Dejared MCP tar JAR dekompilering in i MCP AI arbetsflöden
Dejared MCP, utvecklad av Hqkh4nh, är en MCP-server som möjliggör AI-assistenter att dekompilera och inspektera Java JAR-filer för kodanalys och felsökning. Den integrerar Fernflower dekompilatorn för att konvertera .class-filer till läsbar Java-kod, erbjuder innehållsinspektion och riktad klassläsning för att begränsa bearbetningen, och exponerar dessa funktioner för MCP-klienter. Java-utvecklare, säkerhetsforskare och ingenjörer som använder AI-assisterad utveckling får direkt, AI-tillgänglig insyn i kompilerade bibliotek utan manuella dekompileringsteg.
Vilka uppgifter kan du faktiskt använda den för?
Verktyget körs som en MCP-server som låter AI-assistenter konvertera kompilerade Java-artiklar till läsbar kod och inspektera arkivens innehåll. Det använder den integrerade dekompilatorn för att översätta .class-filer, tillhandahåller en lista över den interna JAR-strukturen och stöder hämtning av individuella klasser för fokuserad analys. Dessa funktioner möjliggör omvänd ingenjörskonst, felsökning och förståelse av tredjeparts- eller äldre Java-bibliotek direkt inom ett AI-drivet arbetsflöde.
Hur noggranna är de dekompilerade utdata?
Eftersom verktyget är beroende av den dekompilatorn, återskapar den genererade koden hög-nivå Java-konstruktioner och återfår kontrollflödet i många fall, vilket matchar motorn som används av populära IDE:er som IntelliJ IDEA. Läsbarheten beror på indata kvalitet och obfuskering: dekompilatorn återskapar logik men kan inte återställa ursprungliga identifierarnamn om de har tagits bort. Behandla dekompilerad kod som en assisterad rekonstruktion och validera kritiska sektioner under säkerhets- eller korrekthetskontroller.
Passar det in i befintliga AI-assisterade Java-arbetsflöden?
Utvecklaren designade servern för att integrera med Model Context Protocol-klienter; kompatibilitetsnoter nämner MCP-kompatibla verktyg som Claude Desktop. Att köra tjänsten kräver Node.js och en Java Runtime för att köra dekompilatorn, och den fungerar på Windows, macOS och Linux. Projektets dokumentation föreslår att servern anropas via node eller npx från en klientkonfiguration, vilket placerar verktyget som en integrationspunkt inom AI-assisterade utvecklingspipelines snarare än en fristående GUI-applikation.
Praktisk rekommendation och lämplighet
Verktyget är ett pragmatiskt alternativ för Java-utvecklare och säkerhetsforskare som behöver AI-tillgänglig synlighet i kompilerade binärer; dess utdata påskyndar inspektionen men kräver mänsklig granskning för korrekthet och säkerhetskritiska beslut. För operativ användning, kör det inuti en kontrollerad analysmiljö, kombinera dekompilerad utdata med konventionell statisk analys, och behandla rekonstruerad källkod som en utgångspunkt för att vägleda djupare manuell undersökning.
