مرکزی مواد پر جائیں
اے آئی ٹیوٹوریلز

مسلسل AI معاون کوڈ کوالٹی کی جانچ کے لیے Jev Review استعمال کریں

Jev Review کو مقامی MCP سرور کے طور پر انسٹال کرنے، اسے معاون کوڈنگ ایجنٹس سے منسلک کرنے، مرکوز تبدیلیاں جانچ کے لیے جمع کرانے، مختلف مراحل کے اسکورز کا موازنہ کرنے اور Jev API استعمال کرتے وقت حساس ریپوزٹری ڈیٹا کو محفوظ رکھنے کا طریقہ سیکھیں۔

تقریباً 25 منٹ کا مطالعہ
مسلسل AI معاون کوڈ کوالٹی کی جانچ کے لیے Jev Review استعمال کریں

Jev Review کیا ہے؟

Jev Review ایک مقامی Model Context Protocol سرور ہے جو AI کوڈنگ ایجنٹس کو کام کے دوران سافٹ ویئر کے معیار سے متعلق منظم اشارے فراہم کرتا ہے۔ یہ Claude Code، Codex، Cursor، اور OpenCode کو سپورٹ کرتا ہے اور jev_review نامی ایک مخصوص MCP ٹول فراہم کرتا ہے۔

یہ ٹول درستگی، پیچیدگی، خواندگی، ماڈیولرٹی، ٹیسٹ کے معیار، قابلِ اعتماد ہونے، سکیورٹی، اور قابلِ نگہداشت ہونے جیسے آزاد پہلوؤں کے لحاظ سے کوڈ کا جائزہ لیتا ہے۔ یہ نثری کوڈ ریویو مضمون کے بجائے عددی اسکور، اعتماد کی قدریں، اطلاق پذیری کے اشارے، اور پہلے سے متعین معیار کے نکات فراہم کرتا ہے۔

Jev معیار کا اشارہ فراہم کرتا ہے، لیکن آپ کا بنیادی کوڈنگ ایجنٹ کمزوریوں کی تشخیص، کوڈ میں تبدیلی، اور نتیجے کی توثیق کا ذمہ دار رہتا ہے۔

Jev Review مقامی Node.js عمل کے طور پر MCP stdio کے ذریعے چلتا ہے۔ اس کا کوئی ہوسٹڈ بیک اینڈ، ڈیٹا بیس، ٹیلی میٹری سروس، یا مصنف کے زیرِ انتظام پراکسی نہیں ہے۔ واضح طور پر فراہم کیے گئے ریویو سیاق پر مشتمل درخواستیں براہِ راست تشکیل شدہ Jev API کو بھیجی جاتی ہیں۔

اہم خصوصیات

  • مسلسل جائزہ: کسی کام کے اختتام تک انتظار کرنے کے بجائے ہر مربوط نفاذی مرحلے کے بعد تبدیلی کا جائزہ لیں۔
  • آزاد معیار کے پہلو: ہر قابلِ اطلاق پیمانے کو 1 سے 10 تک اپنا اسکور اور 0 سے 1 تک اعتماد کی قدر ملتی ہے۔
  • تکراری موازنہ: بہتریوں، تنزلیوں، اور حل نہ ہونے والی کمزوریوں کی نشاندہی کے لیے پچھلا جائزہ فراہم کریں۔
  • مرکوز سیاق: ٹاسک، ڈِف، منتخب فائلیں، ریپوزٹری کا سیاق، یا ان کا موزوں امتزاج جمع کریں۔
  • مقامی عمل درآمد: ہر معاون کلائنٹ stdio کے ذریعے اسی بنڈل شدہ dist/server.js عمل کو شروع کرتا ہے۔
  • خودکار ریپوزٹری رسائی نہیں: سرور صرف وہی سیاق پراسیس کرتا ہے جو ٹول کو واضح طور پر دیا جائے۔
  • مصنوعی مجموعی اسکور نہیں: Jev Review پہلوؤں کی سطح کے نتائج برقرار رکھتا ہے، انہیں ممکنہ طور پر گمراہ کن فیصد میں نہیں ملاتا۔

ضروریات

Jev Review انسٹال کرنے سے پہلے یقینی بنائیں کہ آپ کے پاس یہ موجود ہیں:

  • Node.js 20 یا اس کے بعد کا ورژن۔
  • TypeSafe کنسول سے حاصل کردہ Jev API key۔
  • Claude Code، Codex، Cursor، یا OpenCode۔

فوری تنصیب

1. API key ایکسپورٹ کریں

اپنے کوڈنگ کلائنٹ کو شروع کرنے سے پہلے key کو ماحول میں سیٹ کریں:

export JEV_API_KEY="your-key"

اصلی key کو prompts، source files، diffs، یا commit کی گئی configuration میں شامل نہ کریں۔

2. GitHub سے پلگ اِن انسٹال کریں

Jev Review کو npm publication کے بجائے براہِ راست اس کی GitHub repository سے تقسیم کیا جاتا ہے:

npx plugins add NiazMorshed2007/jev-review

اشارہ ملنے پر اپنا کوڈنگ کلائنٹ منتخب کریں، کلائنٹ دوبارہ شروع کریں، اور تصدیق کریں کہ MCP سرور منسلک ہے۔

3. جائزے کی درخواست کریں

کسی اہم تبدیلی کو نافذ اور ٹیسٹ کرنے کے بعد کوڈنگ ایجنٹ سے Jev Review استعمال کرنے کو کہیں۔ مثال کے طور پر:

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.

کلائنٹ کے لحاظ سے سیٹ اپ

Claude Code

Claude Code کا ہدف واضح طور پر انسٹال کریں:

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

Claude Code دوبارہ شروع کریں اور تصدیق کے لیے /mcp چلائیں کہ jev-review منسلک ہے۔

صرف دستی MCP configuration کے لیے Claude Code کو بنڈل شدہ سرور کی طرف اشارہ کریں:

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

مقامی clone سے development کرتے وقت آپ پلگ اِن ڈائریکٹری براہِ راست لوڈ کر سکتے ہیں:

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

Codex

Codex کا ہدف انسٹال کریں اور کلائنٹ دوبارہ شروع کریں:

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

کنکشن کی تصدیق کے لیے /mcp چلائیں۔ دستی configuration کے لیے درج ذیل سرور تعریف ~/.codex/config.toml میں شامل کریں:

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

Cursor

Cursor کا ہدف انسٹال کریں:

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

Cursor دوبارہ شروع کریں اور Settings → MCP چیک کریں۔ بنڈل شدہ skill کا نام jev-review ہے۔ آپ اسے /jev-review کے ذریعے چلا سکتے ہیں یا اسے Agent Decides پر چھوڑ سکتے ہیں۔

دستی سیٹ اپ کے لیے ~/.cursor/mcp.json بنائیں یا اسے اپ ڈیٹ کریں:

{
  "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 پر Dock سے شروع کیا گیا Cursor ممکن ہے آپ کے shell profile سے variables حاصل نہ کرے۔ Cursor شروع کرنے سے پہلے exported key کو GUI applications کے لیے دستیاب کریں:

launchctl setenv JEV_API_KEY "$JEV_API_KEY"

اس کی قدر پرنٹ کیے بغیر تصدیق کریں کہ variable موجود ہے:

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

OpenCode

OpenCode فی الحال portable installer target کے طور پر درج نہیں ہے۔ repository کو clone کریں اور بنڈل شدہ سرور کو دستی طور پر رجسٹر کریں:

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

اسکل اور MCP سرور دونوں کے لیے ~/.config/opencode/opencode.json میں اس جیسی کنفیگریشن شامل کریں، اور مطلق راستوں کو تبدیل کریں:

{
  "$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}"
        }
      }
    }
  }
}

کنکشن کی تصدیق کے لیے opencode mcp list چلائیں۔ OpenCode ٹول کو jev-review_jev_review کے طور پر دکھا سکتا ہے، تاہم اس کا بنیادی MCP نام بدستور jev_review رہتا ہے۔

ٹول کے ان پٹ کو سمجھنا

jev_review ٹول درج ذیل ساخت قبول کرتا ہے:

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

کم از کم ایک موجودہ سیاقی فیلڈ درکار ہے۔ زیادہ تر صورتوں میں ٹاسک اور مرکوز diff بھیجیں۔ مکمل فائلیں صرف اس وقت شامل کریں جب تبدیلی کو سمجھنے کے لیے اردگرد کی implementation کی تفصیلات ضروری ہوں۔

ایک تصوراتی درخواست میں یہ شامل ہو سکتا ہے:

{
  "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"
}

یہ مثال ان پٹ کی ساخت واضح کرتی ہے؛ coding client عموماً آپ کی طرف سے MCP ٹول کو خود invoke کرتا ہے۔

تجویز کردہ جائزہ ورک فلو

  1. ٹاسک سمجھیں۔ repository، تقاضوں، conventions اور متعلقہ ٹیسٹس کا معائنہ کریں۔
  2. ہم آہنگ حصہ مکمل کریں۔ ہر معمولی edit کا جائزہ لینے کے بجائے تبدیلی کا کوئی بامعنی حصہ مکمل کریں۔
  3. متعلقہ چیکس چلائیں۔ مزید کام کی رہنمائی کے لیے اسکور مانگنے سے پہلے رویے کی توثیق کریں۔
  4. بنیادی حالت قائم کریں۔ ٹاسک اور مرکوز diff کے ساتھ jev_review کال کریں۔
  5. کمزور dimensions کی تحقیق کریں۔ coding agent سے implementation کا معائنہ کروائیں اور ہر اہم کمزوری کے بارے میں ٹھوس مفروضہ قائم کروائیں۔
  6. جواز رکھنے والی کم سے کم بہتری کریں۔ قیاسی rewrites یا غیر ضروری architecture سے گریز کریں۔
  7. دوبارہ توثیق کریں۔ ٹیسٹس، type checks، linters یا project کے دیگر مناسب checks دوبارہ چلائیں۔
  8. تاریخ کے ساتھ دوبارہ اسکور کریں۔ پچھلا نتیجہ previousEvaluation کے طور پر بھیجیں تاکہ ہر metric کا موازنہ حاصل ہو۔
  9. مناسب وقت پر رکیں۔ جب تقاضے اور checks پاس ہو جائیں اور مزید اسکور حاصل کرنے کی عملی قدر کم رہ جائے تو مکمل کریں۔

مثلاً، موازنے میں readability کی تبدیلی 6.3 → 8.1 دکھائی جا سکتی ہے جبکہ security بدستور 8.2 → 8.2 رہے۔ یہ ایک واحد blended score سے زیادہ معلوماتی ہے کیونکہ اس سے واضح ہوتا ہے کہ معیار کے کون سے dimensions تبدیل ہوئے۔

معیار کے dimensions

بنیادی dimensions

جب فراہم کردہ سیاق کافی ہو تو Jev Review ان dimensions کا جائزہ لیتا ہے:

  • درستگی اور تقاضوں سے مطابقت۔
  • ذہنی پیچیدگی۔
  • قابلِ مطالعہ ہونا اور ارادہ۔
  • ماڈیولرٹی اور باہمی ہم آہنگی۔
  • Coupling اور dependencies کا معیار۔
  • تبدیلی پذیری اور change amplification۔
  • Abstraction اور API design۔
  • Project اور فائل کی ساخت۔
  • تکرار اور دوبارہ استعمال۔
  • قابلِ دیکھ بھال ہونا۔
  • قابلِ آزمائش ہونا اور ٹیسٹ کا معیار۔
  • قابلِ اعتماد ہونا اور error handling۔
  • سکیورٹی۔
  • مطابقت اور conventions۔
  • دستاویز کاری اور وضاحت پذیری۔

سیاق پر منحصر dimensions

درج ذیل dimensions کا جائزہ صرف اس وقت لیا جاتا ہے جب متعلقہ شواہد دستیاب ہوں:

  • کارکردگی اور وسائل کا مؤثر استعمال۔
  • Scalability اور لچک۔
  • مطابقت اور API کا استحکام۔
  • Observability اور operability۔

اگر فراہم کردہ سیاق کسی dimension کی معاونت نہ کر سکے تو نتیجہ { "applicable": false } استعمال کرتا ہے۔ evaluator یہ فرض نہیں کرتا کہ مختصر functions، چھوٹی فائلیں، اضافی layers، زیادہ comments، صفر duplication یا زیادہ tests خود بخود بہتر ہوتے ہیں۔

اعلیٰ درجے کی تجاویز

جائزے کا سیاق مرکوز رکھیں

ٹاسک اور وہ سب سے چھوٹا ہم آہنگ diff بھیجیں جو implementation کی نمائندگی کرتا ہو۔ مکمل فائلیں صرف اس وقت شامل کریں جب حذف شدہ سیاق قابلِ اعتماد evaluation میں رکاوٹ بنے۔ مرکوز submissions coding agent کے لیے feedback کو سمجھنا آسان بناتی ہیں۔

Jev Review اپنی طرف سے character، token یا file-count کی کوئی حد شامل نہیں کرتا۔ تاہم jev-latest API کا براہِ راست رویہ تقریباً 32,768 tokens کی submitted-state ceiling ظاہر کرتا ہے۔ یہ حد API documentation میں شائع نہیں کی گئی اور تبدیل ہو سکتی ہے۔ اگر API max_tokens_exceeded واپس کرے تو غیر متعلقہ سیاق ہٹا دیں یا کام کو ہم آہنگ جائزہ حصوں میں تقسیم کریں۔

کنٹرول شدہ iteration کے لیے پچھلی evaluations استعمال کریں

دوبارہ اسکور کرتے وقت مکمل پچھلا نتیجہ previousEvaluation میں بھیجیں۔ Jev Review مقامی طور پر اس کا موازنہ کرتا ہے اور ہر metric کے deltas، بہتریوں، regressions اور حل نہ ہونے والی کمزوریوں کی رپورٹ دیتا ہے۔ پچھلی evaluation، Jev کو بھیجے جانے والے موجودہ code context میں شامل نہیں کی جاتی۔

ترمیم سے پہلے تشخیص کریں

کم اسکور ایک اشارہ ہے، بنیادی وجہ کی وضاحت نہیں۔ coding agent سے کہیں کہ implementation کا معائنہ کرے، کمزوری کے شواہد کی نشاندہی کرے اور کم سے کم correction تجویز کرے۔ محض کوئی عدد تبدیل کرنے کے لیے code rewrite نہ کریں۔

اسکورز پر تقاضوں کو ترجیح دیں

درست رویہ اور صارف کے تقاضے ہمیشہ اسکور میں بہتری پر مقدم ہوتے ہیں۔ زیادہ اسکور رویہ توڑنے، دائرۂ کار بڑھانے، بے معنی tests شامل کرنے، قیاسی abstractions متعارف کرانے یا غیر ضروری layers بنانے کا جواز نہیں بنتا۔

وقف سیکیورٹی ٹولز بھی استعمال کریں

سیکیورٹی جائزے کا ایک پہلو ہے، لیکن Jev Review dependency scanners، secret detection، static analysis، penetration testing اور دیگر وقف سیکیورٹی کنٹرولز کا متبادل نہیں بلکہ ان کا معاون ہے۔

سیکیورٹی اور رازداری

مقامی MCP عمل JEV_API_KEY کو پڑھتا ہے اور اسے صرف TLS Authorization header میں استعمال کرتا ہے، جو براہِ راست https://api.typesafe.ai/v1/systemone کو بھیجا جاتا ہے۔ Jev Review اس کلید کو محفوظ یا لاگ نہیں کرتا۔

صرف task، diff، files اور repositoryContext جو ٹول کو واضح طور پر فراہم کیے گئے ہوں، Jev کو بھیجے جاتے ہیں۔ سرور خودکار طور پر repository فائلوں کو دریافت یا اپ لوڈ نہیں کرتا۔

جائزے کا context آپ کی مشین سے TypeSafe کی Jev API کو بھیجا جاتا ہے۔ secrets یا غیر متعلقہ ملکیتی مواد جمع نہ کریں۔

ریموٹ سروس جمع کرائے گئے ڈیٹا کو کیسے سنبھالتی ہے، اس بارے میں معلومات کے لیے TypeSafe کی privacy policy دیکھیں۔

Jev Review کو مقامی طور پر تیار کرنا

خود project پر کام کرنے کے لیے repository کو clone کریں، dependencies انسٹال کریں، اور validation چلائیں:

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

مفید development commands میں شامل ہیں:

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

npm run build committed dist/server.js bundle بناتا ہے۔ Unit اور MCP protocol tests مقامی fakes استعمال کرتے ہیں اور Jev API quota خرچ نہیں کرتے۔ براہِ راست Jev request کے لیے JEV_API_KEY درکار ہے۔

نتیجہ

Jev Review معاون AI coding clients میں implementation کا کنٹرول سنبھالے بغیر ایک منظم quality-feedback loop شامل کرتا ہے۔ مقامی MCP server انسٹال کریں، اہم تبدیلیوں کے بعد focused context جمع کرائیں، محتاط بہتریوں کی رہنمائی کے لیے dimension-level نتائج استعمال کریں، اور مختلف iterations کے evaluations کا موازنہ کریں۔ scores کو goals کے بجائے evidence سمجھیں، اور اس وقت رکیں جب requirements، checks اور عملی quality کی ضروریات پوری ہو جائیں۔