Cluster Insights MCP Rs

MCP运维云端

提供方 alpha-hack-program · 包名 @modelcontextprotocol/inspector

运维云端 stdio · 本地进程 Token 社区 / 第三方 Claude DesktopClaude
查看接入方式

一个基于Model Context Protocol (MCP)的Kubernetes集群资源分析和容量规划服务,通过自然语言接口提供实时集群洞察。

一句话选型结论

按资料字段整理

Cluster Insights MCP Rs 属于运维云端类 MCP 服务器,stdio · 本地进程,Token,可直接接入 Claude Desktop、Claude,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式stdio · 本地进程 鉴权Token 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 6 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量6暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

KubernetesRust本地部署集群管理资源分析容量规划MCP协议Rust开发

安装与配置

stdio · 本地进程 Token
客户端在本机拉起子进程,数据不出本机
npx @modelcontextprotocol/inspector

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 6 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 6 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude,换客户端不用重新研究配置。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好Token对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Cluster Insights MCP Rs当前 6 stdio · 本地进程 本地部署 有 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方alpha-hack-program上游标注的维护方 alpha-hack-program
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式Token远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时@modelcontextprotocol/inspector · Node.js本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

27.9 KB
来自项目仓库与上游目录的原文,未做删改

群集洞察MCP服务器

> 通过模型上下文协议(MCP)进行Kubernetes集群资源分析和管理

一个用Rust开发的生产就绪模型上下文协议(MCP)服务器,提供智能Kubernetes集群分析和资源管理功能。该项目演示了LLM如何通过标准化的MCP接口与实时Kubernetes集群进行交互。

为什么要为Kubernetes提供MCP服务器?

挑战: 管理Kubernetes集群需要了解复杂的资源分配、容量规划和解决资源限制问题。平台工程师、SRE和开发人员经常问这样的问题:

  • “我们是否有足够的资源来部署这个新的工作负载?”
  • “哪些吊舱消耗的资源最多?”
  • “为什么我的命名空间容量不足?”
  • “我们集群的资源利用率是多少?”

解决方案: 此MCP服务器弥合了会话式AI和Kubernetes集群管理之间的差距,实现了将自然语言查询转化为实时集群见解。

优点:

  • 自然语言接口:用简单的英语提问,而不是复杂的kubectl命令
  • 实时洞察:直接通过kubeconfig查询实时集群数据
  • AI驱动的分析:让LLM解释资源数据并提供建议
  • 生产就绪:采用Rust构建,性能、安全性和可靠性高
  • 安全:使用现有的kubeconfig凭据-不需要额外的身份验证

⚠️ 免责声明

这是一个演示/示例项目 它连接到实时Kubernetes集群。该软件:

  • 需要正确的kubeconfig设置 访问您的集群
  • 仅执行READ操作 -不修改群集状态
  • 应首先在非生产环境中进行测试
  • 作为MCP服务器实现的技术示例
  • 不受Kubernetes、Red Hat或OpenShift的正式支持

对于生产部署,确保适当的RBAC权限和安全审查。

介绍

管理Kubernetes的平台团队(包括OpenShift、EKS、GKE、AKS)在资源分配和容量规划方面面临着持续的挑战。传统工具需要专业知识和多个命令来回答简单的问题。

此MCP服务器启用 会话式集群管理 通过为AI助手提供六个强大的Kubernetes洞察功能,可以通过现有的kubeconfig查询实时集群数据

🎯 特性

  • 6 Kubernetes洞察功能:实时集群资源分析和容量规划
  • 实时集群集成:通过kubeconfig连接到任何Kubernetes集群
  • 零集群修改:只读操作确保集群安全
  • 资源分析:跨节点和命名空间的CPU、内存和pod指标
  • 容量规划:部署前检查工作负载是否合适
  • 复制品规划:扩展应用程序的智能容量检查
  • 容器化:生产就绪的Podman/Docker设置
  • Claude桌面集成:MCPB封装,实现无缝AI助手集成
  • 专业版本管理:与货物放行自动版本同步
  • CI/CD管道:全面的GitHub操作工作流程
  • 生产等级:采用Rust构建,性能可靠

📚 快速参考

任务 命令 描述
🧪 测试 make test 运行所有测试
🧪 测试MCP make test-mcp 使用流式HTTP传输运行MCP服务器
🚀 发布 make release-patch 创建新的补丁版本
📦 包裹 make pack 创建Claude桌面包
🐳 容器 make image-build 构建容器映像
ℹ️ 帮助 make help 显示所有命令

📋 可用功能

功能 描述 用例
get_cluster_capacity 获取集群的总容量和利用率 “我的集群容量是多少?”
check_resource_fit 检查工作负载是否适合可用资源 “我可以部署4核16GB吗?”
get_node_分解 每个节点的详细资源细分 “逐节点显示资源”
get_namespace_usage 每个命名空间的资源使用情况 “哪个命名空间使用的资源最多?”
get_pod_resource_stats 按资源消耗排名前20位的Pod “哪些Pod消耗的CPU最多?”
check_replic_capacity 检查群集是否可以容纳其他副本 “我可以再添加10个副本吗?”

> 备注:所有函数都通过kubeconfig查询实时集群数据-没有模拟,真正的见解!

查询示例

📊 集群容量概述

自然语言查询: “我的Kubernetes集群的总容量是多少?”

示例响应:```json
{
"total_cpu_cores": 24.0,
"total_memory_gb": 96.0,
"allocated_cpu_cores": 12.5,
"allocated_memory_gb": 48.2,
"available_cpu_cores": 11.5,
"available_memory_gb": 47.8,
"node_count": 3,
"explanation": "Cluster has 3 nodes. Total capacity: 24.00 CPU cores, 96.00 GB memory.
Allocated (requests): 12.50 CPU cores (52.1%), 48.20 GB memory (50.2%).
Available: 11.50 CPU cores, 47.80 GB memory."
}


#### ✅ 资源匹配检查

**自然语言查询:** *“我可以部署需要4个CPU内核和16GB内存的工作负载吗?”*

**示例响应:**```json
{
"fits": true,
"available_cpu_cores": 11.5,
"available_memory_gb": 47.8,
"cpu_utilization_percent": 68.8,
"memory_utilization_percent": 66.9,
"explanation": "Resources FIT in cluster. Requested: 4.00 CPU cores, 16.00 GB memory.
Available: 11.50 CPU cores, 47.80 GB memory.
After allocation, cluster would be at 68.8% CPU and 66.9% memory utilization."
}

🖥️ 节点分解

自然语言查询: “显示集群中每个节点的资源细分”

示例响应:```json
{
"nodes": [
{
"name": "node-1",
"total_cpu_cores": 8.0,
"total_memory_gb": 32.0,
"allocated_cpu_cores": 4.2,
"allocated_memory_gb": 16.5,
"available_cpu_cores": 3.8,
"available_memory_gb": 15.5,
"pod_count": 24
},
{
"name": "node-2",
"total_cpu_cores": 8.0,
"total_memory_gb": 32.0,
"allocated_cpu_cores": 4.8,
"allocated_memory_gb": 17.2,
"available_cpu_cores": 3.2,
"available_memory_gb": 14.8,
"pod_count": 28
},
{
"name": "node-3",
"total_cpu_cores": 8.0,
"total_memory_gb": 32.0,
"allocated_cpu_cores": 3.5,
"allocated_memory_gb": 14.5,
"available_cpu_cores": 4.5,
"available_memory_gb": 17.5,
"pod_count": 20
}
],
"total_nodes": 3,
"explanation": "Cluster has 3 nodes. Each node shows total capacity, allocated resources (requests),
available resources, and pod count."
}


#### 📦 命名空间使用情况

**自然语言查询:** *“哪些命名空间使用的资源最多?”*

**示例响应:**```json
{
"namespaces": [
{
"namespace": "production",
"cpu_requests_cores": 6.5,
"memory_requests_gb": 24.0,
"cpu_limits_cores": 12.0,
"memory_limits_gb": 48.0,
"pod_count": 35
},
{
"namespace": "staging",
"cpu_requests_cores": 3.2,
"memory_requests_gb": 12.8,
"cpu_limits_cores": 6.0,
"memory_limits_gb": 24.0,
"pod_count": 18
},
{
"namespace": "development",
"cpu_requests_cores": 2.8,
"memory_requests_gb": 11.4,
"cpu_limits_cores": 5.0,
"memory_limits_gb": 20.0,
"pod_count": 22
}
],
"total_namespaces": 3,
"explanation": "Cluster has 3 namespaces. Resource usage shows CPU/memory requests and limits for each namespace,
sorted by CPU requests (descending)."
}

🔝 顶级资源消耗Pod

自然语言查询: “哪些吊舱消耗的资源最多?”

示例响应:```json
{
"top_pods": [
{
"name": "postgres-db-0",
"namespace": "production",
"cpu_requests_millicores": 2000,
"memory_requests_mb": 4096,
"cpu_limits_millicores": 4000,
"memory_limits_mb": 8192,
"node": "node-1"
},
{
"name": "redis-cluster-0",
"namespace": "production",
"cpu_requests_millicores": 1500,
"memory_requests_mb": 3072,
"cpu_limits_millicores": 3000,
"memory_limits_mb": 6144,
"node": "node-2"
}
],
"total_pods": 72,
"sorted_by": "CPU requests (descending)",
"explanation": "Showing top 20 pods (out of 72) by CPU requests. Each pod shows CPU/memory requests and limits,
along with the node it's scheduled on."
}


#### 🔄 检查副本容量(新增!)

**自然语言查询:** *“在命名空间默认值中,我是否有足够的容量再容纳10个应用程序副本?”*

**它的作用:**

- 在指定的命名空间中查找与您的应用程序名称匹配的现有pod
- 计算每个副本的资源需求
- 检查群集是否有足够的容量来容纳所请求的额外副本数量
- 提供关于预计利用率的详细分析

**示例响应(成功):**```json
{
"fits": true,
"reference_pod": "my-application-7f8b5c9d6-abc12",
"cpu_per_replica_cores": 0.5,
"memory_per_replica_gb": 1.0,
"total_cpu_required_cores": 5.0,
"total_memory_required_gb": 10.0,
"available_cpu_cores": 11.5,
"available_memory_gb": 47.8,
"current_pod_count": 3,
"projected_cpu_utilization_percent": 72.9,
"projected_memory_utilization_percent": 60.6,
"explanation": "✓ Capacity CHECK PASSED: You can add 10 more replicas of 'my-application' in namespace 'default'.

Reference pod: my-application-7f8b5c9d6-abc12
- CPU per replica: 0.500 cores
- Memory per replica: 1.000 GB

Total required for 10 replicas:
- CPU: 5.000 cores
- Memory: 10.000 GB

Cluster availability:
- Available CPU: 11.500 cores (enough for 23 replicas)
- Available Memory: 47.800 GB (enough for 47 replicas)

Projected utilization after adding replicas:
- CPU: 72.9% (current: 52.1%)
- Memory: 60.6% (current: 50.2%)

Current pods matching 'my-application': 3"
}

示例响应(容量不足):```json
{
"fits": false,
"reference_pod": "my-application-7f8b5c9d6-abc12",
"cpu_per_replica_cores": 2.0,
"memory_per_replica_gb": 4.0,
"total_cpu_required_cores": 20.0,
"total_memory_required_gb": 40.0,
"available_cpu_cores": 11.5,
"available_memory_gb": 47.8,
"current_pod_count": 3,
"projected_cpu_utilization_percent": 135.4,
"projected_memory_utilization_percent": 92.1,
"explanation": "✗ Capacity CHECK FAILED: Cannot add 10 replicas of 'my-application' in namespace 'default'.

Reference pod: my-application-7f8b5c9d6-abc12
- CPU per replica: 2.000 cores
- Memory per replica: 4.000 GB

Total required for 10 replicas:
- CPU: 20.000 cores
- Memory: 40.000 GB

Issues:
CPU shortage: Need 20.000 cores but only 11.500 available (shortfall: 8.500 cores). Maximum possible replicas based on CPU: 5

Current pods matching 'my-application': 3"
}


**主要优势:**

- ✅ **一步容量检查** -无需手动计算副本资源
- ✅ **自动资源发现** -查找现有Pod并提取需求
- ✅ **明确的建议** -显示可能的副本数量
- ✅ **预计利用率** -查看扩展后的集群状态
- ✅ **可操作的见解** -立即回答是/否,并给出详细的推理

### 💡 LLM集成的使用技巧

使用此MCP代理查询LLM时:

1. **用自然语言提问** -无需了解Kubernetes API的详细信息

- *“在命名空间默认值中,我是否有足够的容量再容纳10个应用程序副本?”*
- *“哪个命名空间占用了所有内存?”*
- *“显示所有节点的资源利用率”*

1. **容量规划方案**

- *“我需要部署5个Pod,每个Pod有500万CPU和1GB RAM——它们合适吗?”*
- *“我当前的集群利用率是多少?”*
- *“有多少CPU可用于新的工作负载?”*

1. **故障排除**

- *“为什么我不能在开发命名空间中安排更多的Pod?”*
- *“我应该考虑缩小哪些Pod以释放资源?”*
- *“是否有任何节点被严重过度分配?”*

1. **资源优化**

- *“比较生产命名空间和暂存命名空间之间的资源使用情况”*
- *“查找资源最密集的前5个应用程序”*
- *“我的节点上的资源分布情况如何?”*

1. **结合人工智能建议**

- LLM可以分析原始数据并提供智能见解
- 根据当前的利用模式征求建议
- 获取资源优化和再平衡建议

## 🚀 快速开始

### 先决条件

- 锈蚀1.70+(安装Rust)
- 货物(含铁锈)
- **Kubernetes集群访问** 有效的 `~/.kube/config`
- `jq` 用于JSON处理(安装jq)
- `cargo-release` 对于版本管理: `cargo install cargo-release`
- NodeJS 19+用于测试 MCP 检查员 (可选)

### 🔐 群集访问设置

此MCP服务器通过kubeconfig读取集群数据。确保您有权访问:```bash
# Verify cluster access
kubectl cluster-info
kubectl get nodes

# The MCP server will use the current context in ~/.kube/config
kubectl config current-context

支持的Kubernetes平台:

  • 香草Kubernetes
  • 红帽OpenShift
  • 亚马逊EKS
  • 谷歌GKE
  • Azure AKS
  • 任何与kubeconfig兼容的集群

📥 安装```bash

Clone the repository

git clone https://github.com/alpha-hack-program/cluster-insights-mcp-rs.git
cd cluster-insights-mcp-rs


### 🏗️ 构建```bash
# Build all servers
make build-all

# Or build individually
make build-mcp      # MCP HTTP Server
make build-stdio    # STDIO Server for Claude

🧪 单元测试```bash

Run all tests

make test


### 🏃‍♂️ 跑步

> **注:**
>
> 默认情况下 `BIND_ADDRESS=127.0.0.1:8001` 为了 **流式HTTP**
>
> 但在 *生成文件* `test-mcp` 目标集 `BIND_ADDRESS=0.0.0.0:8001````bash
# MCP Streamable HTTP Server
make test-mcp

# Or directly
RUST_LOG=info BIND_ADDRESS=127.0.0.1:8003 ./target/release/mcp_server

🧪 使用MCP检验员进行测试

让我们在一个终端中使用Streamable HTTP传输运行MCP服务器:```bash
make test-mcp


**输出:**```
2024-10-18T10:15:32.123Z INFO  Cluster Insights MCP Server starting...
2024-10-18T10:15:32.125Z INFO  Streamable HTTP server listening on http://0.0.0.0:8001

使用以下命令运行MCP检查器 make inspector:

> 注: 必须安装NodeJS 19+```bash
$ make inspector
npx @modelcontextprotocol/inspector
Starting MCP inspector...
⚙️ Proxy server listening on 127.0.0.1:6277
🔑 Session token: 6f0fdc22e2a9775a95d60c976b37b873bffec1816002fc702ca8ec7186a7c338
Use this token to authenticate requests or set DANGEROUSLY_OMIT_AUTH=true to disable auth

🔗 Open inspector with token pre-filled:
http://localhost:6274/?MCP_PROXY_AUTH_TOKEN=6f0fdc22e2a9775a95d60c976b37b873bffec1816002fc702ca8ec7186a7c338

🔍 MCP Inspector is up and running at http://127.0.0.1:6274 🚀


打开浏览器,指向预先填充令牌的URL。

确保:

- **运输类型:** `SSE`
- **网址:** `http://localhost:8003/sse`

然后单击 `connect`.

现在点击 `List Tools`,然后您应该看到工具列表:

最后点击 `get_cluster_capacity` 然后单击 `Run tool`:

您应该从Kubernetes集群中看到真实的集群容量数据!

**预期产量:**```json
{
"total_cpu_cores": 24.0,
"total_memory_gb": 96.0,
"allocated_cpu_cores": 12.5,
"allocated_memory_gb": 48.2,
"available_cpu_cores": 11.5,
"available_memory_gb": 47.8,
"node_count": 3,
"explanation": "Cluster has 3 nodes. Total capacity: 24.00 CPU cores..."
}

祝贺您的Cluster Insights工具已准备好供启用MCP的代理使用。

📦 Claude桌面集成

包装```bash

Create MCP Bundle (MCPB) package for Claude Desktop

$ make pack
cargo build --release --bin stdio_server
Compiling cluster-insights-mcp-server v1.0.8 (/Users/.../cluster-insights-mcp-rs)
Finished release profile [optimized] target(s) in 18.23s
Packing MCP server for Claude Desktop...
chmod +x ./target/release/stdio_server
zip -rX cluster-insights-mcp-server.mcpb -j mcpb/manifest.json ./target/release/stdio_server
updating: manifest.json (deflated 49%)
updating: stdio_server (deflated 63%)


### 克劳德配置示例

打开克劳德桌面并转到 `Settings->Extensions` 下降区域。

> **备注**:这展示了MCP集成模式,不适用于实际数据的生产使用。

拖放 `MCPB` 文件。

点击 `Install`:

点击 `Install`:

点击 `Configure` 然后关闭对话框。

您已经准备好了,打开一个新的聊天:

使用此示例查询: *“我的Kubernetes集群的当前容量是多少?请显示总资源以及当前分配的资源量。”*

祝贺Cluster Insights工具现在与Claude Desktop配合使用,可以分析您的实时Kubernetes集群。

## 🔧 配置

### 环境变量```bash
# Logging level (debug, info, warn, error)
RUST_LOG=info

# Or use BIND_ADDRESS directly
BIND_ADDRESS=127.0.0.1:8000

示例用法

MCP服务器使用以下命令自动连接到Kubernetes集群 ~/.kube/config.

查询集群容量

通过MCP检查员或克劳德:
只需问: “我的集群容量是多少?”

该工具将从集群返回实时数据,显示总CPU/内存、分配的资源和可用性。

检查资源匹配度

通过MCP检查员:
使用 check_resource_fit 带有参数的工具:```json
{
"cpu_cores": 4.0,
"memory_gb": 16.0
}


**通过克劳德/法学硕士:**
问: *“我可以部署需要4个CPU内核和16GB内存的工作负载吗?”*

> **重要**:所有查询都会从实际的Kubernetes集群返回实时数据。

## 🐳 容器化

### 构建并运行

这需要 `podman` 或 `docker`配置是通过以下方式进行管理的 `.env` 文件。```bash
# Build container image
scripts/image.sh build

# Run locally
scripts/image.sh run

# Run from remote registry
scripts/image.sh push
scripts/image.sh run-remote

# Show container information
scripts/image.sh info

容器的环境变量```bash

Production configuration with kubeconfig

podman run -p 8001:8001 \
-v ~/.kube/config:/app/.kube/config:ro \
-e KUBECONFIG=/app/.kube/config \
-e BIND_ADDRESS=0.0.0.0:8001 \
-e RUST_LOG=info \
quay.io/atarazana/cluster-insights-mcp-server:latest


> **安全说明**:容器需要对kubeconfig具有读取权限才能查询集群。未经适当身份验证,切勿公开此容器。

## 🛠️ 发展

### 可用命令

#### 🏗️ 构建命令```bash
make build-all              # Build all servers
make build-mcp              # Build MCP server (streamable-http)
make build-stdio            # Build stdio server
make pack                   # Pack MCP server for Claude Desktop

🚀 放行命令(货物放行)```bash

make release-patch # Create patch release (1.0.6 → 1.0.7)
make release-minor # Create minor release (1.0.6 → 1.1.0)
make release-major # Create major release (1.0.6 → 2.0.0)
make release-dry-run # Show what release-patch would do
make sync-version # Manually sync version to all files


#### 🧪 测试命令```bash
make test                   # Run all tests
make test-mcp               # Test MCP server locally

🔧 开发命令```bash

make clean # Clean build artifacts
make help # Show all available commands


### 项目结构```
├── src/                                    # Source code
│   ├── common/
│   │   ├── cluster_insights.rs            # Kubernetes cluster analysis logic
│   │   ├── metrics.rs                     # Prometheus metrics
│   │   └── mod.rs
│   ├── mcp_server.rs                      # MCP HTTP Server
│   └── stdio_server.rs                    # STDIO Server
├── scripts/                               # Utility scripts
│   ├── sync-manifest-version.sh           # Version sync for cargo-release
│   └── image.sh                          # Container management script
├── mcpb/
│   └── manifest.json                      # Claude Desktop manifest
├── .github/workflows/                     # CI/CD pipelines
│   └── ci.yml                            # GitHub Actions workflow
├── docs/                                  # Documentation
├── .env                                   # Environment variables
├── Containerfile                          # Container definition
├── Cargo.toml                            # Rust package manifest
└── Makefile                              # Build commands

功能参数

get_cluster_capacity

无需参数

退货:

  • total_cpu_cores:群集CPU总容量
  • total_memory_gb:群集内存总容量
  • allocated_cpu_cores:Pod已请求CPU
  • allocated_memory_gb:Pod已请求内存
  • available_cpu_cores:可用CPU容量
  • available_memory_gb:可用内存容量
  • node_count:节点数量
  • explanation:人类可读摘要

check_resource_fit

字段 类型 描述
cpu_cores number 核心中所需的CPU(例如4.0)
memory_gb number 所需内存(GB)(例如16.0)

退货:

  • fits:布尔值,指示资源是否合适
  • available_cpu_cores:可用CPU
  • available_memory_gb:可用内存
  • cpu_utilization_percent:预计CPU利用率
  • memory_utilization_percent:预计内存利用率
  • explanation:人类可读摘要

get_node_分解

无需参数

退货:

  • nodes:节点信息数组
  • name:节点名称
  • total_cpu_cores:节点CPU容量
  • total_memory_gb:节点内存容量
  • allocated_cpu_cores:分配的CPU
  • allocated_memory_gb:分配的内存
  • available_cpu_cores:可用CPU
  • available_memory_gb:可用内存
  • pod_count:节点上的Pod数量
  • total_nodes:节点总数
  • explanation:人类可读摘要

get_namespace_usage

无需参数

退货:

  • namespaces:命名空间信息数组
  • namespace:命名空间名称
  • cpu_requests_cores:CPU请求总数
  • memory_requests_gb:总内存请求数
  • cpu_limits_cores:CPU总限制
  • memory_limits_gb:总内存限制
  • pod_count:吊舱数量
  • total_namespaces:命名空间总数
  • explanation:人类可读摘要

get_pod_resource_stats

无需参数

退货:

  • top_pods:按CPU请求排列的前20个Pod数组
  • name:Pod名称
  • namespace:Pod命名空间
  • cpu_requests_millicores:CPU请求(以毫内核为单位)
  • memory_requests_mb:内存请求(MB)
  • cpu_limits_millicores:CPU限制(以毫内核为单位)
  • memory_limits_mb:内存限制(MB)
  • node:计划pod的节点
  • total_pods:总吊舱数
  • sorted_by:使用的排序标准
  • explanation:人类可读摘要

🔒 安全

  • 只读操作:仅对集群执行读取操作,从不修改资源
  • Kubeconfig身份验证:使用具有适当RBAC的现有kubeconfig凭据
  • 输入验证:具有类型检查的严格JSON模式
  • 非root用户:容器以用户身份运行 1001
  • 安全审计: cargo audit 在CI/CD管道中
  • 最小图像:基于UBI 9最小值,以减少攻击面

所需的Kubernetes RBAC权限

运行此服务器的服务帐户或用户需要以下权限:```yaml
apiVersion: rbac.authorization.k8s.io/v1
kind: ClusterRole
metadata:
name: cluster-insights-reader
rules:
- apiGroups: [""]
resources: ["nodes", "pods", "namespaces"]
verbs: ["get", "list"]


> **备注**:只需要读取权限。服务器从不修改群集资源。

## 🤝 贡献

### 开发流程

1. **分叉项目**
1. **创建特征分支**: `git checkout -b feature/new-feature`
1. **进行更改和测试**: `make test`
1. **提交更改**: `git commit -am 'Add new feature'`
1. **推送到分支**: `git push origin feature/new-feature`
1. **创建拉取请求**

### 专业发布流程

1. **发展**:进行更改,测试 `make test`
1. **版本颠簸**:使用 `make release-patch/minor/major`
1. **构建**:使用 `make pack` 用于Claude Desktop集成
1. **容器**:使用 `make image-build` 集装箱化

### 指南

- **代码质量**:关注 `cargo fmt` 并通过 `cargo clippy`
- **测试**:添加新功能的测试
- **版本管理**:让货物放行处理版本控制
- **CI/CD**:确保所有GitHub操作都通过
- **文档**:根据需要更新README.md
- **专业结构**:保留脚本 `scripts/` 目录

## ⚙️ 版本管理

此项目使用 **货物放行** 用于跨所有配置文件自动同步的专业版本管理。

自 `Cargo.toml` 发布配置:```toml
[package.metadata.release]
# Don't publish to crates.io (since this is a binary project)
publish = false
# Don't push git tags (you can enable this if you want)
push = false
# Run pre-release hook
pre-release-hook = ["scripts/sync-manifest-version.sh"]
# Create git tag with 'v' prefix
tag-name = "v{{version}}"
# Sign tags (optional)
sign-tag = false

🔄 版本同步系统

  • 单一真相来源: Cargo.toml 版本控制一切
  • 自动同步:更新 mcpb/manifest.json 和 .env 自动地
  • Git集成:自动创建提交和标记

📦 发布工作流

处理你的代码,然后当你满意的时候:```bash

1. Make your changes and commit them

git add -A && git commit -m "feat: your changes"

2. Create a release (choose appropriate version bump)

make release-patch # Bug fixes: 1.0.6 → 1.0.7
make release-minor # New features: 1.0.6 → 1.1.0
make release-major # Breaking changes: 1.0.6 → 2.0.0

3. Build and package

make pack
make image-build
make image-push

4. Push to repository

git push && git push --tags


### 🔍 预览更改```bash
# See what would happen without making changes
make release-dry-run

🛠️ 手动版本同步(开发)```bash

Sync version from Cargo.toml to other files manually

make sync-version
```

💬 LLM查询示例

当将此MCP代理与LLM一起使用时,用户可以询问有关其Kubernetes集群的自然语言问题。以下是现实情况:

📊 容量规划

查询1:基本容量检查

查询: “我的集群当前的容量和利用率是多少?”

法学硕士将致电 get_cluster_capacity 并用自然语言解释结果,帮助您了解集群的使用情况。

问题2:部署前检查

查询: “我计划部署一个需要8个CPU内核和32GB内存的应用程序。我有足够的资源吗?”

法学硕士将致电 check_resource_fit 使用指定的参数,并告诉您部署是否会成功。

🔍 故障排除

问题3:资源调查

查询: “我在生产命名空间中遇到了pod调度失败。你能帮我理解原因吗?”

LLM将调用多个函数(get_cluster_capacity, get_namespace_usage, get_node_breakdown)分析情况并提供见解。

问题4:资源猪识别

查询: “哪些应用程序使用了我集群中最多的资源?”

LLM将使用 get_pod_resource_stats 和 get_namespace_usage 以识别资源密集型工作负载。

🎯 优化

查询5:节点余额检查

查询: “我的工作负载是否均匀分布在节点上?”

LLM将使用 get_node_breakdown 分析资源分配,并在必要时提出再平衡建议。

查询6:命名空间比较

查询: “比较我的生产环境和暂存环境之间的资源使用情况”

LLM将使用 get_namespace_usage 比较资源消耗并提供建议。

🚀 高级场景

问题7:多步分析

查询: “我需要部署一个服务的5个副本,每个副本需要2个CPU和4GB RAM。你能告诉我它是否合适吗?如果合适,部署后我的利用率是多少?”

法学硕士将:

  1. 计算总需求(10个CPU,20GB RAM)
  2. 呼叫 check_resource_fit 有了这些价值观
  3. 解释预计的利用率百分比

查询8:综合集群报告

查询: “给我一个集群资源状态的完整概述”

LLM将调用所有可用函数,以提供一份全面的报告,包括容量、节点细分、命名空间使用情况和顶级资源消耗者。

主要优势:

  • 自然语言:无需了解Kubernetes API的详细信息
  • 上下文感知:法学硕士根据您的问题解释结果
  • 多功能:LLM可以为复杂的查询链接多个工具调用
  • 建议:LLM可以根据数据提供可操作的建议

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 了解详情。

CI/CD管道

该项目包括一个全面的GitHub Actions工作流程:

  • ✅ 自动化测试:单元测试和集成测试
  • ✅ 版本同步验证:测试货物释放功能
  • ✅ 集装箱建筑:测试集装箱化过程
  • ✅ 工件管理:构建和上传发布工件
  • ✅ 与跨平台支持:在Ubuntu上使用多容器运行时进行测试

🙋 支持

  • 问题: GitHub问题
  • 文档: 维基工程
  • CI/CD:通过GitHub Actions进行自动化测试和部署

🏷️ 标签

mcp model-context-protocol rust kubernetes cluster-management capacity-planning resource-analysis openshift devops sre platform-engineering claude cargo-release containerization ci-cd observability


与开发❤️ 通过 阿尔法黑客集团

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Cluster Insights MCP Rs 怎么安装?

在客户端按下面的安装命令接入:npx @modelcontextprotocol/inspector。对应的包名是 @modelcontextprotocol/inspector。装完在客户端配置里引用同一个包或端点。

Cluster Insights MCP Rs 怎么在 Claude Desktop、Claude 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Cluster Insights MCP Rs 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Cluster Insights MCP Rs 需要 API Key 吗?

资料标注需要Token认证,使用前准备好对应凭据,并按最小权限配置。

Cluster Insights MCP Rs 支持哪些客户端?

资料标注支持 Claude Desktop、Claude;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Cluster Insights MCP Rs 能提供哪些能力?

资料显示约 6 个工具;能力标签包括 集群管理、Kubernetes、Claude。具体工具清单以官方文档为准。

Cluster Insights MCP Rs 需要什么运行环境?

运行时为 Node.js;属于本地进程,需要在本机装好运行环境。

Cluster Insights MCP Rs 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。