claude-praetorian-mcp
⚜️ An MCP server for context compaction and recycling in Claude Code
- 10
- TypeScript
- MIT
- 8 mo ago
Sistema automatizado para validar y fusionar Pull Requests
Repo devsebastian44/AutoPR-Lab, read from GitHub 8 h ago. devsebastian44 has not joined Take My Repo.
devsebastian44/AutoPR-Lab is a public repo on GitHub by devsebastian44. Sistema automatizado para validar y fusionar Pull Requests. It declares the MIT license on GitHub. It is written mainly in Python, has 5 stars and last changed on 2026-04-27. Nobody has reviewed it on Take My Repo yet, which says nothing about its quality. Read from GitHub on 2026-11-21.
In the maintainer's words. Shown from GitHub; Take My Repo does not keep a copy.
IMPORTANT: This project is for educational and ethical cybersecurity purposes only.
AutoPR Lab es un sistema de revisión y fusión automática de Pull Requests construido sobre GitHub Actions y Python 3.10+. A partir del análisis de la estructura del repositorio, sus módulos fuente y archivos de configuración, el sistema intercepta cada PR abierto o actualizado en el repositorio, ejecuta una batería de detectores de seguridad modulares sobre el código propuesto, y toma una decisión trazable y autónoma — aprobar el merge, aprobar con advertencias o rechazar y cerrar el PR — sin intervención humana.
El motor de análisis (core/scanner.py) orquesta la ejecución de detectores independientes ubicados en detectors/, cada uno implementando un contrato común definido por BaseDetector. Los resultados son estandarizados mediante un dataclass DetectorResult que incluye estado, mensaje, detalles, ruta del archivo y número de línea. El motor de decisión (scripts/decision_engine.py) agrega los resultados, evalúa las reglas de seguridad de rutas (SecurityRules) y emite la decisión final a través de la GitHub REST API (utils/github_api.py), comentando automáticamente el PR y ejecutando la acción correspondiente.
Este proyecto es simultáneamente una herramienta funcional de automatización DevSecOps y un laboratorio de aprendizaje sobre arquitectura de sistemas de revisión de código, análisis estático y diseño de pipelines de CI/CD seguros.
MERGE (sin problemas), WARN_MERGE (advertencias sin bloqueo) o REJECT (errores críticos), ejecutadas sin intervención humana.BaseDetector y retornan DetectorResult estandarizados. El sistema los autodescubre desde detectors/__init__.py sin modificar el motor principal.APIKeysDetector identifica GitHub tokens, OpenAI API keys, AWS secrets, claves RSA y URLs con credenciales embebidas. PasswordsDetector detecta contraseñas hardcodeadas en variables de entorno y configuraciones.SensitiveFilesDetector bloquea PRs que incluyan .env, .pem, .key, credentials.json y archivos de base de datos.DetectorFormatValidator analiza la estructura sintáctica de nuevos detectores con ast.parse() antes de aceptarlos, bloqueando imports prohibidos (subprocess, socket, requests, eval, exec) y verificando la herencia correcta de BaseDetector.utils/comment_templates.py genera comentarios ricos y estructurados directamente sobre el PR explicando cada hallazgo con archivo, línea y severidad.Dockerfile y .dockerignore permiten ejecutar el sistema en un entorno aislado y reproducible..pre-commit-config.yaml garantiza calidad del código antes de cada commit en el repositorio.| Componente | Tecnología |
|---|---|
| Lenguaje principal | Python 3.10+ |
| Motor de CI/CD | GitHub Actions (.github/workflows/) |
| Análisis estático de código | ast (stdlib Python) |
| Cliente API | GitHub REST API v3 (utils/github_api.py) |
| Contenerización | Docker + .dockerignore |
| Pre-commit hooks | pre-commit framework |
| Testing | pytest |
| Build y orquestación | Makefile |
| Configuración del proyecto | pyproject.toml |
| Logging | Logger con colores (utils/logger.py) |
| Licencia | MIT |
GITHUB_TOKEN con permisos de lectura/escritura sobre PRs# 1. Clonar el repositorio git clone https://github.com/devsebastian44/AutoPR-Lab.git cd AutoPR-Lab # 2. Crear entorno virtual e instalar dependencias python3 -m venv venv source venv/bin/activate # Linux/macOS venv\Scripts\activate # Windows pip install -r requirements.txt # 3. Instalar pre-commit hooks pre-commit install # 4. Verificar instalación ejecutando los tests make test # o directamente: python -m pytest tests/ -v
# 1. Habilitar GitHub Actions en tu repositorio # Settings → Actions → General # 2. Configurar permisos del GITHUB_TOKEN # Settings → Actions → General → Workflow permissions: # ✅ Read and write permissions # ✅ Allow GitHub Actions to create and approve pull requests # 3. El workflow .github/workflows/auto-pr.yml # se activa automáticamente en cada PR. No requiere configuración adicional.
# Construir la imagen docker build -t autopr-lab . # Ejecutar en modo DRY_RUN (sin acciones reales en GitHub) docker run \ -e GITHUB_TOKEN="tu_token" \ -e GITHUB_REPOSITORY="owner/repo" \ -e PR_NUMBER="123" \ -e DRY_RUN="true" \ autopr-lab
Una vez configurado, el sistema opera de forma completamente autónoma. Al abrir o actualizar cualquier PR en el repositorio, el workflow auto-pr.yml se dispara y ejecuta el pipeline completo:
PR Abierto / Actualizado
│
▼
[GitHub Actions Trigger]
on: pull_request (opened, synchronize, reopened)
│
▼
[decision_engine.py]
Lee GITHUB_TOKEN, GITHUB_REPOSITORY, PR_NUMBER
Obtiene lista de archivos del PR vía GitHub API
│
▼
[SecurityRules.validate_paths]
¿Archivos en rutas permitidas?
¿PR dentro de límites de tamaño?
│
─────┴──────
│ │
PASS FAIL
│ │
▼ REJECT inmediato
[Scanner.scan_pr]
Ejecuta TODOS los detectores
sobre cada archivo del PR
│
─────┴──────────────
│ │ │
ERROR WARNING OK
│ │ │
REJECT WARN_MERGE MERGE
# 1. Copiar el archivo de entorno de ejemplo cp .env.example .env # 2. Configurar variables en .env (no requiere tokens reales si DRY_RUN=true) # GITHUB_TOKEN="mock_token" # DRY_RUN="true" # 3. Ejecutar el motor de decisión python scripts/decision_engine.py
make install # Instala dependencias y pre-commit hooks make test # Ejecuta la suite completa de pytest make lint # Ejecuta linters sobre el código fuente make run # Ejecuta el motor en modo DRY_RUN make docker # Construye la imagen Docker make clean # Limpia artefactos de build y caché
PR rechazado (credencial detectada):
❌ [CRITICAL] APIKeysDetector: Posible OpenAI API Key detectada
→ Archivo: detectors/nuevo.py — Línea 5
→ Patrón: sk-ab****xyz (redactado)
❌ [CRITICAL] PasswordsDetector: Password hardcodeado en DATABASE_PASSWORD
→ Archivo: config.py — Línea 12
DECISIÓN FINAL: REJECT
→ Comentario publicado en PR #42
→ PR cerrado automáticamente
→ Tiempo total: 312ms
PR aprobado y mergeado (detector limpio):
✅ [OK] DetectorFormatValidator: Estructura del detector válida
✅ [OK] APIKeysDetector: Sin credenciales detectadas
✅ [OK] PasswordsDetector: Sin passwords hardcodeados
✅ [OK] SensitiveFilesDetector: Sin archivos sensibles
DECISIÓN FINAL: MERGE
→ PR #43 aprobado y mergeado automáticamente
→ Tiempo total: 89ms
AutoPR-Lab/
│
├── .github/
│ └── workflows/
│ └── auto-pr.yml # Workflow principal de GitHub Actions:
│ # trigger on PR, ejecuta decision_engine.py
│
├── core/
│ ├── __init__.py
│ └── scanner.py # Motor central de análisis:
│ # orquesta la ejecución de todos los
│ # detectores sobre los archivos del PR
│ # y agrega resultados DetectorResult
│
├── detectors/
│ ├── __init__.py # Auto-descubrimiento de detectores:
│ │ # registra automáticamente todos los
│ │ # módulos del directorio
│ ├── base_detector.py # Clase base abstracta BaseDetector:
│ │ # contrato, DetectorResult dataclass,
│ │ # DetectorStatus enum (OK/WARNING/ERROR)
│ ├── api_keys_detector.py # Detecta tokens, API keys y secretos
│ │ # (GitHub, OpenAI, AWS, RSA, URLs con creds)
│ ├── passwords_detector.py # Detecta passwords hardcodeados y
│ │ # contraseñas triviales en variables
│ ├── sensitive_files_detector.py# Detecta .env, .pem, .key, credentials.json
│ │ # y archivos de base de datos en el PR
│ └── detector_validator.py # Valida estructura AST de nuevos detectores:
│ # imports prohibidos, herencia BaseDetector,
│ # métodos requeridos (name, analyze)
│
├── utils/
│ ├── __init__.py
│ ├── github_api.py # Cliente GitHub REST API v3:
│ │ # obtiene archivos del PR, publica
│ │ # comentarios, aprueba y ejecuta merge
│ ├── comment_templates.py # Templates Markdown para comentarios
│ │ # del bot: MERGE, WARN_MERGE, REJECT
│ └── logger.py # Sistema de logging con colores ANSI
│ # por nivel (INFO, WARNING, ERROR)
│
├── scripts/
│ └── decision_engine.py # Entry point del sistema:
│ # lee variables de entorno, llama a
│ # SecurityRules + Scanner, emite decisión
│ # y ejecuta acción vía GitHub API
│
├── tests/
│ ├── test_detectors.py # Tests unitarios de detectores:
│ │ # casos positivos y negativos por detector
│ └── test_scanner.py # Tests de integración del Scanner:
│ # flujo completo con mocks de GitHub API
│
├── docs/
│ ├── how-to-add-detector.md # Guía paso a paso para agregar
│ │ # nuevos detectores al sistema
│ └── example-outputs.md # Ejemplos de outputs del bot
│ # en diferentes escenarios
│
├── examples/
│ ├── valid-pr/ # Código de ejemplo que el sistema acepta
│ └── invalid-pr/ # Código de ejemplo que el sistema rechaza
│
├── .dockerignore # Exclusiones de imagen Docker
├── .gitignore # Exclusiones de Git
├── .pre-commit-config.yaml # Configuración de pre-commit hooks
├── Dockerfile # Imagen Docker del sistema
├── LICENSE # Licencia MIT
├── Makefile # Comandos de orquestación del proyecto
├── pyproject.toml # Configuración del proyecto Python
# (herramientas, linters, pytest)
└── requirements.txt # Dependencias del proyecto
El sistema está diseñado con un modelo de seguridad por defecto estricto. Toda decisión sigue el principio de mínimo privilegio: solo se permite lo que está explícitamente autorizado.
| Ruta | Estado | Razón |
|---|---|---|
detectors/ |
✅ Auto-merge | Extensiones del sistema, validadas por DetectorFormatValidator |
tests/ |
✅ Auto-merge | Pruebas unitarias, sin capacidad de ejecución en producción |
docs/ |
✅ Auto-merge | Solo documentación Markdown |
examples/ |
✅ Auto-merge | Código de demostración sin lógica productiva |
README.md |
✅ Auto-merge | Documentación pública |
core/ |
🚫 Bloqueado | Motor principal — requiere revisión manual |
.github/workflows/ |
🚫 Bloqueado | Definición del pipeline CI/CD — crítico |
scripts/ |
🚫 Bloqueado | Motor de decisión — requiere revisión manual |
requirements.txt |
🚫 Bloqueado | Modificar dependencias puede introducir supply chain attacks |
pyproject.toml |
🚫 Bloqueado | Configuración del proyecto |
Makefile |
🚫 Bloqueado | Automatización con acceso a shell |
Antes de aceptar un nuevo detector, DetectorFormatValidator lo analiza con ast.parse() y bloquea:
# Imports prohibidos — nunca aceptados en detectores: FORBIDDEN_IMPORTS = [ "subprocess", # Ejecución de comandos del sistema "socket", # Conexiones de red arbitrarias "requests", # HTTP calls no autorizadas "os.system", # Ejecución de shell commands ] # Construcciones prohibidas: FORBIDDEN_CONSTRUCTS = ["eval", "exec"] # Requerimientos obligatorios: REQUIRED_BASE_CLASS = "BaseDetector" REQUIRED_METHODS = ["name", "description", "severity", "analyze"]
El sistema utiliza únicamente el GITHUB_TOKEN inyectado automáticamente por GitHub Actions, sin requerir tokens personales ni secrets adicionales. Los permisos mínimos requeridos son pull-requests: write y contents: write.
¡Las contribuciones son bienvenidas! Este proyecto está diseñado para ser un laboratorio abierto y portafolio colaborativo donde otros desarrolladores pueden sumar detectores o mejorar el motor.
Pasos para contribuir:
Haz un Fork del repositorio a tu cuenta de GitHub.
Clona tu fork localmente y configura el entorno:
git clone https://github.com/devsebastian44/AutoPR-Lab.git cd AutoPR-Lab pip install -e ".[dev,security]" cp .env.example .env
Crea una rama para tu funcionalidad o corrección (git checkout -b feature/nuevo-detector).
Desarrolla y testea localmente:
tests/ (sin usar credenciales reales, usa mocks).python -m pytest tests/.ruff check . y mypy ..Haz Commit y Push de tus cambios. Los pre-commit hooks integrados validarán tu código.
Abre un Pull Request hacia la rama main del repositorio original.
ci.yml) validará automáticamente tus cambios (tests, linting, seguridad).Posibles extensiones identificadas desde la arquitectura modular del sistema:
requirements.txt contra bases de datos de vulnerabilidades (PyPI Advisory Database, OSV) como nuevo detector modular.radon..autopr.yml en el repositorio raíz donde cada proyecto defina sus propias reglas de rutas, límites de tamaño y severidades.main vs develop, con políticas diferenciadas por rama destino.Este proyecto está bajo la licencia MIT.
MIT License — Copyright (c) Sebastian Zhunaula (devsebastian44)
Se permite el uso, copia, modificación y distribución con o sin
fines comerciales, siempre que se mantenga el aviso de copyright.
Sebastian Zhunaula GitHub: @devsebastian44
Sistema desarrollado como laboratorio de automatización DevSecOps, explorando patrones de arquitectura modular, análisis estático de código y diseño de pipelines de CI/CD seguros sobre GitHub Actions.
devsebastian44/AutoPR-Lab is a public repo on GitHub by devsebastian44. Sistema automatizado para validar y fusionar Pull Requests.
It declares the MIT license on GitHub.
Its maker tagged it for macOS, Windows and Linux, or as Docker or cross-platform. That is declared by the maker; Take My Repo has not tested it.
Open "Take it" on its page: Take My Repo writes an install plan for your machine and hands it to your AI agent (Claude Code, Codex or Cursor), which asks you before each step. Take My Repo has not tested it on any machine.
Its last change on GitHub was on 2026-04-27. GitHub counts 0 open issues and pull requests. Take My Repo does not judge from that whether it is maintained.
Nobody has reviewed it on Take My Repo yet, which says nothing about its quality.

⚜️ An MCP server for context compaction and recycling in Claude Code
Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or cloud, 400+ integrations.

Stealth browser automation for AI agents over MCP and the Chrome DevTools Protocol: navigation, network hooks, DOM extraction, and pixel-accurate UI cloning.

Shannon is an AI pentester for web applications and APIs. It analyzes your source code, identifies attack vectors, and executes real exploits to prove vulnerabilities before they reach production.
Build Agentic workflows, RAG pipelines, with rich AI model and tool support on one collaborative workspace. Deploy on cloud, VPC, or self-hosted, so teams move from prototype to production without rebuilding the stack.
AI assistant integration for n8n workflow automation through Model Context Protocol (MCP). Connect Claude Desktop, ChatGPT, and other AI assistants to n8n for natural language workflow management.

Script para instalar y configurar Nextcloud automáticamente
This page is also available as structured data, with the same sources and dates.
/api/v1/resources/gh/devsebastian44/AutoPR-LabTake My Repo has not tested this on your machine. Requirements come from the project's own documentation.