Zerox.LSAI

Language Server for AI — Panoramica del Progetto

Cos'è

LSAI è un server MCP che fornisce analisi semantica del codice ottimizzata per i token agli assistenti AI. Integra Roslyn (C#) e server LSP (Python, TypeScript, JavaScript, Java) dietro un'architettura a plugin unificata, fornendo code intelligence avanzata (ricerca, utilizzi, gerarchia, chiamanti, outline, ecc.) in formati compressi che risparmiano 82–86% dei token rispetto al JSON LSP grezzo.

Include una console di gestione web (Angular + PrimeNG) per gestire repository, monitorare l'utilizzo e configurare i workspace. Il tutto pacchettizzato in una singola immagine Docker.

Architettura

graph LR
    AI["🤖 Assistente AI\nAI Assistants"] -->|"Protocollo MCP\nHTTP"| Server
    User["🌐 Browser"] --> SPA

    subgraph LSAI["Server Zerox.LSAI — ASP.NET"]
        Server["Host MCP\n18 Strumenti + Formattatori"]
        WS["Gestore Sessioni\nWorkspace"]
        DB[("SQLite")]
        SPA["Console Angular\nPrimeNG"]
        Server --> WS
        Server --> DB
    end

    subgraph Plugins["Plugin — caricati a runtime"]
        Roslyn["Plugin.Roslyn\nC# via API Roslyn"]
        LSP["Plugin.Lsp\nClient StreamJsonRpc"]
    end

    WS --> Roslyn
    WS --> LSP

    subgraph LSPServers["Server LSP Esterni — processi gestiti"]
        Pyright["Pyright\nPython"]
        TSLS["typescript-language-server\nTS + JS"]
        JDTLS["Eclipse JDTLS\nJava"]
    end

    LSP -->|"stdin/stdout"| Pyright
    LSP -->|"stdin/stdout"| TSLS
    LSP -->|"stdin/stdout"| JDTLS
  

Stima dei Tempi di Sviluppo

Quanto impiegherebbe uno sviluppatore super senior .NET/Angular a costruire questo progetto da zero, scrivendo tutto il codice a mano?

Dettaglio per Fase

Confronto Scenari

Dove Se Ne Va il Tempo

Il Plugin LSP Bridge (Fase 7) domina perché:

• Ogni server LSP parla lo stesso protocollo in modo diverso
• JDTLS richiede 5 step di inizializzazione specifici o va in deadlock
• Pyright restituisce silenziosamente risultati vuoti senza le capabilities corrette
• Il ciclo di vita dei processi (avvio, init, warmup, recovery da crash) non è banale
• Questi problemi si scoprono solo dopo ore di debugging

Il Plugin Roslyn (Fase 6) è il secondo divoratore di tempo:

• MSBuildLocator sceglie silenziosamente la versione SDK sbagliata
• Il caricamento del workspace fallisce in modi creativi su piattaforme diverse
• La risoluzione dei simboli cross-progetto richiede conoscenza degli internals di Roslyn

Timeline Reale di Sviluppo (con AI Coding Assistant)

Il progetto è stato costruito con un AI coding assistant che ha scritto ~95% del codice, diretto da uno sviluppatore senior che ha progettato l'architettura e preso tutte le decisioni. Ruolo umano: architettura, decisioni, prompting, review, test manuali.

Dettaglio Giorno per Giorno

Stima vs Realtà

Come baseline si usa la stima realistica (1,8x), dato che quella ottimistica di 51 giorni presuppone zero sorprese — cosa che non succede mai con quirk non documentati dei server LSP.

Osservazioni Chiave

1. Fasi ad alto boilerplate (contratti, DI, scaffold server) = speedup 10–15x. L'AI eccelle nel generare codice ripetitivo e basato su pattern. Contratti core + plugin loader + server host sono stati completati in una sera + mattina.
2. Debugging LSP = solo 4x di speedup. Questa è stata l'unica area dove l'AI non ha potuto abbreviare il dolore. Ogni server LSP ha quirk non documentati. OmniSharp aveva un deadlock architetturale che ha richiesto la lettura del codice sorgente della libreria, la formulazione di ipotesi e la loro verifica. Questa fase da sola ha consumato il ~45% del tempo totale di sviluppo.
3. La riscrittura OmniSharp → StreamJsonRpc (27 file) è avvenuta in un singolo giorno. Qui la programmazione AI brilla: refactoring meccanico su larga scala con pattern chiari. Un umano avrebbe impiegato 3–5 giorni per la stessa riscrittura.
4. Il Giorno 2 è stato sovrumano. 26 commit che coprono 6+ fasi stimate in un solo giorno. Questo volume di output è fisicamente impossibile senza assistenza AI — non per la velocità di battitura, ma per il puro volume di codice corretto e testato prodotto.
5. L'impegno umano totale è stato ~73–80 ore in 9 giorni. Il lavoro “umano” è stato principalmente: decisioni architetturali, prompting, revisione dell'output AI, test manuali MCP, debugging del comportamento dei server LSP e direzione dell'AI per risolvere i problemi. Le battute di codice effettive sono state minimali.