快速接入

先看主来源和安装命令，再打开仓库或文档；下面只保留这个条目的关键接入事实。

详细介绍

WSL MCP服务器-智能WSL管理

使用构建的强大的模型上下文协议（MCP）服务器。NET 10，支持基于AI的Windows Linux子系统（WSL）配置和管理。具有使用Microsoft语义内核和机器学习功能进行优化和预测的智能代理。

🚀 特性

WSL核心管理

分销管理：列出、安装、启动、停止、导出和导入WSL发行版
命令执行：在任何WSL发行版中运行命令
配置：通过以下方式修改WSL设置（内存、CPU、交换等） .wslconfig
文件操作：在Windows和WSL文件系统之间复制文件
系统信息：获取详细的WSL版本和状态信息

🤖 人工智能驱动的智能

语义核心代理：具有自然语言理解能力的复杂任务规划和执行
性能分析：基于机器学习的WSL资源使用和瓶颈洞察
智能推荐：基于系统指标的AI生成的优化建议
资源预测：预测不同工作负载类型的资源需求
自动化任务规划：将复杂的操作分解为可管理的步骤

🎯 Windows 11 ML集成

性能趋势分析
瓶颈检测
针对具体工作量的资源建议
健康评分和诊断

📋 先决条件

Windows 11（建议使用22H2或更高版本）
WSL 2已安装并配置
.NET 10 SDK
（可选）用于高级代理功能的OpenAI API密钥

🛠️ 安装

1.克隆或下载

cd d:\wsl-mcp-agent

2.恢复依赖关系

dotnet restore

3.建设项目

dotnet build

4.（可选）配置AI功能

对于语义内核代理功能，设置环境变量：

$env:OPENAI_API_KEY = "your-api-key-here"

或者使用Azure OpenAI：

$env:AZURE_OPENAI_ENDPOINT = "your-endpoint"
$env:AZURE_OPENAI_KEY = "your-key"

5.运行服务器

dotnet run

📖 MCP工具参考

WSL基本操作

`wsl_list_distros`

列出所有已安装的WSL发行版及其状态信息。

参数：无

示例响应:

[
  {
    "name": "Ubuntu",
    "isDefault": true,
    "state": "Running",
    "version": "2"
  }
]

`wsl_get_info`

获取WSL版本和系统信息。

参数：无

`wsl_install_distro`

安装新的WSL发行版。

参数:

distro （string）：发行版名称（例如，“Ubuntu”、“Debian”、“Kali Linux”）

`wsl_start_distro`

启动或唤醒WSL分发。

参数:

distro （string）：要开始的分发名称

`wsl_stop_distro`

停止/终止正在运行的WSL分发。

参数:

distro （string）：要停止的分发名称

`wsl_execute_command`

在WSL发行版中执行命令。

参数:

distro （string）：分发名称
command （string）：要执行的命令

示例:

{
  "distro": "Ubuntu",
  "command": "uname -a"
}

配置和管理

`wsl_configure`

配置WSL设置（内存、处理器、交换等）。

参数:

settings （object）：配置对象

示例:

{
  "settings": {
    "memory": "8GB",
    "processors": "4",
    "swap": "4GB",
    "localhostForwarding": "true"
  }
}

`wsl_export_distro`

将WSL发行版导出到tar文件。

参数:

distro （string）：分发名称
output_path （string）：tar文件的路径（例如，“C:\\backups\\ubuntu.tar”）

`wsl_import_distro`

从tar文件导入WSL发行版。

参数:

distro （string）：新分发名称
tar_path （string）：tar文件的路径
install_path （string）：安装位置

文件操作

`wsl_copy_from_wsl`

将文件从WSL复制到Windows。

参数:

distro （string）：分发名称
wsl_path （string）：WSL中的源路径（例如，“/home/user/file.txt”）
windows_path （string）：Windows中的目标（例如，“C:\\temp\\file.txt”）

`wsl_copy_to_wsl`

将文件从Windows复制到WSL。

参数:

distro （string）：分发名称
windows_path （string）：Windows中的源路径
wsl_path （string）：WSL中的目标

🤖 AI代理功能

`wsl_agent_task`

使用AI代理执行复杂的WSL任务，并进行规划和推理。

参数:

task （string）：自然语言任务描述
context （字符串，可选）：其他上下文或约束

示例:

{
  "task": "Set up a new Ubuntu distribution optimized for Docker development",
  "context": "I need at least 16GB memory and want to enable systemd"
}

`wsl_get_recommendations`

获取人工智能支持的WSL优化建议。

参数:

distro （字符串，可选）：特定分发名称

示例响应:

{
  "score": 75,
  "items": [
    {
      "category": "Memory",
      "priority": "High",
      "title": "High Memory Usage Detected",
      "description": "Current memory usage is 85%",
      "action": "Add 'memory=8GB' to .wslconfig",
      "expectedImpact": "Improved performance and reduced swapping"
    }
  ]
}

`wsl_analyze_performance`

使用机器学习见解分析WSL性能和资源使用情况。

参数:

distro （字符串，可选）：特定分发名称

`wsl_predict_resources`

使用ML预测未来的资源需求。

参数:

distro （string）：分发名称
workload （string）：工作负载描述（例如，“Docker容器”、“ML培训”、“web开发”）

示例:

{
  "distro": "Ubuntu",
  "workload": "Running multiple Docker containers for microservices development"
}

示例响应:

{
  "recommendedMemoryGb": 16,
  "recommendedCpuCores": 6,
  "recommendedDiskGb": 100,
  "confidence": 0.90,
  "reasoning": "Container workloads require substantial resources"
}

🎮 用法示例

示例1：基本WSL管理

// List all distributions
{"tool": "wsl_list_distros"}

// Start Ubuntu
{"tool": "wsl_start_distro", "arguments": {"distro": "Ubuntu"}}

// Execute command
{"tool": "wsl_execute_command", "arguments": {
  "distro": "Ubuntu",
  "command": "df -h"
}}

示例2：配置

// Configure WSL for high-performance workloads
{"tool": "wsl_configure", "arguments": {
  "settings": {
    "memory": "16GB",
    "processors": "8",
    "swap": "8GB",
    "nestedVirtualization": "true",
    "vmIdleTimeout": "60000"
  }
}}

示例3：人工智能驱动的任务执行

// Let the agent handle complex setup
{"tool": "wsl_agent_task", "arguments": {
  "task": "Install and configure a new Debian distribution for Python data science work",
  "context": "Need Jupyter, pandas, numpy, and scikit-learn"
}}

// Get performance recommendations
{"tool": "wsl_get_recommendations", "arguments": {
  "distro": "Ubuntu"
}}

// Predict resources for workload
{"tool": "wsl_predict_resources", "arguments": {
  "distro": "Ubuntu",
  "workload": "Training machine learning models with TensorFlow"
}}

示例4：备份和迁移

// Export current distribution
{"tool": "wsl_export_distro", "arguments": {
  "distro": "Ubuntu",
  "output_path": "C:\\Backups\\ubuntu-backup.tar"
}}

// Import to new location
{"tool": "wsl_import_distro", "arguments": {
  "distro": "Ubuntu-Dev",
  "tar_path": "C:\\Backups\\ubuntu-backup.tar",
  "install_path": "C:\\WSL\\Ubuntu-Dev"
}}

🏗️ 建筑

技术栈

.NET 10：最新。NET功能，包括原生AOT支持
模型上下文协议：用于工具注册和通信的MCP SDK
微软语义内核：AI代理编排和规划
微软。毫升：用于预测和建议的机器学习
Windows SDK：本机Windows集成

项目结构

WslMcpServer/
├── Program.cs                    # MCP server initialization and tool registration
├── Services/
│   └── WslService.cs            # Core WSL operations via wsl.exe
├── Agents/
│   ├── WslAgentService.cs       # Semantic Kernel agent integration
│   └── WslIntelligenceService.cs # ML-powered analytics and predictions
└── WslMcpServer.csproj          # Project configuration

⚙️ 配置

WSL配置（.wslconfig）

服务器可以修改 %USERPROFILE%\.wslconfig:

[wsl2]
memory=8GB              # Memory allocation
processors=4            # CPU cores
swap=4GB               # Swap space
localhostForwarding=true
nestedVirtualization=true
vmIdleTimeout=60000
dnsTunneling=true      # Improved network performance

环境变量

OPENAI_API_KEY：代理功能的OpenAI API密钥
AZURE_OPENAI_ENDPOINT：Azure OpenAI端点
AZURE_OPENAI_KEY：Azure OpenAI密钥

🔍 故障排除

WSL未找到

确保WSL已安装：

wsl --install

权限问题

如果需要，以管理员身份运行：

Start-Process powershell -Verb RunAs

代理功能不起作用

验证是否设置了AI凭据
检查网络连接
查看日志以了解详细错误

🚧 发展

为生产而建

dotnet publish -c Release -r win-x64 --self-contained

运行测试

dotnet test

启用调试日志

修改 appsettings.json 或设置：

$env:DOTNET_ENVIRONMENT = "Development"

📝 许可证

有关详细信息，请参阅LICENSE文件。

🤝 贡献

欢迎投稿！该项目展示了：

最新的。NET 10功能
MCP服务器实现
AI代理与语义内核的集成
Windows ML功能
WSL自动化

🔗 相关资源

💡 高级用例

自动化开发环境：跨团队创建一致的开发环境
CI/CD集成：管理WSL环境以构建管道
多分布测试：跨不同Linux发行版进行测试
资源优化：基于工作负载的人工智能资源分配
灾难恢复：自动备份和恢复过程
性能监控：持续分析和优化建议

______________________________________________________________________

用。净值10🚀 | 由AI驱动🤖 | 适用于Windows 11💻

目录标签

性能优化C#AI驱动WSL管理本地部署资源预测Windows开发

接入字段

传输方式（transport，传输协议）

未说明

鉴权方式（authType，认证方式）

none

工具数量（toolCount，工具数）

15

资源数量（resourceCount，资源数）

0

提示词数量（promptCount，提示词数）

0

权限和风险

未说明none部署方式未说明

接入前请确认传输方式、认证方式和部署位置，并根据实际工具能力限制访问范围。

安装前确认

不要直接授予不必要的文件、网络或账号权限；先核对安装命令和配置内容。

仍需确认：installCommand

来源信息

MCP World

mcpworld.com

/detail/5c492a2eb9dad49ab83f6bafc37a6623

一个基于.NET 10的模型上下文协议（MCP）服务器，提供AI驱动的Windows Subsystem for Linux（WSL）配置和管理功能，包括智能代理、性能分析和资源预测。

继续浏览同类 MCP

更多运维云端 MCP（13,854）返回 MCP 目录

上一个 MCP

Wsjt X MCP

WSJT-X是一款用于业余无线电通信的开源软件，支持多种协议模式，专为弱信号条件下的可靠通信设计，适用于EME、电离层散射等多种传播路径。

下一个 MCP

Wso2 Mi Kafka MCP Server

本地开发平台，通过AI代理控制Apache Kafka和WSO2 Micro Integrator，实现一键设置、主题管理、消息发布、诊断等功能。

Wsl MCP Server

快速接入

详细介绍

WSL MCP服务器-智能WSL管理

🚀 特性

WSL核心管理

🤖 人工智能驱动的智能

🎯 Windows 11 ML集成

📋 先决条件

🛠️ 安装

1.克隆或下载

2.恢复依赖关系

3.建设项目

4.（可选）配置AI功能

5.运行服务器

📖 MCP工具参考

WSL基本操作

wsl_list_distros

wsl_get_info

wsl_install_distro

wsl_start_distro

wsl_stop_distro

wsl_execute_command

配置和管理

wsl_configure

wsl_export_distro

wsl_import_distro

文件操作

wsl_copy_from_wsl

wsl_copy_to_wsl

🤖 AI代理功能

wsl_agent_task

wsl_get_recommendations

wsl_analyze_performance

wsl_predict_resources

🎮 用法示例

示例1：基本WSL管理

示例2：配置

示例3：人工智能驱动的任务执行

示例4：备份和迁移

🏗️ 建筑

技术栈

项目结构

⚙️ 配置

WSL配置（.wslconfig）

环境变量

🔍 故障排除

WSL未找到

权限问题

代理功能不起作用

🚧 发展

为生产而建

运行测试

启用调试日志

📝 许可证

🤝 贡献

🔗 相关资源

💡 高级用例

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP

`wsl_list_distros`

`wsl_get_info`

`wsl_install_distro`

`wsl_start_distro`

`wsl_stop_distro`

`wsl_execute_command`

`wsl_configure`

`wsl_export_distro`

`wsl_import_distro`

`wsl_copy_from_wsl`

`wsl_copy_to_wsl`

`wsl_agent_task`

`wsl_get_recommendations`

`wsl_analyze_performance`

`wsl_predict_resources`