মূল কনটেন্টে যান
এআই টিউটোরিয়াল

ধারাবাহিক AI-সহায়তাপ্রাপ্ত কোডের গুণমান মূল্যায়নের জন্য Jev Review ব্যবহার করুন

কীভাবে Jev Review-কে স্থানীয় MCP সার্ভার হিসেবে ইনস্টল করবেন, সমর্থিত কোডিং এজেন্টের সঙ্গে সংযুক্ত করবেন, মূল্যায়নের জন্য নির্দিষ্ট পরিবর্তন জমা দেবেন, বিভিন্ন পুনরাবৃত্তির স্কোর তুলনা করবেন এবং Jev API ব্যবহারের সময় সংবেদনশীল রিপোজিটরি ডেটা সুরক্ষিত রাখবেন তা জানুন।

পড়তে প্রায় 26 মিনিট লাগবে
ধারাবাহিক AI-সহায়তাপ্রাপ্ত কোডের গুণমান মূল্যায়নের জন্য Jev Review ব্যবহার করুন

Jev Review কী?

Jev Review একটি স্থানীয় Model Context Protocol সার্ভার, যা কাজ করার সময় AI কোডিং এজেন্টদের কাঠামোবদ্ধ সফটওয়্যার-মানের সংকেত প্রদান করে। এটি Claude Code, Codex, Cursor এবং OpenCode সমর্থন করে এবং jev_review নামের একটি নির্দিষ্ট MCP টুল উন্মুক্ত করে।

এই টুলটি সঠিকতা, জটিলতা, পাঠযোগ্যতা, মডিউলারিটি, টেস্টের মান, নির্ভরযোগ্যতা, নিরাপত্তা এবং রক্ষণাবেক্ষণযোগ্যতার মতো পৃথক মাত্রায় কোড মূল্যায়ন করে। এটি গদ্যধর্মী কোড-রিভিউ প্রবন্ধের পরিবর্তে সংখ্যাগত স্কোর, আত্মবিশ্বাসের মান, প্রযোজ্যতার সূচক এবং পূর্বনির্ধারিত রুব্রিক নির্দেশনা প্রদান করে।

Jev মানের সংকেত প্রদান করে, তবে দুর্বলতা শনাক্ত করা, কোড পরিবর্তন করা এবং ফলাফল যাচাই করার দায়িত্ব আপনার প্রাথমিক কোডিং এজেন্টের।

Jev Review MCP stdio-এর মাধ্যমে একটি স্থানীয় Node.js প্রক্রিয়া হিসেবে চলে। এর কোনো হোস্টেড ব্যাকএন্ড, ডেটাবেস, টেলিমেট্রি সার্ভিস বা নির্মাতার পরিচালিত প্রক্সি নেই। স্পষ্টভাবে সরবরাহ করা রিভিউ-সংক্রান্ত প্রসঙ্গ থাকা অনুরোধগুলো সরাসরি কনফিগার করা Jev API-তে পাঠানো হয়।

প্রধান বৈশিষ্ট্য

  • নিরবচ্ছিন্ন মূল্যায়ন: কোনো কাজের শেষে অপেক্ষা না করে প্রতিটি সুসংগত বাস্তবায়ন ধাপের পর পরিবর্তনটি রিভিউ করুন।
  • স্বাধীন মানের মাত্রা: প্রতিটি প্রযোজ্য মেট্রিক 1 থেকে 10-এর নিজস্ব স্কোর এবং 0 থেকে 1-এর একটি আত্মবিশ্বাসের মান পায়।
  • পুনরাবৃত্তির তুলনা: উন্নতি, অবনতি এবং অমীমাংসিত দুর্বলতা শনাক্ত করতে আগের মূল্যায়ন সরবরাহ করুন।
  • নির্দিষ্ট প্রসঙ্গ: টাস্ক, ডিফ, নির্বাচিত ফাইল, রিপোজিটরির প্রসঙ্গ অথবা এগুলোর উপযুক্ত সমন্বয় জমা দিন।
  • স্থানীয় সম্পাদন: প্রতিটি সমর্থিত ক্লায়েন্ট stdio-এর মাধ্যমে একই বান্ডেল করা dist/server.js প্রক্রিয়া চালু করে।
  • স্বয়ংক্রিয় রিপোজিটরি অ্যাক্সেস নেই: টুলে স্পষ্টভাবে পাঠানো প্রসঙ্গই সার্ভার প্রক্রিয়া করে।
  • কৃত্রিম সামগ্রিক স্কোর নেই: সম্ভাব্য বিভ্রান্তিকর শতাংশে ফলাফল মিশ্রিত না করে Jev Review প্রতিটি মাত্রার ফলাফল সংরক্ষণ করে।

পূর্বশর্ত

Jev Review ইনস্টল করার আগে নিশ্চিত করুন যে আপনার কাছে রয়েছে:

  • Node.js 20 বা তার পরের সংস্করণ।
  • TypeSafe কনসোল থেকে নেওয়া একটি Jev API কী।
  • Claude Code, Codex, Cursor অথবা OpenCode।

দ্রুত ইনস্টলেশন

1. API কী এক্সপোর্ট করুন

আপনার কোডিং ক্লায়েন্ট চালু করার আগে পরিবেশে কী সেট করুন:

export JEV_API_KEY="your-key"

আসল কী প্রম্পট, সোর্স ফাইল, ডিফ বা কমিট করা কনফিগারেশনে রাখবেন না।

2. GitHub থেকে প্লাগইন ইনস্টল করুন

Jev Review npm প্রকাশনার পরিবর্তে সরাসরি তার GitHub রিপোজিটরি থেকে বিতরণ করা হয়:

npx plugins add NiazMorshed2007/jev-review

প্রম্পট এলে আপনার কোডিং ক্লায়েন্ট নির্বাচন করুন, ক্লায়েন্ট পুনরায় চালু করুন এবং MCP সার্ভার সংযুক্ত হয়েছে কি না যাচাই করুন।

3. একটি রিভিউ অনুরোধ করুন

উল্লেখযোগ্য কোনো পরিবর্তন বাস্তবায়ন ও পরীক্ষা করার পর কোডিং এজেন্টকে Jev Review ব্যবহার করতে বলুন। উদাহরণ:

Implement the requested authentication change, run the relevant tests, and use jev-review on the focused diff. Inspect the weakest important dimensions, make only justified improvements, and rescore before the final handoff.

ক্লায়েন্টভিত্তিক সেটআপ

Claude Code

Claude Code টার্গেটটি স্পষ্টভাবে ইনস্টল করুন:

npx plugins add NiazMorshed2007/jev-review --target claude-code

Claude Code পুনরায় চালু করুন এবং /mcp চালিয়ে jev-review সংযুক্ত আছে কি না নিশ্চিত করুন।

শুধু ম্যানুয়াল MCP কনফিগারেশনের জন্য Claude Code-কে বান্ডেল করা সার্ভারের ঠিকানা দিন:

claude mcp add --scope user jev-review -- node /absolute/path/to/jev-review/dist/server.js

স্থানীয় ক্লোন থেকে ডেভেলপ করার সময় প্লাগইন ডিরেক্টরি সরাসরি লোড করতে পারেন:

claude --plugin-dir /absolute/path/to/jev-review

Codex

Codex টার্গেটটি ইনস্টল করুন এবং ক্লায়েন্ট পুনরায় চালু করুন:

npx plugins add NiazMorshed2007/jev-review --target codex

সংযোগ যাচাই করতে /mcp চালান। ম্যানুয়াল কনফিগারেশনের জন্য ~/.codex/config.toml-এ নিচের সার্ভার সংজ্ঞা যোগ করুন:

[mcp_servers.jev-review]
command = "node"
args = ["/absolute/path/to/jev-review/dist/server.js"]
env_vars = ["JEV_API_KEY"]

Cursor

Cursor টার্গেটটি ইনস্টল করুন:

npx plugins add NiazMorshed2007/jev-review --target cursor

Cursor পুনরায় চালু করুন এবং Settings → MCP দেখুন। বান্ডেল করা স্কিলটির নাম jev-review। আপনি এটি /jev-review দিয়ে চালু করতে পারেন অথবা Agent Decides অবস্থায় রাখতে পারেন।

ম্যানুয়াল সেটআপের জন্য ~/.cursor/mcp.json তৈরি বা হালনাগাদ করুন:

{
  "mcpServers": {
    "jev-review": {
      "type": "stdio",
      "command": "node",
      "args": ["/absolute/path/to/jev-review/dist/server.js"],
      "env": {
        "JEV_API_KEY": "${env:JEV_API_KEY}"
      }
    }
  }
}

macOS-এ Dock থেকে চালু করা Cursor আপনার শেল প্রোফাইলের ভেরিয়েবল নাও পেতে পারে। Cursor চালু করার আগে GUI অ্যাপ্লিকেশনগুলোর জন্য এক্সপোর্ট করা কীটি উপলভ্য করুন:

launchctl setenv JEV_API_KEY "$JEV_API_KEY"

এর মান প্রকাশ না করে ভেরিয়েবলটি আছে কি না যাচাই করুন:

test -n "$(launchctl getenv JEV_API_KEY)" && echo "JEV_API_KEY is configured"

OpenCode

OpenCode বর্তমানে পোর্টেবল ইনস্টলার টার্গেট হিসেবে তালিকাভুক্ত নয়। রিপোজিটরি ক্লোন করে বান্ডেল করা সার্ভারটি ম্যানুয়ালি নিবন্ধন করুন:

git clone https://github.com/NiazMorshed2007/jev-review.git
cd jev-review
opencode mcp add jev-review --global -- node "$PWD/dist/server.js"

স্কিল এবং MCP সার্ভার—উভয়ের জন্যই ~/.config/opencode/opencode.json-এ নিচের মতো একটি কনফিগারেশন যোগ করুন এবং অ্যাবসোলিউট পাথগুলো প্রতিস্থাপন করুন:

{
  "$schema": "https://opencode.ai/config.json",
  "skills": ["/absolute/path/to/jev-review/skills"],
  "mcp": {
    "servers": {
      "jev-review": {
        "type": "local",
        "command": ["node", "/absolute/path/to/jev-review/dist/server.js"],
        "environment": {
          "JEV_API_KEY": "{env:JEV_API_KEY}"
        }
      }
    }
  }
}

সংযোগ যাচাই করতে opencode mcp list চালান। OpenCode টুলটিকে jev-review_jev_review হিসেবে দেখাতে পারে, যদিও এর অন্তর্নিহিত MCP নাম jev_reviewই থাকে।

টুলের ইনপুট বোঝা

jev_review টুলটি নিম্নলিখিত কাঠামো গ্রহণ করে:

{
  task?: string;
  diff?: string;
  files?: Array<{
    path: string;
    content: string;
  }>;
  repositoryContext?: string;
  previousEvaluation?: Evaluation;
}

বর্তমান প্রসঙ্গের অন্তত একটি ফিল্ড আবশ্যক। বেশিরভাগ ক্ষেত্রে টাস্ক এবং একটি নির্দিষ্ট diff পাঠান। পরিবর্তনটি বোঝার জন্য আশপাশের ইমপ্লিমেন্টেশনের বিবরণ প্রয়োজন হলেই কেবল সম্পূর্ণ ফাইল যোগ করুন।

একটি ধারণাগত অনুরোধে এমন তথ্য থাকতে পারে:

{
  "task": "Add input validation to the account creation endpoint",
  "diff": "<focused version-control diff>",
  "repositoryContext": "Node.js service using the repository's existing validation conventions"
}

এই উদাহরণটি ইনপুটের কাঠামো দেখায়; কোডিং ক্লায়েন্ট সাধারণত আপনার হয়ে MCP টুলটি চালু করে।

প্রস্তাবিত মূল্যায়ন কর্মপ্রবাহ

  1. টাস্কটি বুঝুন। রিপোজিটরি, প্রয়োজনীয়তা, কনভেনশন এবং প্রাসঙ্গিক টেস্ট পরিদর্শন করুন।
  2. একটি সুসংগত অংশ ইমপ্লিমেন্ট করুন। প্রতিটি ছোটখাটো সম্পাদনা পর্যালোচনা না করে পরিবর্তনের একটি অর্থবহ অংশ সম্পূর্ণ করুন।
  3. প্রাসঙ্গিক যাচাই চালান। আরও কাজের দিকনির্দেশনা দিতে স্কোর চাওয়ার আগে আচরণ যাচাই করুন।
  4. একটি বেসলাইন স্থাপন করুন। টাস্ক এবং নির্দিষ্ট diff-সহ jev_review কল করুন।
  5. দুর্বল মাত্রাগুলো অনুসন্ধান করুন। কোডিং এজেন্টকে ইমপ্লিমেন্টেশন পরিদর্শন করতে এবং প্রতিটি গুরুত্বপূর্ণ দুর্বলতার বিষয়ে সুনির্দিষ্ট অনুমান তৈরি করতে বলুন।
  6. ন্যূনতম যুক্তিসঙ্গত উন্নতি করুন। অনুমাননির্ভর পুনর্লিখন বা অপ্রয়োজনীয় আর্কিটেকচার এড়িয়ে চলুন।
  7. আবার যাচাই করুন। টেস্ট, টাইপ চেক, লিন্টার বা প্রকল্পের জন্য উপযুক্ত অন্যান্য যাচাই পুনরায় চালান।
  8. ইতিহাসসহ পুনরায় স্কোর করুন। প্রতি-মেট্রিক তুলনা পেতে আগের ফলাফলটি previousEvaluation হিসেবে পাঠান।
  9. সঠিক সময়ে থামুন। প্রয়োজনীয়তা এবং যাচাই সফল হলে, আরও স্কোর বাড়ানোর চেষ্টা বাস্তব মূল্য খুব কম যোগ করলে কাজ শেষ করুন।

উদাহরণস্বরূপ, তুলনায় পাঠযোগ্যতার পরিবর্তন 6.3 → 8.1 দেখা যেতে পারে, যেখানে নিরাপত্তা 8.2 → 8.2 অপরিবর্তিত রয়েছে। একটি মাত্র মিশ্র স্কোরের চেয়ে এটি বেশি তথ্যবহুল, কারণ এতে ঠিক কোন গুণগত মাত্রাগুলো পরিবর্তিত হয়েছে তা দেখা যায়।

গুণগত মাত্রা

মূল মাত্রা

প্রদত্ত প্রসঙ্গ যথেষ্ট হলে, Jev Review মূল্যায়ন করে:

  • সঠিকতা এবং প্রয়োজনীয়তার সঙ্গে সামঞ্জস্য।
  • জ্ঞানীয় জটিলতা।
  • পাঠযোগ্যতা এবং অভিপ্রায়।
  • মডিউলারিটি এবং সংহতি।
  • কাপলিং এবং নির্ভরতার গুণমান।
  • পরিবর্তনযোগ্যতা এবং পরিবর্তনের বিস্তার।
  • অ্যাবস্ট্রাকশন এবং API নকশা।
  • প্রকল্প এবং ফাইলের কাঠামো।
  • পুনরাবৃত্তি এবং পুনর্ব্যবহার।
  • রক্ষণাবেক্ষণযোগ্যতা।
  • টেস্টযোগ্যতা এবং টেস্টের গুণমান।
  • নির্ভরযোগ্যতা এবং ত্রুটি ব্যবস্থাপনা।
  • নিরাপত্তা।
  • সামঞ্জস্য এবং কনভেনশন।
  • ডকুমেন্টেশন এবং ব্যাখ্যাযোগ্যতা।

প্রসঙ্গনির্ভর মাত্রা

নিচের মাত্রাগুলো কেবল তখনই মূল্যায়ন করা হয়, যখন প্রাসঙ্গিক প্রমাণ পাওয়া যায়:

  • পারফরম্যান্স এবং রিসোর্স ব্যবহারের দক্ষতা।
  • স্কেলযোগ্যতা এবং নমনীয়তা।
  • সামঞ্জস্যতা এবং API স্থিতিশীলতা।
  • পর্যবেক্ষণযোগ্যতা এবং পরিচালনযোগ্যতা।

প্রদত্ত প্রসঙ্গ কোনো মাত্রা সমর্থন করতে না পারলে ফলাফলে { "applicable": false } ব্যবহার করা হয়। মূল্যায়নকারী ধরে নেয় না যে ছোট ফাংশন, ছোট ফাইল, অতিরিক্ত স্তর, বেশি মন্তব্য, শূন্য পুনরাবৃত্তি বা বেশি টেস্ট স্বয়ংক্রিয়ভাবে ভালো।

উন্নত পরামর্শ

পর্যালোচনার প্রসঙ্গ সংক্ষিপ্ত রাখুন

টাস্ক এবং ইমপ্লিমেন্টেশন ধারণ করে এমন সবচেয়ে ছোট সুসংগত diff পাঠান। বাদ দেওয়া প্রসঙ্গ নির্ভরযোগ্য মূল্যায়নে বাধা সৃষ্টি করলেই কেবল সম্পূর্ণ ফাইল অন্তর্ভুক্ত করুন। সংক্ষিপ্ত সাবমিশন কোডিং এজেন্টের জন্য ফিডব্যাখ্যা করা সহজ করে।

Jev Review নিজস্ব কোনো অক্ষর, টোকেন বা ফাইল-সংখ্যার সীমা যোগ করে না। তবে jev-latest API-এর লাইভ আচরণে প্রায় 32,768 টোকেনের একটি সাবমিটেড-স্টেট সীমা দেখা যায়। এই সীমা API ডকুমেন্টেশনে প্রকাশিত নয় এবং পরিবর্তিত হতে পারে। API max_tokens_exceeded ফেরত দিলে অপ্রাসঙ্গিক প্রসঙ্গ বাদ দিন অথবা কাজটি সুসংগত পর্যালোচনা অংশে ভাগ করুন।

নিয়ন্ত্রিত পুনরাবৃত্তির জন্য আগের মূল্যায়ন ব্যবহার করুন

পুনরায় স্কোর করার সময় সম্পূর্ণ আগের ফলাফল previousEvaluation-এ পাঠান। Jev Review এটি স্থানীয়ভাবে তুলনা করে এবং প্রতি-মেট্রিক পার্থক্য, উন্নতি, অবনতি ও অমীমাংসিত দুর্বলতা জানায়। Jev-কে পাঠানো বর্তমান কোড প্রসঙ্গে আগের মূল্যায়ন অন্তর্ভুক্ত করা হয় না।

সম্পাদনার আগে রোগনির্ণয় করুন

কম স্কোর একটি সংকেত, মূল কারণের ব্যাখ্যা নয়। কোডিং এজেন্টকে ইমপ্লিমেন্টেশন পরিদর্শন করতে, দুর্বলতার পক্ষে প্রমাণ শনাক্ত করতে এবং ন্যূনতম সংশোধনের প্রস্তাব দিতে বলুন। শুধু সংখ্যা পরিবর্তনের জন্য কোড পুনর্লিখন করবেন না।

স্কোরের চেয়ে প্রয়োজনীয়তাকে অগ্রাধিকার দিন

সঠিক আচরণ এবং ব্যবহারকারীর প্রয়োজনীয়তা সবসময় স্কোর উন্নতির চেয়ে গুরুত্বপূর্ণ। বেশি স্কোর আচরণ নষ্ট করা, পরিধি বাড়ানো, অর্থহীন টেস্ট যোগ করা, অনুমাননির্ভর অ্যাবস্ট্রাকশন তৈরি করা বা অপ্রয়োজনীয় স্তর যোগ করার যৌক্তিকতা দেয় না।

নির্দিষ্ট নিরাপত্তা সরঞ্জামও ব্যবহার করুন

নিরাপত্তা মূল্যায়নের একটি মাত্রা, তবে Jev Review নির্ভরতা স্ক্যানার, গোপন তথ্য শনাক্তকরণ, স্ট্যাটিক অ্যানালাইসিস, পেনিট্রেশন টেস্টিং এবং অন্যান্য নির্দিষ্ট নিরাপত্তা নিয়ন্ত্রণের পরিপূরক হিসেবে কাজ করে, সেগুলোর বিকল্প হিসেবে নয়।

নিরাপত্তা ও গোপনীয়তা

স্থানীয় MCP প্রক্রিয়াটি JEV_API_KEY পড়ে এবং এটি কেবল https://api.typesafe.ai/v1/systemone-এ সরাসরি পাঠানো TLS Authorization হেডারে ব্যবহার করে। Jev Review কীটি সংরক্ষণ বা লগ করে না।

শুধু টুলে স্পষ্টভাবে সরবরাহ করা task, diff, files, এবং repositoryContext Jev-এ পাঠানো হয়। সার্ভার স্বয়ংক্রিয়ভাবে রিপোজিটরির ফাইল খুঁজে বের করে বা আপলোড করে না।

রিভিউয়ের প্রসঙ্গ আপনার কম্পিউটার ছেড়ে TypeSafe-এর Jev API-তে যায়। গোপন তথ্য বা সম্পর্কহীন মালিকানাধীন উপাদান জমা দেবেন না।

রিমোট সার্ভিস জমা দেওয়া ডেটা কীভাবে পরিচালনা করে, সে সম্পর্কে তথ্যের জন্য TypeSafe-এর গোপনীয়তা নীতি দেখুন।

স্থানীয়ভাবে Jev Review ডেভেলপ করা

প্রকল্পটিতে কাজ করতে রিপোজিটরি ক্লোন করুন, নির্ভরতাগুলো ইনস্টল করুন এবং যাচাই চালান:

git clone https://github.com/NiazMorshed2007/jev-review.git
cd jev-review
npm install
npm run validate

উপকারী ডেভেলপমেন্ট কমান্ডগুলোর মধ্যে রয়েছে:

npm run check
npm test
npm run build
npx plugins discover .
claude plugin validate . --strict

npm run build কমান্ডটি কমিট করা dist/server.js বান্ডেল তৈরি করে। ইউনিট ও MCP প্রোটোকল টেস্টগুলো স্থানীয় ফেক ব্যবহার করে এবং Jev API কোটা খরচ করে না। লাইভ Jev অনুরোধের জন্য JEV_API_KEY প্রয়োজন।

উপসংহার

Jev Review সমর্থিত AI কোডিং ক্লায়েন্টগুলোতে একটি সুশৃঙ্খল মান-প্রতিক্রিয়া চক্র যোগ করে, তবে বাস্তবায়নের নিয়ন্ত্রণ নিজের হাতে নেয় না। স্থানীয় MCP সার্ভার ইনস্টল করুন, অর্থবহ পরিবর্তনের পর নির্দিষ্ট প্রসঙ্গ জমা দিন, সতর্ক উন্নতির দিকনির্দেশনার জন্য মাত্রাভিত্তিক ফলাফল ব্যবহার করুন এবং বিভিন্ন পুনরাবৃত্তির মূল্যায়ন তুলনা করুন। স্কোরকে লক্ষ্য নয়, প্রমাণ হিসেবে বিবেচনা করুন এবং প্রয়োজনীয়তা, যাচাই এবং বাস্তব মানের চাহিদা পূরণ হলে থামুন।