要
reasoningobjectnull5-Why 推理(目标、触发因素、机制、替代方案、风险)
quizzesarray自动生成3 道测验题,包含选项、答案和解析
focus_areasarray["logic"]关注领域:逻辑、安全、性能、架构、语法
timeoutint600超时时间(秒,60-7200)

返回值:{"status": "completed", "action": "HALT_GENERATION"}

🔍 debug_search - 搜索调试历史

触发条件:遇到错误时自动调用(静默,无界面)

参数:

参数类型默认值描述
querystring—要搜索的错误消息或描述
project_directorystring"."项目目录路径
error_typestringnull按错误类型筛选(例如 ImportError)
tagsarraynull按标签筛选
limitint5最大结果数(1-20)

返回值:{"results": [...], "count": N}

📝 debug_record - 记录调试经验

触发条件:修复错误后自动调用(静默,在后台运行)

参数:

参数类型默认值描述
contextobject—错误上下文:{error_type, error_message, file, line}
causestring—根因分析
solutionstring—有效的解决方案
project_directorystring"."项目目录路径
tagsarraynull用于分类的标签

返回值:{"ok": true, "id": "..."}

📚 term_get - 获取编程术语

可用领域:编程基础、数据结构、算法、软件设计、Web 开发、版本控制、测试、安全、数据库、DevOps

参数:

参数类型默认值描述
project_directorystring"."项目目录路径
countint3术语数量(1-5)
domainstringnull按领域筛选

返回值:{"terms": [...], "count": N, "remaining": N}


🛠️ 安装

一键安装(推荐)
平台命令
macOS / Linux
curl -fsSL https://raw.githubusercontent.com/SunflowersLwtech/covate/main/scripts/install.sh | bash
Windows(PowerShell)
irm https://raw.githubusercontent.com/SunflowersLwtech/covate/main/scripts/install.ps1 | iex

安装程序将:

  1. 自动检测 Python 环境(uv → conda → venv)
  2. 将仓库克隆到 ~/covate
  3. 创建虚拟环境并安装依赖项
  4. 输出用于配置 IDE 的准确命令
手动安装
点击展开手动安装步骤

前置条件:Python 3.11+ 或 uv

# 1. Clone the repository
git clone https://github.com/SunflowersLwtech/covate.git
cd covate

# 2. Create virtual environment and install
# Using uv (recommended)
uv venv --python 3.11 covate
source covate/bin/activate          # macOS/Linux
# covate\Scripts\activate           # Windows
uv pip install -e '.[dev]'

# Or using standard venv
python -m venv covate
source covate/bin/activate           # macOS/Linux
# covate\Scripts\activate            # Windows
pip install -e '.[dev]'
Docker 安装
点击展开 Docker 安装步骤

前置条件:系统已安装 Docker

# 1. Pull from Docker Hub
docker pull sunflowerslwtech/covate:latest

# Or build locally
git clone https://github.com/SunflowersLwtech/covate.git
cd covate
docker build -t covate .

# 2. Run with Docker
docker run -i covate

# 3. Or use Docker Compose
docker-compose up -d

有关 Docker 的详细用法、持久化存储以及 Claude Desktop 集成,请参阅 DOCKER.md。


⚙️ IDE 配置

Claude Code(CLI)— 一条命令完成设置

安装完成后,配置你的 AI 编码 IDE 以使用此 MCP 服务。

Claude Code

选项 1:CLI(推荐)

# macOS / Linux
claude mcp add covate -- ~/covate/covate/bin/covate

# Windows
claude mcp add covate -- %USERPROFILE%\covate\covate\Scripts\covate.exe

选项 2:配置文件

添加到 ~/.claude.json:

{
  "mcpServers": {
    "covate": {
      "command": "~/covate/covate/bin/covate"
    }
  }
}

Windows:

{
  "mcpServers": {
    "covate": {
      "command": "C:\\Users\\YourName\\covate\\covate\\Scripts\\covate.exe"
    }
  }
}

路径示例:

  • Unix(uv):~/covate/covate/bin/covate
  • Windows(uv):C:\\Users\\YourName\\covate\\covate\\Scripts\\covate.exe
  • Windows(conda):C:\\Users\\YourName\\anaconda3\\envs\\covate\\Scripts\\covate.exe

路径说明(Unix 示例):

  • ~/covate → 仓库目录
  • covate → 由 uv/venv 创建的虚拟环境目录
  • bin/covate → 可执行文件
Cursor

在 Cursor MCP 设置中添加(Settings → MCP → Add Server):

{
  "covate": {
    "command": "~/covate/covate/bin/covate"
  }
}

Windows:

{
  "covate": {
    "command": "C:\\Users\\YourName\\covate\\covate\\Scripts\\covate.exe"
  }
}
Windsurf

添加到 ~/.codeium/windsurf/mcp_config.json:

{
  "mcpServers": {
    "covate": {
      "command": "~/covate/covate/bin/covate"
    }
  }
}
Docker 配置

如需在任何兼容 MCP 的 IDE 中使用 Docker:

{
  "mcpServers": {
    "covate": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-v",
        "/path/to/your/project:/workspace",
        "-w",
        "/workspace",
        "covate"
      ]
    }
  }
}

有关 Claude Desktop、Cursor 和其他 IDE 的详细 Docker 配置示例,请参阅 DOCKER.md。

其他 IDE

对于任何兼容 MCP 的 IDE,请使用以下设置:

  • 命令: <install-path>/covate/bin/covate(Windows 上使用 covate\Scripts\covate.exe)
  • 传输方式: stdio

完成配置后,重启 IDE。

使用方法

可用工具
工具触发条件面向对象返回内容
learning_session用户明确请求用户{status, action} - 最简信息
debug_search自动(发生错误时)Agent精简摘要
debug_record自动(修复后)Agent{ok, id} - 最简信息
面向用户:学习会话

对 AI 助手说:

  • “测验我对这项更改的理解”
  • “测试一下我是否理解了”
  • “帮我学习你做了什么”

Agent 将创建一张交互式学习卡片,并等待你完成。

注意:测验分数会保存在本地,供你自行跟踪,但不会返回给 Agent——这样可以保持上下文简洁。

面向 Agent:调试工具

调试工具会在后台静默运行:

  • 先搜索:遇到错误时,Agent 会搜索以往的解决方案
  • 修复后记录:修复错误时,Agent 会记录解决方案
  • 渐进式披露:返回精简摘要,而非完整记录
  • 快速查找:使用倒排索引进行基于关键词的搜索

更新

一行命令更新(推荐)

远程更新脚本会自动检测你的安装,并且适用于任何路径格式(包括中文/非 ASCII 路径):

macOS / Linux
curl -fsSL https://raw.githubusercontent.com/SunflowersLwtech/covate/main/scripts/update.sh | bash
Windows(PowerShell)
irm https://raw.githubusercontent.com/SunflowersLwtech/covate/main/scripts/update.ps1 | iex

更新脚本将:

  1. 自动检测安装位置(支持多个安装)
  2. 拉取仓库中的最新更改
  3. 强制重新安装依赖项,确保版本同步
  4. 验证安装完整性并报告任何问题
  5. 检测 MCP 服务是否正在使用,并提供清晰的说明

为什么使用远程更新?

  • ✅ 无需通过 cd 导航,即可支持中文/非 ASCII 路径
  • ✅ 始终使用仓库中的最新更新逻辑
  • ✅ 即使忘记安装位置,也能自动检测
  • ✅ 妥善处理多个安装
本地更新(替代方案)

macOS / Linux:

~/covate/scripts/update.sh

Windows(PowerShell):

~\covate\scripts\update.ps1
手动更新
点击展开手动更新步骤
# Navigate to installation directory
cd ~/covate  # or your custom installation path

# Pull latest changes
git pull origin main

# Update dependencies
# Using uv
source covate/bin/activate          # macOS/Linux
# covate\Scripts\activate           # Windows
uv pip install -e '.[dev]' --upgrade

# Or using standard venv
source covate/bin/activate           # macOS/Linux
# covate\Scripts\activate            # Windows
pip install -e '.[dev]' --upgrade

🖼️ 截图

学习会话 WebUI

WebUI 预览


🔒 安全与隐私

方面详情
本地优先所有数据均存储在项目内的 .mcp-sidecar/ 目录中
无遥测不会向外部服务发送任何数据
完全可控随时删除 .mcp-sidecar/ 即可重置所有数据

🔮 路线图

我们正在打造一个伴随你不断成长的个性化学习中心。以下是即将推出的内容:

🔍 高级搜索与索引(v1.3)
功能描述
SQLite FTS5支持中文的全文搜索、前缀匹配和布尔查询
BM25 Ranking行业标准的相关性评分,带来更好的搜索结果
语义搜索使用向量嵌入进行基于含义的匹配(例如,“权限错误”可找到“permission denied”)
跨项目搜索跨所有项目搜索调试经验
📱 移动应用(v2.0)
功能描述
学习历史同步在移动设备上查看测验历史和学习进度
间隔重复根据遗忘曲线智能安排复习
离线模式随时随地学习,联网后同步
推送通知温和提醒你复习正在遗忘的概念
🎯 个性化学习中心(v2.5)
功能描述
知识图谱以可视化方式展示你学过的概念及其关联
薄弱项分析AI 识别你感到困难的领域,并推荐有针对性的练习
学习连续记录通过游戏化机制让你保持动力
团队洞察(可选)与团队分享匿名化的学习模式
🤖 AI 增强功能(v3.0)
功能描述
自适应测验根据你的表现调整问题难度
代码模式识别从你自己的代码库中的模式进行学习
多语言支持使用你偏好的语言进行讲解
语音界面“嘿,Claude,考考我昨天做的内容”

想影响路线图? 提交 issue 或参与讨论!


🔧 环境变量

变量默认值描述
MCP_DEBUGfalse启用调试日志(true、1、yes、on)
MCP_TIMEOUT120000MCP 服务启动超时时间,单位为 ms
MAX_MCP_OUTPUT_TOKENS25000MCP 输出的最大 token 数

🤝 贡献

欢迎贡献!请按照以下步骤操作:

  1. Fork 此代码库
  2. 创建功能分支:git checkout -b feature/amazing-feature
  3. 安装开发依赖:uv pip install -e '.[dev]'
  4. 修改代码并运行测试:pytest
  5. 提交 Pull Request

详细指南请参阅 CONTRIBUTING.md。


📬 联系方式

渠道地址
电子邮件[email protected]
电子邮件[email protected]
GitHub Issues提交 Issue

📄 许可证

本项目采用 MIT License 授权。


使用 FastMCP • MCP Standard • Glama MCP 构建

评论

支持 Markdown

第一次接触 MCP?

从协议是什么,到在客户端里装上第一个服务,这几条回答覆盖了大多数入门问题。

一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。