TypeScript製AIエージェントフレームワークMastraを使ってコーディング、データベース設計のアンチパターンを検知するMCPサーバを実装してみました。
実装したもの
- MastraサーバとRAGのベクトルデータベースとして使用するPostgresqlをローカルで起動するdocker compose
- コーディングとテーブル設計のアンチパターンをまとめたテキストファイル
- テキストファイルの内容をベクトル化してPostgresqlに登録するTypeScript製スクリプト
- ベクトルデータベースから情報を取得するMCP Tool
- 上記Toolを使ったMCPサーバのエンドポイント
docker compose
MastraサーバからRAG技術を使うためにテキストファイルをスクリプトでAIモデルが処理できる形に変換して任意のデータベースに登録する必要があります。
そのためMastraのサーバと合わせてPostgresqlのコンテナを起動するcompose.ymlを用意します。
version: '3.8' services: mastra: build: context: . dockerfile: docker/mastra/Dockerfile image: mastra-mcp container_name: mastra-mcp ports: - '4111:4111' environment: # コンテナ間の接続にはホスト名（localhost）ではなく、サービス名（postgresql）を使用 - POSTGRES_CONNECTION_STRING=postgresql://user:password@postgresql:5432/vectordb env_file: .env depends_on: - postgresql command: "npm run dev" # command: "tail -f /dev/null" # デバッグ用 volumes: - ./:/app - mcp_node_modules:/app/node_modules postgresql: build: context: . dockerfile: docker/postgresql/Dockerfile image: mcp-pgvector-db container_name: mcp-pgvector-db environment: POSTGRES_USER: user POSTGRES_PASSWORD: password POSTGRES_DB: vectordb ports: - '5432:5432' volumes: - mcp_pgdata:/var/lib/postgresql/data volumes: mcp_pgdata: mcp_node_modules:
Postgresqlのコンテナにはankane/pgvectorイメージを使用しています。Mastraのイメージは最新に近いバージョンのnodeであれば問題ないと思います。
コーディングとテーブル設計のアンチパターンをまとめたテキストファイル
「リーダブルコード」、「Code Compolete」、「SQLアンチパターン」などで紹介されている開発アンチパターンをまとめたテキストファイルを用意します。
例えば以下のように内容を記載していきます。
## 命名に関するアンチパターン
| アンチパターン例 | 内容 | 改善例 |
| -------------------------------------- | --------------------------------- | ----------------------------------------------- |
| data, info, temp, flg などの曖昧な名前 | 変数名から意味が分からない | userList, isEmailValid, temporaryUserName |
| 略語の多用 (cnt, val, ctx) | 文脈によって意味が変わる可能性あり | count, value, context |
| 一貫性のない命名規則 | 命名が camelCase、snake_case 混在など | プロジェクト内で統一（例：全て snake_case） |
| 数字付き命名（例: user1, user2） | 意味が伝わらずスケーラビリティがない | 配列やリストを使用し、users[0], users[1] などに |
## マジックナンバーの使用
悪い例
if score > 85:
grade = "A"
良い例
GRADE_A_THRESHOLD = 85
if score > GRADE_A_THRESHOLD:
grade = "A"
テキストファイルの内容をベクトル化してPostgresqlに登録するTypeScript製スクリプト
MCPツールから上記のテキストファイルの内容をそのまま読み込んでAIのコンテキストに反映させることもできるのですが今回はRAG技術を使ってテキストの内容をベクトル化して扱ってみます。
以下のスクリプトでPostgresqlにベクトル化されたテキストファイルの内容が登録されます。 今回はOpenAIのモデルを使って実装していますがClaudeなどに置き換えることも可能です。
import 'dotenv/config' import { embedMany } from 'ai' import { openai } from '@ai-sdk/openai' import { PgVector } from '@mastra/pg' import { MDocument } from '@mastra/rag' import { readFile } from 'fs/promises' import { join, dirname } from 'path' import { fileURLToPath } from 'url' const __filename = fileURLToPath(import.meta.url) const __dirname = dirname(__filename) async function main() { const filePath = join(__dirname, '../texts/codingAntipattern.txt') const text = await readFile(filePath, 'utf-8') const doc = MDocument.fromText(text) const chunks = await doc.chunk() const { embeddings } = await embedMany({ values: chunks.map((chunk) => chunk.text), model: openai.embedding('text-embedding-3-small'), }) const pgVector = new PgVector({ connectionString: process.env.POSTGRES_CONNECTION_STRING as string, }) console.log('✅ embeddings:', embeddings) console.log( '✅ connectionString:', process.env.POSTGRES_CONNECTION_STRING || 'not set', ) try { await pgVector.createIndex({ indexName: 'coding_antipattern_embeddings', dimension: 1536, }) await pgVector.upsert({ indexName: 'coding_antipattern_embeddings', vectors: embeddings, metadata: chunks.map((chunk) => ({ text: chunk.text, })), }) console.log('✅ Embeddings inserted successfully') } finally { process.exit(0) } } main().catch((err) => { console.error('❌ Error:', err) process.exit(1) })
ベクトルデータベースから情報を取得するMCP Tool
src/mastra/tools/codingAntiPatternRagTool.ts
import { createTool } from '@mastra/core/tools' import { z } from 'zod' import { PgVector } from '@mastra/pg' import { openai } from '@ai-sdk/openai' import { embed } from 'ai' export const codingAntiPatternRagTool = createTool({ id: 'Get Anti Coding Pattern Information', inputSchema: z.object({ query: z.string(), }), description: `Fetches the Anti Coding Pattern information from the vector database based on the user's query.`, execute: async ({ context }) => { const pgVector = new PgVector({ connectionString: process.env.POSTGRES_CONNECTION_STRING as string, }) console.log('✅ connectionString:', process.env.POSTGRES_CONNECTION_STRING) const { embedding } = await embed({ model: openai.embedding('text-embedding-3-small'), value: context.query, }) const results = await pgVector.query({ indexName: 'coding_antipattern_embeddings', queryVector: embedding, topK: 3, }) return { contents: results ? results : 'No faq found.', } }, })
上記Toolを使ったMCPサーバのエンドポイント
上記のToolを呼び出すAgentを実装します。
import { openai } from '@ai-sdk/openai' import { Agent } from '@mastra/core/agent' import { codingAntiPatternRagTool } from '../tools/codingAntiPatternRagTool' export const codingAntiPatternRagAgent = new Agent({ name: 'プログラミングアンチパターン Vector Query RAG エージェント', instructions: ` あなたはプログラミング / コーディングアンチパターン情報を検索し、ユーザーの質問に答えるエージェントです。 コードをレビューする指示に従い、ユーザーの質問に対して適切な情報を提供します。 コードレビューの依頼が来たらこのエージェントを使用してください。 ユーザーからの質問に対して、以下のツールを使用して回答を生成してください。 - codingAntiPatternRagTool: ベクトルデータベースから質問に関連するプログラミングアンチパターン情報を検索します。 ユーザーの質問に対して、できるだけ具体的で明確な回答を提供してください。 `, tools: { codingAntiPatternRagTool }, model: openai('gpt-4o'), })
src/mastra/index.tsにこのAgentを登録してdocker compose upでPostgresqlとMastraのMCPサーバを起動します。
VSCode＋Cline環境からMCPに接続する
自分の場合は以下のパスにClineのMCPサーバ設定ファイルがあるので先ほど立ち上げたMCPサーバのエンドポイントを指定します。
vi "/Users/ikegaya_y/Library/Application Support/Code/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json"
{ "mcpServers": { "My Custom Server": { "url": "http://localhost:4111/api/mcp/myMcpServer/sse" } } }
レビュー対象のファイルパスを指定しMCPサーバを使ってレビューするよう依頼してみます。
MCPツールを使用していいか聞かれるので許可していきます。
アンチパターンの内容を検知することができました。良さそう
