Java Decompiler MCP-server

Java Decompiler MCP-server

Dekomprimer Java-bytekode til lesbar kildekode i dine AI-drevne arbeidsflyter med Java Decompiler MCP-serveren, kompatibel med FlowHunt og andre MCP-klienter.

Hva gjør “Java Decompiler” MCP-serveren?

Java Decompiler MCP-serveren (mcp-javadc) er en Model Context Protocol (MCP)-server utviklet for å dekompilere Java class-filer. Den gjør det mulig for AI-assistenter og MCP-kompatible utviklingsverktøy å konvertere Java-bytekode (.class-filer eller klasser i JARs) til menneskelig lesbar Java-kildekode. Denne serveren strømlinjeformer arbeidsflyter ved å tillate automatisert dekompilering via API, og støtter oppgaver som å undersøke tredjepartsbiblioteker, reverse engineere eldre kode eller analysere kompilerte Java-pakker uten behov for opprinnelig kildekode. Den tilbyr integrasjon gjennom stdio-transport og midlertidig filhåndtering, og er kompatibel med ulike MCP-klienter, noe som gjør den til et allsidig verktøy for utviklere og AI-agenter som jobber med Java-bytekode.

Liste over prompt-maler

Ingen prompt-maler er nevnt i README eller prosjektfilene.

Liste over ressurser

Ingen eksplisitte MCP-ressurser nevnes i dokumentasjonen eller filene.

Liste over verktøy

  • decompile-from-path
    Dekomprimerer en Java .class-fil fra en spesifisert filbane.
    Parameter: classFilePath (absolutt bane til .class-filen)

  • decompile-from-package
    Dekomprimerer en Java-klasse ved bruk av pakkenavn (f.eks. java.util.ArrayList).
    Parameter: (ikke detaljert i README)

  • decompile-from-jar
    Dekomprimerer en Java-klasse fra en JAR-fil.
    Parameter: (ikke detaljert i README)

Bruksområder for denne MCP-serveren

  • Dekomprimering av frittstående class-filer
    Konverter raskt kompilerte .class-filer til lesbar Java-kildekode for feilsøking, revisjon eller læringsformål.

  • Reverse engineering av tredjepartsbiblioteker
    Analyser klasser i JAR-filer eller via pakkenavn for å forstå oppførsel og struktur når kildekoden ikke er tilgjengelig.

  • Integrasjon med AI-utviklingsverktøy
    La AI-agenter eller assistenter automatisk dekompilere Java-kode som en del av bredere kodeanalyse- eller migreringsarbeidsflyter.

  • Automatisert utforskning av kodebase
    Bruk som backend for verktøy som krever dekompilering på forespørsel for å hjelpe med navigering og forståelse av store kodebaser.

Hvordan sette det opp

Windsurf

  1. Sørg for at Node.js 16+ og npm er installert.
  2. Legg til @idachev/mcp-javadc@latest som en MCP-server i Windsurf-konfigurasjonen din.
  3. Rediger konfigurasjonsfilen for å inkludere serveren:
    {
      "mcpServers": {
        "javaDecompiler": {
          "command": "npx",
          "args": ["-y", "@idachev/mcp-javadc"]
        }
      }
    }
    
  4. Lagre endringene og start Windsurf på nytt.
  5. Verifiser oppsettet ved å kjøre en eksempel-dekompilering.

Sikre API-nøkler:
Hvis du trenger å sette miljøvariabler (f.eks. CLASSPATH):

{
  "mcpServers": {
    "javaDecompiler": {
      "command": "npx",
      "args": ["-y", "@idachev/mcp-javadc"],
      "env": {
        "CLASSPATH": "/path/to/java/classes"
      }
    }
  }
}

Claude

  1. Installer Node.js 16+ og npm.
  2. Bruk Claude CLI for å legge til serveren:
    claude mcp add javadc -s project -- npx -y @idachev/mcp-javadc
    
  3. Oppdater MCP-klientkonfigurasjonen etter behov.
  4. Lagre og start Claude på nytt.
  5. Test ved å sende en dekompileringsforespørsel.

Cursor

  1. Sørg for at Node.js 16+ og npm er installert.
  2. Legg til følgende i MCP-serverkonfigurasjonen for Cursor:
    {
      "mcpServers": {
        "javaDecompiler": {
          "command": "npx",
          "args": ["-y", "@idachev/mcp-javadc"]
        }
      }
    }
    
  3. Lagre konfigurasjonen og start Cursor på nytt.
  4. Kjør en test-dekompilering.

Cline

  1. Forutsetninger: Node.js 16+ og npm.
  2. Rediger MCP-serverkonfigurasjonen for Cline:
    {
      "mcpServers": {
        "javaDecompiler": {
          "command": "npx",
          "args": ["-y", "@idachev/mcp-javadc"]
        }
      }
    }
    
  3. Lagre og start Cline på nytt.
  4. Kjør en dekompilering for å verifisere oppsettet.

Merk:
Sett alltid sensitive verdier (som CLASSPATH eller API-nøkler) med env-feltet i konfigurasjonen for sikkerhet.
Eksempel:

{
  "mcpServers": {
    "javaDecompiler": {
      "command": "npx",
      "args": ["-y", "@idachev/mcp-javadc"],
      "env": {
        "CLASSPATH": "/path/to/java/classes"
      }
    }
  }
}

Hvordan bruke denne MCP-serveren i arbeidsflyter

Bruke MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flyten og koble den til din AI-agent:

FlowHunt MCP flow

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I system-MCP-konfigurasjonsseksjonen, legg inn MCP-serverdetaljene dine i dette JSON-formatet:

{
  "javaDecompiler": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når den er konfigurert, kan AI-agenten nå bruke denne MCP-serveren som et verktøy med tilgang til alle dens funksjoner og kapabiliteter. Husk å endre "javaDecompiler" til det faktiske navnet på din MCP-server og erstatte URL-en med din egen MCP-server-URL.


Oversikt

SeksjonTilgjengelighetDetaljer/Notater
OversiktJava decompiler-server for MCP
Liste over prompt-malerIngen prompt-maler funnet
Liste over ressurserIngen eksplisitte MCP-ressurser oppført
Liste over verktøydecompile-from-path, decompile-from-package, decompile-from-jar
Sikre API-nøklerVia env i konfigurasjon
Roots-støtteIkke nevnt
Sampling-støtte (mindre viktig for vurdering)Ikke nevnt

Basert på tabellene er denne MCP-serveren fokusert og funksjonell for Java-dekompilering, men mangler avanserte MCP-funksjoner som prompt-maler, ressurser, roots eller sampling. Den tilbyr et tydelig, praktisk verktøysett og sikker konfigurasjon, men dekker ikke bredere MCP-utvidelse eller integrasjonsprimitiver.

Vår vurdering

MCP-javadc er godt dokumentert og fyller en spesifikk, verdifull funksjon. Likevel er nytteverdien begrenset av fraværet av standardiserte prompt-maler, ressurser og avanserte MCP-funksjoner som roots og sampling. For utviklere som trenger Java-dekompilering i en MCP-arbeidsflyt, er den praktisk og effektiv, men den viser ikke MCPs fulle potensial. Score: 5/10

MCP-score

Har en LISENS✅ (ISC)
Har minst ett verktøy
Antall forks0
Antall stjerner2

Vanlige spørsmål

Hva gjør Java Decompiler MCP-serveren?

Den dekompilerer Java class-filer og klasser i JARs til menneskelig lesbar Java-kildekode, noe som muliggjør kodeanalyse, læring og reverse engineering—spesielt når den opprinnelige koden ikke er tilgjengelig.

Hvordan sikrer jeg miljøvariabler som CLASSPATH eller API-nøkler?

Bruk 'env'-feltet i MCP-serverkonfigurasjonen for å sette miljøvariabler, som CLASSPATH, for å styre klassesøk og beskytte sensitiv informasjon på en sikker måte.

Hvilke verktøy er tilgjengelige med denne MCP-serveren?

Tilgjengelige verktøy inkluderer decompile-from-path (via filbane), decompile-from-package (via pakkenavn), og decompile-from-jar (fra JAR-filer).

Kan jeg bruke denne serveren med FlowHunt og andre MCP-kompatible verktøy?

Ja, Java Decompiler MCP-serveren integreres med FlowHunt, Windsurf, Claude, Cursor og Cline for automatisert kode-dekompilering i AI-drevne arbeidsflyter.

Hva er hovedbruksområdet for denne serveren?

Automatisering av dekompilering av Java-bytekode for feilsøking, revisjon, reverse engineering og støtte for AI-kodeanalyse der kildekoden ikke er tilgjengelig.

Prøv Java Decompiler MCP i FlowHunt

Automatiser dekompilering av Java class-filer og JARs for analyse, feilsøking og reverse engineering. Integrer med FlowHunt for sømløse AI-arbeidsflyter.

Lær mer

DevRev MCP-server
DevRev MCP-server

DevRev MCP-server

DevRev MCP-serveren bringer DevRev sine kraftige prosjektstyrings- og forbedringsverktøy direkte inn i FlowHunt og AI-assistent-arbeidsflyter. Den muliggjør pro...

4 min lesing
AI DevRev +4
CodeLogic MCP Server-integrasjon
CodeLogic MCP Server-integrasjon

CodeLogic MCP Server-integrasjon

CodeLogic MCP Server kobler FlowHunt og AI-programmeringsassistenter til CodeLogic sin detaljerte programvareavhengighetsdata, og muliggjør avansert kodeanalyse...

4 min lesing
MCP AI +4
DeepL MCP Server
DeepL MCP Server

DeepL MCP Server

DeepL MCP Server integrerer avansert oversettelse, omformulering og språkgjenkjenning i AI-arbeidsflyter via DeepL API. Den gir FlowHunt og andre AI-assistenter...

3 min lesing
AI Translation +5