关于 DynamicEnv MCP Server
DynamicEnv MCP Server 为管理 Kubernetes DynamicEnv 资源的开发者和 AI Agent 提供 MCP 接口,支持发现环境、监控状态、诊断问题以及检查依赖后删除资源。
主要功能
- 01列出并筛选 DynamicEnv 实例
- 02监控状态并接收进度更新
- 03查看 Pod、健康状态和可选日志
- 04检查依赖后删除环境
- 05使用 kubeconfig 或集群内凭据认证
适用场景
- 01跟踪开发和测试环境
- 02检查部署与 Pod 健康状况
- 03确认依赖后清理环境
MCP 相关
该服务向 MCP 客户端提供管理 DynamicEnv Kubernetes 自定义资源的工具,包括列表查询、状态检查和删除。
配置
本地服务的配置在各客户端中通用,复制后粘贴到客户端的 MCP 配置文件即可。
我们还没有获取到这个服务的安装包或远程地址,请按项目 README 中的说明安装。
工具
本地服务需要在你的电脑上运行后才能读取工具,维护者暂未提供工具列表。
详细介绍
DynamicEnv MCP 服务
一款高性能 Kubernetes MCP 服务,用于管理
DynamicEnv自定义资源,支持实时更新和 AI 驱动的集成。
✨ 概述
DynamicEnv MCP Server 为 DynamicEnv Kubernetes 自定义资源提供适用于 AI 的 API 接口,可对开发、测试和临时工作负载所用的动态环境进行实时跟踪、智能调试和简化清理。
它采用异步优先架构,并旨在与模型上下文协议(MCP)无缝集成,帮助开发者和 AI Agent 安全、高效地管理基于 K8s 的环境。
🔍 什么是 DynamicEnv?
DynamicEnv 是一种 Kubernetes 自定义资源(CRD),用于封装完整的动态环境配置。这些环境通常包括:
- 多个相互依赖的服务
- 特定于服务的配置(机密、配置、环境变量)
- 路由规则(Ingress、服务网格)
- 资源限制(CPU、内存配额)
此服务增强了对这些资源的可观测性和控制能力。
🚀 为什么选择 MCP?
模型上下文协议(MCP) 使 AI 工具能够:
- 订阅实时更新
- 管理可跟踪进度的长时间运行异步操作
- 通过验证和结构化上下文安全地工作
- 使用智能命令建议改进 DevOps 工作流
📄 主要功能
- ✅ 列出和筛选 DynamicEnv 实例,可按命名空间、状态或部署状态筛选
- ⏳ 实时状态监控,支持异步更新和进度报告
- ❌ 安全删除环境,并检查依赖关系
- ⚖️ 安全的 K8s 身份验证,支持集群内或 kubeconfig 凭据
- 🔍 Pod 洞察、部署健康状况和可选日志
- ✨ 通过 MCP 提供 适用于 AI 的接口
🗓 快速开始
# Clone the repository
git clone https://github.com/yonathan-shtekel/mcp-server-dynamic-env.git
cd mcp-server-dynamic-env
# Create virtual environment
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
# Install dependencies
uv pip install -e .
📖 使用方法
本地开发
# Install MCP tools
pip install "mcp[cli]"
# Start the server with development tools
mcp dev server.py
# Or install and run in Claude Desktop
mcp install server.py
# Or simply run
mcp run server.py
核心 CLI 工具
| 工具 | 描述 |
|---|---|
List | 查看所有 DynamicEnv,并按命名空间/状态筛选 |
Status | 检查部署、Pod 和日志 |
Delete | 从命名空间中安全删除 DynamicEnv 实例 |
📁 项目结构
src/
kubernetes_client.py # Kubernetes API wrapper
dynamicenv_service.py # Business logic
utils.py # Helpers
models/
dynamicenv.py # Typed data models
tests/ # Unit & integration tests
server.py # MCP-compatible API server
pyproject.toml # Project config and dependencies
🔧 测试
# Run test suite
pytest tests/ -v
# With coverage report
pytest tests/ -v --cov=src
💪 参与贡献
欢迎所有贡献!开始参与的步骤如下:
- Fork 此仓库
- 创建新分支
git checkout -b feature/my-awesome-feature - 提交并推送代码
git commit -m "Add awesome feature" git push origin feature/my-awesome-feature - 提交 Pull Request
如适用,请一并提供测试和文档更新。
💼 许可证
本项目采用 MIT 许可证授权,详情请参阅 LICENSE 文件。
👤 作者
Yonathan Shtekel
GitHub:@yonathan-shtekel
✨ 支持项目
如果此项目对你或你的团队有所帮助,请为它点亮一颗 ⭐️!
倾注 ❤️ 构建,由 模型上下文协议(MCP) 提供支持
开发
代码检查与格式化
本项目使用 ruff 进行代码检查和格式化。运行代码检查工具:
# Check for linting issues
ruff check src tests
# Auto-fix linting issues
ruff check --fix src tests
# Format code
ruff format src tests
代码检查配置定义在 pyproject.toml 中,包括:
- 代码风格(PEP 8)
- 导入排序
- 类型注解检查
- 最佳实践
- 代码复杂度
其他静态分析
本项目还包含其他静态分析工具:
# Type checking
mypy src tests
# Security checks
bandit -r src
safety check
# Documentation coverage
interrogate src
所有这些检查都会在 CI/CD 流水线中自动运行。
评论
一个开放协议,规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话,MCP 服务负责提供工具、资源和提示模板,两者通过标准消息通信,同一个服务可以被不同客户端复用。