$ loading_
扫描多语言代码库，识别残缺结构并量化 LLM 上下文漂移风险
复制安装指令，让 AI 自动完成配置 · 推荐新手
"MCP Drift State Tracker" 暂无可直接复制的安装信息，请查看页面文档或源码仓库。
请扫描这个多语言代码库，找出 stub、缺失 import 和结构不完整的位置，并给出整体 drift score。
返回问题清单，并给出反映代码库上下文漂移程度的评分。
对比当前代码状态，检测哪些文件存在占位实现、引用缺失或结构断裂，并量化这些问题对上下文完整性的影响。
输出与代码完整性相关的异常项，以及可用于跟踪退化程度的漂移分数。
扫描这个包含多种语言的项目，汇总不完整实现和依赖引用问题，帮助我判断仓库是否正在偏离可维护状态。
生成面向维护的检测结果摘要，并提供量化的漂移指标。
开发者在使用 LLM 批量生成或修改代码后，可用它扫描仓库中的占位实现、缺失导入和结构残缺，判断上下文是否已出现明显漂移。
当团队维护包含多种编程语言的仓库时，它可作为结构完整性检查工具，帮助发现跨语言代码中的不完整状态并量化风险。
研究员或工程团队可使用 drift score 观察代码库随时间的上下文侵蚀程度，为后续修复或治理提供依据。
它是一个 MCP server，用于扫描多语言代码库，检测 stub、缺失 import 和结构不完整问题，并用 drift score 量化 LLM 上下文侵蚀。
给定信息明确提到三类问题：stub、missing imports，以及 structural incompleteness。更具体的检测范围见源码仓库。
现有素材只说明它是 MCP server，未提供安装步骤、运行时要求或密钥信息；具体前置条件见源码仓库。
为代码库提供智能理解，识别规范并跨会话记忆开发决策
以对话方式审计项目组合与 GitHub 状态，快速发现漂移与异常。
帮助 AI 代理扫描代码库中的大模型使用、AI 框架与泄露密钥风险
提供结构化代码分析与 Git 提交智能，帮助高效理解仓库并显著节省上下文 token。
提供计算、搜索、模型漂移监测与答案评分等安全 MCP 工具
运行测试与静态检查并汇总错误，帮助开发者高效迭代调试并减少上下文噪音。