jan-mcp
Converts raw GitHub notes into polished Polish release notes, PR descriptions, and changelogs using predefined workflows.
README
Jan MCP
<p align="center"> <img src="docs/images/jan-kochanowski-coder-engraving.webp" alt="Jan Kochanowski jako skupiony coder w stylu starej ryciny" width="720" /> </p>
Od suchych bulletów do publikowalnych release notes. Po polsku.
Jan to repo-native MCP agent dla polskich zespołów technicznych. Bierze typowe GitHubowe notki, diffy i surowe bullet points, a oddaje gotowe changelogi, release notesy i opisy PR, które da się wkleić bez dalszego wygładzania.
- Zamienia bezosobowe, angielskie notki z GitHuba w naturalny polski komunikat dla zespołu.
- Trzyma się faktów i szablonów artefaktu zamiast pisać "od zera" jak ogólny chat.
- Działa w MCP i można go prototypować za darmo na
NVIDIA_API_KEY.
Szybkie przejścia: Quickstart · Before / After · Core workflows · Benchmarki
Co robi Jan
Jan jest ustawiony pod jeden konkretny workflow: komunikację zmian w software delivery po polsku.
Najlepiej sprawdza się przy:
- release notesach i changelogach z GitHubowych bulletów
- opisach PR dla reviewerów
- porządkowaniu ticketów i issue do formy gotowej dla zespołu
- notatkach rolloutowych opartych o realny kontekst z repo
Nie jest pozycjonowany jako "najmądrzejszy model ogólny". Ma być lepszym narzędziem do codziennego publikowania zmian po polsku.
Before / After
Wejście z typowych, bezosobowych notek GitHuba:
- Added retry handling for checkout webhook delivery.
- Improved cache invalidation for product detail pages.
- Fixed duplicate analytics events on checkout success.
| Typowy ogólny model | Jan MCP |
|---|---|
| Dodano obsługę ponownych prób dostarczenia webhooków checkoutu. Ulepszono unieważnianie pamięci podręcznej dla stron szczegółów produktu. Naprawiono zduplikowane zdarzenia analityczne po pomyślnym zakończeniu checkoutu. | Poprawiliśmy niezawodność checkoutu i uporządkowaliśmy kilka elementów wokół zakupu. System lepiej ponawia dostarczanie webhooków, strony produktów szybciej pokazują aktualne dane, a analityka po zakończonym checkoutcie nie dubluje już zdarzeń. |
Różnica nie polega na "magii modelu". Jan jest po prostu ustawiony produktowo pod polskie release notesy i changelogi dla współpracowników, a nie pod ogólną konwersację.
Quickstart
git clone https://github.com/pdurlej/jan-subagent.git
cd jan-subagent
python3 -m venv .venv
.venv/bin/pip install -r requirements.txt
.venv/bin/pip install -e .
export NVIDIA_API_KEY="twoj-klucz"
.venv/bin/python -m jan.jan_subagent_opencode
Gotowy sample config dla klienta MCP jest w mcp_config.json.
Jeśli chcesz szybko sprawdzić runtime lokalnie:
python3 -m pytest -q
.venv/bin/python -m compileall -q jan
.venv/bin/python -m jan.jan_subagent_opencode
Get a free NVIDIA API key
Jan działa na Bieliku przez hosted endpointy NVIDIA NIM. Do prototypowania wystarczy darmowy dostęp z NVIDIA Developer Program.
- Wejdź na build.nvidia.com.
- Otwórz dowolny model lub endpoint i kliknij
Get API Key. - Zaloguj się albo załóż konto w NVIDIA Developer Program.
- Skopiuj klucz i ustaw lokalnie jako
NVIDIA_API_KEY.
Oficjalne źródła:
Przykładowy plik środowiskowy jest w .env.example.
Core workflows
Jan ma dziś najwięcej sensu jako zestaw nazwanych workflowów, a nie zbiór ogólnych promptów.
Release notes z surowych bulletów
compose_release_notes(
raw_notes="""
- Added retry handling for checkout webhook delivery.
- Improved cache invalidation for product detail pages.
- Fixed duplicate analytics events on checkout success.
""",
audience="customer",
)
Opis PR dla reviewera
write_pr_description(
raw_notes="""
checkout webhook retries
product page cache invalidation
analytics dedupe on success
""",
audience="reviewer",
)
Rewrite chaotycznego issue do formy zespołowej
rewrite_issue(
raw_notes="""
klient zgłasza, że po checkoutcie czasem są zdublowane eventy,
trudno to odtworzyć, wygląda na problem po stronie success callback
""",
audience="internal",
response_mode="review",
)
Notatka rolloutowa z review JSON
write_rollout_note(
raw_notes="Rollout checkout webhook retry logic behind a feature flag.",
audience="internal",
response_mode="review",
)
response_mode="final" zwraca gotowy tekst do wklejenia. response_mode="review" zwraca JSON z final_text, source_trace i validator_report.
Dla kogo
Jan najlepiej pasuje do:
- polskich zespołów produktowo-inżynieryjnych
- leadów i senior engineerów piszących opisy PR
- release managerów składających changelog lub release notes
- zespołów, które chcą spójnej terminologii i szablonów bez ręcznego promptowania
Mniej sensu ma wtedy, gdy potrzebujesz ogólnego asystenta do wszystkiego albo miękkiej, relacyjnej komunikacji typu support reply czy statusowy mail.
Kiedy Jan jest lepszym wyborem niż model ogólny
| Sytuacja | Lepszy wybór | Dlaczego |
|---|---|---|
| Release notes z suchych bulletów i commitów | Jan | Ma workflow, audience packs, policy pack i output gotowy do wklejenia. |
| Opis PR zgodny z template'em zespołu | Jan | Lepiej trzyma sekcje, fakty i terminologię z repo. |
| Porządkowanie issue pod zespół techniczny | Jan | Pracuje na named workflow, nie na improwizowanym promptcie. |
| Otwarta burza mózgów albo swobodny writing assistant | Ogólny model | Tu specjalizacja Jana daje mniej przewagi niż szeroka inteligencja ogólna. |
Benchmark snapshot
Obecny pilot po refactorze paste-ready:
GPT-5.4:96.5%Jan:94.0%raw Bielik:93.1%
Najważniejszy sygnał: Jan nie wygrywa "większą inteligencją ogólną". Wygrywa tym, że daje lepszy workflow i bardziej publikowalny polski output niż surowy model.
Dalsze szczegóły:
Advanced context
Jan potrafi pracować na więcej niż samym raw_notes.
jan.ymltrzyma glossary,do_not_translate, audience packs i validation policy.- Workflow może korzystać z local git, GitHuba i Jiry, jeśli są dostępne kredensiale.
reviewmode dodaje traceability i raport walidacyjny zamiast zgadywania.
Najważniejsze envy:
NVIDIA_API_KEYGITHUB_TOKENGITHUB_REPOSITORYJIRA_BASE_URLJIRA_EMAILJIRA_API_TOKENJAN_POLICY_FILE
Zobacz:
Dalsza lektura
Dla contributorów
Jeśli chcesz pracować nad repo, benchmarkami albo planowaniem kolejnych pivotów:
- _bmad-output/project-context.md
- _bmad-output/planning-artifacts/jan-v3-prd.md
- _bmad-output/planning-artifacts/jan-v3-architecture.md
- scripts/test_delivery_benchmark.py
- scripts/run_delivery_benchmark.py
Kontakt
推荐服务器
Baidu Map
百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。
Playwright MCP Server
一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。
Magic Component Platform (MCP)
一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。
Audiense Insights MCP Server
通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。
VeyraX
一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。
graphlit-mcp-server
模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。
Kagi MCP Server
一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。
e2b-mcp-server
使用 MCP 通过 e2b 运行代码。
Neon MCP Server
用于与 Neon 管理 API 和数据库交互的 MCP 服务器
Exa MCP Server
模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。