modelscope·@ckreiling/mcp-server-docker
一个MCP服务器,允许通过自然语言管理Docker容器,使用户能够在不自行运行命令的情况下组合、检查和调试容器。
一个用于通过自然语言管理 Docker 的 MCP 服务器!
在 MacOS 上: ~/Library/Application\ Support/Claude/claude_desktop_config.json
在 Windows 上: %APPDATA%/Claude/claude_desktop_config.json
要使用 uv 安装 MCP 服务器,请运行以下命令:
uv pip install git+https://github.com/ckreiling/mcp-server-docker
然后将以下内容添加到您的 MCP 服务器文件中:
"mcpServers": {
"mcp-server-docker": {
"command": "uv",
"args": [
"--directory",
"/path/to/repo",
"run",
"mcp-server-docker"
]
}
}
</details>
<details>
<summary>使用 Docker 安装</summary>
克隆此仓库后,构建 Docker 镜像:
docker build -t mcp-server-docker .
然后将以下内容添加到您的 MCP 服务器文件中:
"mcpServers": {
"mcp-server-docker": {
"command": "docker",
"args": [
"run",
"-i",
"--rm",
"-v",
"/var/run/docker.sock:/var/run/docker.sock",
"mcp-server-docker:latest"
]
}
}
</details>
docker_compose使用自然语言来组合容器。
提供项目名称以及所需容器的描述,让 LLM 完成其余工作。
此提示指示 LLM 进入 plan+apply 循环。您与 LLM 的交互将涉及以下步骤:
nginx,容器: "部署一个 nginx 容器,并将其暴露在 9000 端口"wordpress,容器: "部署一个 WordPress 容器和一个支持的 MySQL 容器,将 WordPress 暴露在 9000 端口"当使用此提示开始新的聊天时,LLM 将接收使用给定项目 name 创建的所有容器、卷和网络的状态。
这主要用于清理,以防丢失负责许多容器的聊天记录。
服务器为每个容器实现了一些资源:
list_containerscreate_containerrun_containerrecreate_containerstart_containerfetch_container_logsstop_containerremove_containerlist_imagespull_imagepush_imagebuild_imageremove_imagelist_networkscreate_networkremove_networklist_volumescreate_volumeremove_volume不要使用敏感数据配置容器。 这包括 API 密钥、数据库密码等。
与 LLM 交换的任何敏感数据本质上都是不安全的,除非 LLM 在您的本地机器上运行。
如果你对安全地将密钥传递给容器感兴趣,请在此仓库中提交一个包含你的使用场景的问题。
请注意审查LLM创建的容器。Docker不是一个安全的沙箱,因此MCP服务器可能通过Docker影响主机。
出于安全原因,此MCP服务器不支持像--privileged或--cap-add/--cap-drop这样的敏感Docker选项。如果你对这些功能感兴趣,请在此仓库中提交一个包含你的使用场景的问题。
此服务器使用Python Docker SDK中的from_env方法。有关配置详情,请参阅
文档。
建议使用Devbox来配置你的开发环境。
请查看devbox.json文件以获取有用的开发命令。
允许大型语言模型(LLMs)在指定的 Conda 环境中执行 Python 代码,从而能够访问高效代码执行所需的相关库和依赖项。
一个强大的模型上下文协议(MCP)服务器,用于Docker操作,通过Claude AI实现容器和组合堆栈的无缝管理。
一种连接到 Kubernetes 集群的服务器,它通过自然语言命令启用管理功能,支持列出资源、创建/删除 Pod 以及安装 Helm 图表等操作。
通过JSON命令启用与MySQL数据库的交互,支持只读查询、写查询的测试执行以及通过Docker进行的表信息检索。
一个交互式的Python代码执行环境,允许用户和大型语言模型在隔离的Docker容器中安全地执行Python代码和安装包。
Unity Editor的Model Context Protocol实现,允许AI助手通过执行菜单项、选择对象、管理包、运行测试和访问资源的工具与Unity项目进行交互。