MCP Devops Mentor

MCP DevOps导师

一个Docker化的MCP（模型上下文协议）服务器，充当高级DevOps和云工程导师。它审查GitHub存储库，分析CI/CD管道，审计Terraform基础设施，就AWS成本和安全性提供建议，并跟踪您随时间推移的技能进步。

为教学而建 如何像DevOps工程师一样思考，而不仅仅是做什么。

建筑

MCP Client (IDE / Claude)
        |
        | MCP Protocol
        v
+-------------------------------+
|   MCP DevOps Mentor Server    |
|                               |
|   Mentor Brain                |
|   - System Prompt + Modes     |
|                               |
|   Repo Analyzer               |
|   - Tech Stack Detection      |
|   - DevOps Maturity Scoring   |
|                               |
|   CI/CD Review Engine         |
|   - GitHub Actions (YAML)     |
|   - Security + Best Practices |
|                               |
|   Terraform Review Engine     |
|   - HCL2 Parsing              |
|   - Security + State Mgmt     |
|                               |
|   AWS Advisor                 |
|   - Cost Optimization         |
|   - Security Posture          |
|                               |
|   Prompt Enhancer             |
|   - Domain Detection          |
|   - Dimension Injection       |
|   - Skill-Aware Adaptation    |
|                               |
|   Skill Tracker               |
|   - Weighted Scoring          |
|   - Learning Path Engine      |
|   - SQLite Persistence        |
+-------------------------------+
        |
     Docker

特性

11 MCP工具

审核模式

• 导师 --教学模式。解释概念，提出指导性问题，假设初级水平。
• 审查 --公关风格回顾。直接、以生产为重点、标记风险。
• 调试 --故障排除模式。形成假设，缩小范围，要求记录。
• 面试 --挑战模式。质疑你的设计决策，暴露权衡。

CI/CD审查引擎

解析GitHub Actions YAML并检查：

• 缺失 permissions block（最小特权）
• 动作固定（SHA与标签引用）
• 作业超时
• 依赖缓存
• AWS OIDC与长期证书
• 地形适用，无需环境保护
• 自托管跑步者安全
• 矩阵策略 fail-fast 设置
• 并发组
• 工作流调度输入验证

地形审查引擎

使用解析HCL2 python-hcl2 并检查：

• 硬编码凭据和AWS访问密钥
• 缺少远程后端（本地状态风险）
• S3后端没有DynamoDB状态锁定
• 缺少提供程序版本约束
• 没有标签的资源
• 过于宽松的安全组（0.0.0.0/0）
• 没有加密或版本控制的S3存储桶
• 带有通配符操作的IAM策略
• 有状态资源缺少生命周期规则

AWS成本+安全顾问

分析检测到的地形资源，并建议：

成本：

• 用于开发/转移的NAT网关替代方案
• EC2实例的自动扩展
• 容错工作负载的定点实例
• EIP审计
• RDS保留实例/Aurora无服务器
• 用于集装箱的Fargate Spot/Karpeter

安全：

• 用于API审核日志记录的CloudTrail
• VPC流日志
• S3公共访问块
• IAM用户上的IAM角色
• RDS加密处于静止状态
• Lambda VPC放置

提示增强器

受启发于 克劳德的快速改进者提示增强器通过以下方式自动改进原始DevOps提示 6级确定性管道 （没有LLM API调用--纯模板逻辑）：

参数：

enhance_prompt(
    prompt="Set up a CI/CD pipeline for my Python app",
    mode="mentor",           # optional, defaults to current mode
    cloud_provider="aws",    # optional, auto-detected or defaults to AWS
    focus_areas="security"   # optional, comma-separated dimension filter
)

输出结构示例：

Cloud provider context: AWS. ...
Domains: ci_cd
User experience level: beginner
Response detail: detailed

You are helping a DevOps learner understand and implement the following. ...

Set up a CI/CD pipeline for my Python app

- Consider security implications: action pinning, least-privilege permissions...
- Include a rollback strategy: how to revert a failed deployment safely.
- Address build performance: dependency caching, artifact reuse...
- Include testing requirements: what tests to run, coverage thresholds...

Think through this step by step, explaining your reasoning at each stage.

Structure your response as:
1. Conceptual explanation (the WHY)
2. Implementation approach (the HOW)
3. Common pitfalls to avoid
4. Next steps for learning

技能跟踪

使用加权关键字评分跟踪7个技能领域：

5级进展： 未知->初级->发展->扎实->高级

水平基于累积的加权分数和成熟度乘数。学习路径引擎识别薄弱环节，发现先决条件差距（例如，“安全性”取决于“aws”），并生成可操作的下一步。

快速开始

先决条件

• Docker和Docker Compose
• GitHub个人访问令牌（只读范围就足够了）

使用Docker运行

export GITHUB_TOKEN=ghp_your_token_here
docker-compose up --build

服务器启动于 http://localhost:3333.

本地运行（开发）

pip install -r requirements.txt
export GITHUB_TOKEN=ghp_your_token_here
uvicorn main:app --host 0.0.0.0 --port 3333

运行测试

pip install -r requirements.txt
pytest tests/ -v

项目结构

MCP-DevOps-Mentor/
  main.py                           # FastAPI + MCP server, tool registration
  requirements.txt                  # Dependencies
  Dockerfile                        # Python 3.11-slim container
  docker-compose.yml                # Single-service deployment
  analyzer/
    repo_analyzer.py                # Tech stack detection and maturity scoring
  reviewers/
    cicd_reviewer.py                # GitHub Actions review (YAML parsing)
    terraform_reviewer.py           # Terraform review (HCL2 parsing)
    aws_advisor.py                  # AWS cost + security advisor
  tools/
    github.py                       # GitHub REST API integration
  enhancer/
    prompt_enhancer.py              # 6-stage prompt enhancement pipeline
    domain_rules.py                 # Domain keywords, dimension injections, templates
    skill_adapter.py                # Skill-level to enhancement behavior bridge
  memory/
    models.py                       # SkillState, UserProfile dataclasses
    store.py                        # SQLite persistence
    tracker.py                      # Weighted skill tracking + learning path
  mentor/
    system_prompt.txt               # Base mentor persona
    mode_loader.py                  # Dynamic prompt composition
    modes/
      mentor.txt                    # Teaching mode prompt
      review.txt                    # PR review mode prompt
      debug.txt                     # Troubleshooting mode prompt
      interview.txt                 # Challenge mode prompt
  tests/
    conftest.py                     # Shared fixtures (tmp_db, sample data)
    test_repo_analyzer.py           # 10 tests
    test_cicd_reviewer.py           # 15 tests
    test_terraform_reviewer.py      # 15 tests
    test_aws_advisor.py             # 11 tests
    test_tracker.py                 # 17 tests
    test_store.py                   # 5 tests
    test_mode_loader.py             # 8 tests
    test_prompt_enhancer.py         # 38 tests
    test_domain_rules.py            # 10 tests
    test_skill_adapter.py           # 10 tests

技术栈

示例用法

一旦通过MCP客户端连接：

> "Analyze my repo and tell me its DevOps maturity."

> "Switch to review mode and review my CI/CD pipeline."

> "Review the Terraform files in my infrastructure repo."

> "What are my weakest DevOps skills? Give me a learning path."

> "Switch to interview mode. Challenge my system design."

> "Enhance my prompt: Set up a CI/CD pipeline for my Python app"

> "Enhance this prompt with a focus on security: Deploy containers to ECS with Terraform"

设计决策

基于信号的启发式方法，而不是魔法。 分析使用具有确定性检查功能的结构化解析（YAML、HCL2）。每个发现都有严重性级别、消息和建议。

严重性驱动的输出。 所有审阅者将结果分类为 critical, warning，或 info成熟度级别是从严重性计数中得出的，而不是任意规则。

加权技能跟踪。 特定领域的关键字得分高于通用关键字。成熟度乘数奖励与生产级存储库的接触。技能进步是通过证据积累，而不是一次性匹配。

向后兼容的持久性。 新SkillState字段(weighted_score, history)有违约。旧数据库记录无需迁移即可加载。

精简编排，深度模块。 工具功能 main.py 是5-10个线包装。所有分析逻辑都存在于可独立测试的专用模块中。

环境变量

安全

• 只读GitHub API访问（无写操作）
• 代码或数据库中未存储凭据
• Terraform审查器检测用户代码中的硬编码秘密
• 所有数据保持本地（SQLite文件，无外部遥测）