Tekton Jumpstarter人工智能代理

一 自主AI代理 智能管理Jumpstarter更改中的Tekton任务更新。超越了简单的CLI自动化，具有推理、记忆、规划和决策能力。

🚀 新来的？ 看看快速启动.md 5分钟动手介绍指南！

📋 目录

它的作用
快速开始
常见工作流
命令参考
代理功能
MCP集成
配置
例子

它的作用

当您的Jumpstarter环境获得新功能时，此代理会自动更新Tekton CI/CD任务定义的过程。

视觉概述

┌─────────────────────────────────────────────────────────────────┐
│                        INPUT                                     │
│  ┌────────────────┐              ┌────────────────────┐        │
│  │ Tekton Task    │              │ Jumpstarter Changes│        │
│  │ YAML           │              │ (JSON)             │        │
│  │ - params       │              │ - New capabilities │        │
│  │ - steps        │              │ - Network configs  │        │
│  │ - results      │              │ - Security needs   │        │
│  └────────────────┘              └────────────────────┘        │
└────────────────────────┬─────────────────┬─────────────────────┘
                         │                 │
                         └────────┬────────┘
                                  ▼
                    ┌─────────────────────────┐
                    │    AI AGENT PROCESSING  │
                    │                         │
                    │  1. Observe & Analyze   │
                    │  2. Reason about Risk   │
                    │  3. Decide Action       │
                    │  4. Execute Update      │
                    │  5. Learn & Remember    │
                    └────────────┬────────────┘
                                 ▼
┌─────────────────────────────────────────────────────────────────┐
│                        OUTPUT                                    │
│  ┌────────────────┐    ┌──────────────┐    ┌────────────────┐ │
│  │ Updated YAML   │    │ Risk Score   │    │ Reasoning      │ │
│  │ + new params   │    │ 0.35 = Safe  │    │ "Low impact,   │ │
│  │ + new steps    │    │ 0.85 = Review│    │  auto-applied" │ │
│  │ + validated    │    │              │    │                │ │
│  └────────────────┘    └──────────────┘    └────────────────┘ │
└─────────────────────────────────────────────────────────────────┘

关键能力

输入:

您现有的Tekton任务YAML
Jumpstarter更改说明（新功能、网络配置等）

处理:

🧠 原因关于使用LLM+规则的影响和风险
💾 学习根据过去的更新和结果
🎯 决定自主申请或审核
📊 轨迹随时间变化的成功/失败模式

输出:

使用适当的参数、步骤和配置更新了任务YAML
风险评估得分（0-1，其中>0.7=需要审查）
所有决策的透明推理
根据Tekton模式进行验证

快速开始

1.安装

# Clone the repo
git clone 
cd jmp-MCP-server

# Install dependencies
pnpm install    # or: npm install / yarn

# Build TypeScript
pnpm build

# Set up OpenAI API (required for LLM features)
export OPENAI_API_KEY="sk-your-key-here"

2.运行第一次更新

# Try the interactive demo
./examples/agent-demo.sh

# Or manually propose an update
pnpm agent propose \
  --task examples/task.yaml \
  --changes examples/input-change.json \
  --out /tmp/updated-task.yaml

# Review the output
cat /tmp/updated-task.yaml

3.检查代理人学到了什么

pnpm agent state --verbose

就是这样！ 现在，您有一个自主代理管理您的Tekton更新。

常见工作流

工作流程1：安全生产更新

场景：您有更改要应用，但想先验证安全性。

# Step 1: Analyze the risk
pnpm agent analyze \
  --task production-task.yaml \
  --changes latest-changes.json

# Output shows:
#   Impact Score: 0.35
#   Requires Review: NO
#   Recommendation: auto-apply

# Step 2: Let agent decide and apply
pnpm agent auto-update \
  --task production-task.yaml \
  --changes latest-changes.json \
  --out production-task.yaml \
  --threshold 0.7

# Agent will auto-apply if safe, or request review if risky

工作流2：跨多个任务进行批量更新

场景：您需要将相同的更改应用于50多个任务定义。

# Create directory structure
mkdir -p updated-tasks

# Let the agent process all tasks intelligently
pnpm agent batch \
  --tasks-dir ./tekton-tasks \
  --changes quarterly-updates.json \
  --out-dir ./updated-tasks

# Review results
# Agent applies different strategies per task based on complexity

工作流程3：持续集成

场景：检测到更改时自动更新任务。

# In your CI pipeline
#!/bin/bash
set -e

# Pull latest changes
git pull origin main

# Agent analyzes and applies safe updates
pnpm agent auto-update \
  --task ./tasks/build-task.yaml \
  --changes ./changes/latest.json \
  --out ./tasks/build-task.yaml \
  --threshold 0.6

# Commit if changes were made
if git diff --quiet ./tasks/build-task.yaml; then
  echo "No changes needed"
else
  git add ./tasks/build-task.yaml
  git commit -m "Auto-update: Applied low-impact changes"
  git push
fi

工作流程4：与人工智能助理（Cursor/Claude）合作

场景：使用自然语言通过IDE更新任务。

# Start MCP server
pnpm agent mcp-server

然后在Cursor/Claude中：

You: "Update all my Tekton tasks to support the new Multus networking configuration"
AI: *Uses propose_tekton_update tool*
    "I've analyzed your tasks and proposed updates. Task 1 needs review (high impact),
     but Tasks 2-5 can be auto-applied. Would you like me to proceed?"

命令参考

`pnpm agent propose`

使用AI推理对Tekton任务提出更新。

pnpm agent propose \
  --task 
 \
  --changes 
 \
  [--out ]

选项:

--task （必填）-Tekton任务YAML的路径
--changes （必填）-跳转启动器的路径更改JSON
--out （可选）-保存更新的YAML的位置（如果省略，则打印到stdout）

示例:

pnpm agent propose \
  --task ./my-task.yaml \
  --changes ./new-features.json \
  --out ./my-task-updated.yaml

`pnpm agent analyze`

在不应用的情况下分析拟议变更的影响和风险。

pnpm agent analyze \
  --task 
 \
  --changes

输出:

Impact Score: 0.42
Requires Review: NO
Recommendation: auto-apply
Reasoning: Changes affect network configuration but are low risk

示例:

pnpm agent analyze \
  --task ./critical-task.yaml \
  --changes ./breaking-changes.json

`pnpm agent auto-update`

如果代理确定更改是安全的，则自动应用更改。

pnpm agent auto-update \
  --task 
 \
  --changes 
 \
  --out  \
  [--threshold ]

选项:

--threshold （可选，默认值：0.7）-自动应用的影响分数阈值

- 更低=更谨慎（0.5=只有非常安全的更改） - 更高=更具攻击性（0.9=几乎适用所有内容）

示例:

# Cautious mode
pnpm agent auto-update \
  --task ./prod.yaml \
  --changes ./changes.json \
  --out ./prod.yaml \
  --threshold 0.5

# Aggressive mode
pnpm agent auto-update \
  --task ./dev.yaml \
  --changes ./changes.json \
  --out ./dev.yaml \
  --threshold 0.9

`pnpm agent batch`

以批处理模式处理多个Tekton任务。

pnpm agent batch \
  --tasks-dir  \
  --changes 
 \
  --out-dir

示例:

pnpm agent batch \
  --tasks-dir ./catalog/tasks \
  --changes ./updates/q1-2026.json \
  --out-dir ./catalog/tasks-v2

`pnpm agent state`

查看代理的内存、学习历史和统计数据。

pnpm agent state [--verbose]

示例:

# Quick summary
pnpm agent state

# Detailed history
pnpm agent state --verbose

`pnpm agent mcp-server`

启动MCP服务器进行AI助手集成。

pnpm agent mcp-server [--state-dir 
]

示例:

# Start with default state directory
pnpm agent mcp-server

# Custom state directory
pnpm agent mcp-server --state-dir /path/to/state

传统命令（向后兼容）

原始CLI命令仍然有效：

# Old propose command
pnpm propose --change changes.json --task task.yaml > output.yaml

# Old apply command
pnpm apply --task task.yaml --patch patch.yaml --out output.yaml

代理功能

🧠 智能决策

代理不会盲目地应用更改——它原因关于他们：

输出示例：

$ pnpm agent auto-update --task task.yaml --changes changes.json --out task.yaml

[Agent] Starting task: update-task
[Agent] Reasoning about next action...
[Agent] Decision: auto-apply
[Agent] Reasoning: Impact score 0.35. Changes affect network params but are low risk.
                    No security or RBAC modifications detected.
[Agent] Executing: propose-with-llm
[Agent] Task completed successfully

✓ Changes auto-applied successfully
  Output: task.yaml
  Impact Score: 0.35

💾 记忆与学习

代理在运行过程中保持持久状态，并从经验中学习：

$ pnpm agent state --verbose

Agent State:
  Total Tasks: 23
  Successful: 21
  Failed: 2
  Total Memories: 67
  Last Run: 2026-01-08T14:23:15Z

Recent Memories:
  1. propose-with-llm - ✓ (confidence: 0.85)
     Reasoning: Changes are complex, using LLM for sophisticated analysis
  
  2. auto-apply - ✓ (confidence: 0.92)
     Reasoning: Impact score 0.25, safe to auto-apply
  
  3. high-impact-review - ✓ (confidence: 0.95)
     Reasoning: Impact score 0.85. High impact detected, requesting review

记忆是如何工作的：

存储每个决定及其结果
利用过去的经验为未来的决策提供信息
避免重复错误
随着时间的推移，提高信心得分

📦 批处理智能

代理使用每任务策略处理多个任务：

$ pnpm agent batch --tasks-dir ./tasks --changes updates.json --out-dir ./updated

[Orchestrator] Found 12 task files
[Orchestrator] Processing task 1/12: build-task.yaml
[Agent] Impact score: 0.25 → auto-applying
[Orchestrator] Processing task 2/12: deploy-task.yaml
[Agent] Impact score: 0.82 → requires review
...

Batch Update Results:
  Total: 12
  Successful: 10
  Failed: 0
  Requires Review: 2

Details:
  build-task.yaml: ✓ (auto-applied)
  deploy-task.yaml: ⚠ (requires review - high impact)
  test-task.yaml: ✓ (auto-applied)
  ...

⚡ 风险评估

自动影响评分可帮助您做出安全决策：

影响评分	风险等级	行动	示例
0.0-0.3	低	自动应用	网络参数、存储配置
0.3-0.7	中等	先分析	资源限制，新步骤
0.7-1.0	高	手动审查	安全上下文、RBAC、serviceAccount

风险因素：

+0.4：安全上下文或服务帐户更改
+0.3：RBAC或权限修改
+0.2：网络、存储或资源更改
+0.1-0.2：复杂性（描述长度、更改次数）

MCP集成

使用光标进行设置

启动MCP服务器：

pnpm agent mcp-server

添加到光标设置(~/.cursor/config.json 或工作空间设置）：

{
  "mcpServers": {
    "tekton-agent": {
      "command": "pnpm",
      "args": ["agent", "mcp-server"],
      "cwd": "/home/you/dev/jmp-MCP-server",
      "env": {
        "OPENAI_API_KEY": "sk-your-key-here"
      }
    }
  }
}

在自然语言的游标中使用：

You: "Analyze the impact of adding Multus networking to my build task"
Cursor: *Uses analyze_change_impact tool*
        "The impact score is 0.42 (medium risk). Changes affect networking 
         but don't modify security contexts..."

You: "Go ahead and apply it"
Cursor: *Uses propose_tekton_update tool*
        "Done! Updated task saved. The agent added secondaryNetworkNAD param
         and updated the pod spec."

使用Claude Desktop进行设置

添加到 ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）：

{
  "mcpServers": {
    "tekton-agent": {
      "command": "pnpm",
      "args": ["agent", "mcp-server"],
      "cwd": "/home/you/dev/jmp-MCP-server",
      "env": {
        "OPENAI_API_KEY": "sk-your-key-here"
      }
    }
  }
}

可用的MCP工具

该代理提供了5个强大的工具：

工具	描述	用例
`propose_tekton_update`	通过推理提出YAML更新	“用新的更改更新此任务”
`analyze_change_impact`	计算风险评分	“应用此方法安全吗？”
`monitor_jumpstarter_changes`	注意新的更改	“监视我的更改目录”
`get_agent_state`	查询代理内存	“显示代理学到了什么”
`batch_update_tasks`	处理多个任务	“更新此目录中的所有任务”

MCP使用示例

通过Cursor/Claude：

You: Update my Tekton task with these Jumpstarter changes:
     - Add support for Multus secondary network
     - Export image digest to Quay
     - Use custom service account for registry access

Cursor: *Analyzes changes*
        Impact Score: 0.45 (medium risk)
        - Network changes: +0.2
        - Registry config: +0.15
        - Service account: +0.1
        
        This looks safe to auto-apply. Should I proceed?

You: Yes, go ahead

Cursor: *Applies updates*
        ✓ Added secondaryNetworkNAD param
        ✓ Added artifactDigest result
        ✓ Added quayUrl param
        ✓ Updated step to use custom SA
        
        Updated task saved to build-task.yaml

配置

环境变量

# Required for LLM features
export OPENAI_API_KEY="sk-your-api-key-here"

# Optional: Custom OpenAI endpoint (for Azure, local models, etc.)
export OPENAI_BASE="https://api.openai.com/v1"

# Optional: Choose model (default: gpt-4o-mini)
export OPENAI_MODEL="gpt-4o-mini"
# Other options: gpt-4, gpt-3.5-turbo, etc.

# Agent behavior tuning
export AGENT_AUTO_APPLY_THRESHOLD="0.7"    # 0-1, lower = more cautious
export AGENT_MAX_RETRIES="3"               # Retry failed tasks
export AGENT_STATE_DIR=".agent-state"      # Where to store memory

配置文件（可选）

创建 .agent-config.json 在项目根目录中：

{
  "maxMemories": 100,
  "maxRetries": 3,
  "autoApplyThreshold": 0.7,
  "stateDir": ".agent-state",
  "enableLLM": true
}

调整自动应用阈值

阈值决定代理何时自动应用更改：

# Conservative (only auto-apply very safe changes)
export AGENT_AUTO_APPLY_THRESHOLD="0.5"
pnpm agent auto-update ... --threshold 0.5

# Balanced (default - good for most use cases)
export AGENT_AUTO_APPLY_THRESHOLD="0.7"
pnpm agent auto-update ... --threshold 0.7

# Aggressive (auto-apply most changes)
export AGENT_AUTO_APPLY_THRESHOLD="0.9"
pnpm agent auto-update ... --threshold 0.9

建议：

生产：0.5-0.6（保守）
暂存：0.7-0.8（平衡）
发展：0.8-0.9（攻击性）

例子

示例1：低冲击变化（自动应用）

输入更改 (changes.json):

[
  {
    "id": "CHG-001",
    "title": "Add secondary network support",
    "description": "Jumpstarter now supports Multus NAD for secondary networking",
    "impactAreas": ["network"],
    "suggestedParams": {
      "secondaryNetworkNAD": "nad/example"
    }
  }
]

运行代理:

$ pnpm agent auto-update --task task.yaml --changes changes.json --out task.yaml

[Agent] Impact score: 0.20 (network only)
[Agent] Decision: auto-apply
✓ Changes applied successfully

结果: secondaryNetworkNAD 参数已自动添加。

______________________________________________________________________

示例2：高影响变更（需要审查）

输入更改 (security-changes.json):

[
  {
    "id": "CHG-002",
    "title": "Add privileged security context for hardware access",
    "description": "Requires privileged container and custom service account",
    "impactAreas": ["security", "serviceAccount", "rbac"],
    "suggestedParams": {
      "serviceAccount": "jumpstarter-privileged",
      "securityContext": {
        "privileged": true
      }
    }
  }
]

运行代理:

$ pnpm agent analyze --task task.yaml --changes security-changes.json

Impact Analysis:
  Impact Score: 0.85
  Requires Review: YES
  Recommendation: high-impact-review
  Reasoning: Changes affect serviceAccount (0.30), security context (0.40),
             and RBAC (0.15). High risk modifications detected.

⚠ Manual review required before applying these changes

结果：代理阻止自动应用并请求人工审核。

______________________________________________________________________

示例3：混合结果的批量更新

目录结构:

tasks/
├── build-task.yaml       (low impact changes)
├── deploy-task.yaml      (high impact changes)
├── test-task.yaml        (low impact changes)
└── secure-task.yaml      (high impact changes)

运行批处理:

$ pnpm agent batch --tasks-dir ./tasks --changes changes.json --out-dir ./updated

[Orchestrator] Found 4 task files
Processing:
  ✓ build-task.yaml (impact: 0.25) - auto-applied
  ⚠ deploy-task.yaml (impact: 0.82) - requires review
  ✓ test-task.yaml (impact: 0.30) - auto-applied
  ⚠ secure-task.yaml (impact: 0.78) - requires review

Results:
  Total: 4
  Auto-applied: 2
  Requires Review: 2

______________________________________________________________________

示例4:CI/CD集成

GitHub操作工作流 (.github/workflows/auto-update-tasks.yml):

name: Auto-Update Tekton Tasks

on:
  push:
    paths:
      - 'jumpstarter-changes/**'
  workflow_dispatch:

jobs:
  update-tasks:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      
      - name: Setup Node
        uses: actions/setup-node@v4
        with:
          node-version: '20'
      
      - name: Install pnpm
        run: npm install -g pnpm
      
      - name: Install dependencies
        run: pnpm install
        working-directory: ./tekton-agent
      
      - name: Auto-update tasks
        env:
          OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
          AGENT_AUTO_APPLY_THRESHOLD: "0.6"
        run: |
          pnpm agent batch \
            --tasks-dir ./tekton-tasks \
            --changes ./jumpstarter-changes/latest.json \
            --out-dir ./tekton-tasks-updated
        working-directory: ./tekton-agent
      
      - name: Create PR if changes
        run: |
          if [ -n "$(git status --porcelain)" ]; then
            git config user.name "Tekton Agent"
            git config user.email "agent@example.com"
            git checkout -b auto-update-$(date +%Y%m%d-%H%M%S)
            git add ./tekton-tasks-updated
            git commit -m "Auto-update Tekton tasks"
            git push origin HEAD
            # Create PR using gh CLI or API
          fi

______________________________________________________________________

示例5：与自定义LLM端点一起使用

适用于Azure OpenAI:

export OPENAI_API_KEY="your-azure-key"
export OPENAI_BASE="https://your-resource.openai.azure.com/openai/deployments/gpt-4"
export OPENAI_MODEL="gpt-4"

pnpm agent propose --task task.yaml --changes changes.json

本地模特（LM工作室，Ollama）:

export OPENAI_BASE="http://localhost:1234/v1"
export OPENAI_MODEL="local-model"
export OPENAI_API_KEY="not-needed"

pnpm agent propose --task task.yaml --changes changes.json

建筑

代理核心组件

┌─────────────────────────────────────────┐
│         Agent Orchestrator              │
│  (Planning, Scheduling, Coordination)   │
└──────────────┬──────────────────────────┘
               │
┌──────────────▼──────────────────────────┐
│          Agent Core                     │
│  (Reasoning, Decision Making, Memory)   │
└──────────────┬──────────────────────────┘
               │
       ┌───────┴────────┐
       │                │
┌──────▼────────┐  ┌───▼────────────┐
│ State Manager │  │  LLM Provider  │
│   (Memory)    │  │  (OpenAI API)  │
└───────────────┘  └────────────────┘

决策流程

观察 -收集当前形势的背景
理由 -分析并决定最佳行动
执行 -执行决定的行动
更新 -将结果存储在内存中
重复 -继续，直到任务完成

故障排除

问题：“未设置OPENAI_API_KEY”

解决方案:

# Set your API key
export OPENAI_API_KEY="sk-your-key-here"

# Or run without LLM (uses deterministic rules only)
unset OPENAI_API_KEY
pnpm agent propose --task task.yaml --changes changes.json
# Note: Limited to pattern-based rules

问题：“代理人过于谨慎/过于激进”

解决方案：调整阈值

# More cautious (safer for production)
pnpm agent auto-update ... --threshold 0.5

# More aggressive (good for dev environments)
pnpm agent auto-update ... --threshold 0.9

问题：“代理人做出了错误的决定”

解决方案：代理人从经验中学习

# Check what it learned
pnpm agent state --verbose

# Clear memory if needed
rm -rf .agent-state

# Provide more context in change descriptions
# The agent uses description text for reasoning

问题：“任务验证失败”

原因：生成的YAML与Tekton架构不匹配

解决方案:

# Check the validation error
pnpm agent propose --task task.yaml --changes changes.json 2>&1 | grep -A5 "validation"

# Simplify your changes or provide more specific descriptions
# The agent validates all outputs against tekton/schemas/task.schema.json

问题：“MCP服务器在Cursor中无法工作”

解决方案:

检查服务器是否手动启动：

pnpm agent mcp-server
# Should show: [MCP Server] Agent initialized and ready

验证光标配置（命令面板→ “MCP：显示MCP设置”）：

{
  "mcpServers": {
    "tekton-agent": {
      "command": "pnpm",
      "args": ["agent", "mcp-server"],
      "cwd": "/absolute/path/to/jmp-MCP-server"
    }
  }
}

在Cursor:命令面板中检查日志→ “MCP：显示MCP日志”

问题：“批处理速度慢”

原因：每个任务都需要LLM调用（如果启用）

解决方案:

# 1. Use deterministic rules only (fast)
unset OPENAI_API_KEY
pnpm agent batch ...

# 2. Process subset first
pnpm agent batch --tasks-dir ./high-priority --changes changes.json --out-dir ./updated

# 3. Adjust LLM timeout (future feature)

获取帮助

文档：参见 AGENT_GUIDE.md 了解架构细节
例子：检查 examples/ 目录
演示：运行 ./examples/agent-demo.sh
状态：使用 pnpm agent state --verbose 理解决策

快速参考卡

最常见的命令

# 1. Propose updates (safe, just shows what would change)
pnpm agent propose --task task.yaml --changes changes.json --out updated.yaml

# 2. Check risk level before applying
pnpm agent analyze --task task.yaml --changes changes.json

# 3. Let agent decide and apply if safe
pnpm agent auto-update --task task.yaml --changes changes.json --out task.yaml

# 4. Update multiple tasks at once
pnpm agent batch --tasks-dir ./tasks --changes changes.json --out-dir ./updated

# 5. Check what agent has learned
pnpm agent state --verbose

决策指南

你的目标	命令	阈值
只需查看拟议的更改	`propose`	无
检查更改是否安全	`analyze`	无
如果非常安全，则自动应用	`auto-update`	`0.5`
如果合理安全，则自动应用	`auto-update`	`0.7`
自动应用大多数更改	`auto-update`	`0.9`
处理许多任务	`batch`	无

环境设置

# Minimum required
export OPENAI_API_KEY="sk-..."

# Optional customization
export OPENAI_MODEL="gpt-4o-mini"           # or gpt-4, gpt-3.5-turbo
export AGENT_AUTO_APPLY_THRESHOLD="0.7"     # 0.0=cautious, 1.0=aggressive
export AGENT_STATE_DIR=".agent-state"       # where to store memory

运作原理

两阶段处理

该代理使用混合方法来实现最大的效率和智能：

第一阶段：确定性规则（快速）

无需LLM即可立即应用：

规则	触发器	动作
二级网络	提及“multus”、“NAD”、”二级网络“	添加 `secondaryNetworkNAD` param
文物出口	提及“工件”、“导出”、“结果”	添加 `artifactDigest` 结果
码头一体化	提及“quay.io”或“quay”	添加 `quayUrl` param

第二阶段：LLM分析（智能）

对于复杂的更改：

语义理解：解释自然语言描述
YAML生成：创建适当的Tekton结构
验证：确保符合Tekton模式
解释：为所有更改提供推理

影响评分算法

Score = base_risk + complexity_factor

Where:
  base_risk = 
    + 0.40 if security/serviceAccount changes
    + 0.30 if RBAC modifications
    + 0.20 if network/storage changes
    + 0.15 if resource limits affected
  
  complexity_factor =
    + 0.20 if description > 200 chars
    + 0.15 if num_changes > 5
    + 0.10 if multiple impact areas

Threshold:
  score = 0.7 → Require manual review (high risk)

高级用法

扩展代理

添加自定义推理策略 (src/agent/core.ts):

private async reasonCustom(observation: any, task: AgentTask): Promise {
  // Your logic here
  return {
    action: "custom-action",
    reasoning: "Why this action was chosen",
    confidence: 0.85,
    final: false
  };
}

添加自定义工作流 (src/agent/orchestrator.ts):

async customWorkflow(params: any): Promise {
  const task: AgentTask = {
    id: `custom-${Date.now()}`,
    type: "custom-type",
    data: params
  };
  await this.agent.run(task);
  return this.agent.getState();
}

添加MCP工具 (src/agent/mcp-server.ts):

{
  name: "custom_tool",
  description: "What it does",
  inputSchema: {
    type: "object",
    properties: {
      param: { type: "string" }
    }
  }
}

程序化API

使用您自己代码中的代理：

import { AgentOrchestrator } from 'ai-tekton-jumpstarter-agent';

const agent = new AgentOrchestrator({
  autoApplyThreshold: 0.7,
  stateDir: '.my-agent-state'
});

await agent.initialize();

// Propose updates
const yaml = await agent.proposeUpdateWorkflow(
  'path/to/task.yaml',
  'path/to/changes.json',
  'output.yaml'
);

// Analyze impact
const analysis = await agent.analyzeImpactWorkflow(
  'path/to/task.yaml',
  'path/to/changes.json'
);

console.log(`Impact: ${analysis.impactScore}`);
console.log(`Safe to apply: ${!analysis.requiresReview}`);

性能和限制

演出

确定性规则：每个任务\<100ms
LLM分析：每个任务2-5秒（取决于API延迟）
批量处理：LLM每项任务约3-5秒
内存使用：~50MB基本+每个内存条目的1KB

局限性

LLM必修：复杂推理需要OpenAI API（或兼容）
模式验证：仅验证Tekton v1任务（尚未验证管道）
顺序处理：批处理模式逐一处理任务
仅限英语：更改说明应使用英文，以获得最佳效果

路线图

\[\]支持Tekton管道（不仅仅是任务）
\[\]并行批处理
\[\]从用户更正中学习
\[\]Git存储库集成
\[\]对变更监控的Webhook支持
\[\]多语言支持
\[\]当地LLM支持（Ollama等）

常见问题解答

Q：我需要一个OpenAI API密钥吗？\ A：对于完整的功能，是的。但确定性规则在没有它的情况下是有效的。

Q：我可以使用其他LLM提供商吗？\ A：是的！集 OPENAI_BASE 任何与OpenAI兼容的端点（Azure、本地模型等）

Q：生产安全吗？\ A：是的！高风险变更始终需要人工审查。默认情况下，代理是保守的。

Q：它会自动修改我的文件吗？\ A：只有当你使用 auto-update 影响得分低于阈值。 propose 和 analyze 永远不要修改文件。

Q：如何重置代理的内存？\ A：删除状态目录： rm -rf .agent-state

Q：我可以在CI/CD中运行这个吗？\ A：当然！请参阅示例部分中的GitHub操作示例。

Q：如果代理人犯了错误怎么办？\ A：所有输出均根据Tekton模式进行验证。手动审查影响较大的更改。

贡献

我们欢迎捐款！需要帮助的领域：

新的确定性规则：为常见更改添加模式匹配
测试：帮助测试各种Tekton任务结构
文档：改进示例和指南
集成：添加对其他CI/CD系统的支持

看 AGENT_GUIDE.md 了解架构细节。

资源

文档

- 完整代理指南 -建筑深度挖掘 - 转换摘要 -我们如何建立代理

例子

- 互动演示 - 示例任务 - 高影响力变化

相关项目

- 泰克顿文件 - Jumpstarter项目 - MCP规范

许可证

看许可证文件以获取详细信息。

______________________________________________________________________

建于❤️ 为Tekton和Jumpstarter社区

有问题吗？检查故障排除部分或打开一个问题！

Jmp MCP Server

快速接入

详细介绍

Tekton Jumpstarter人工智能代理

📋 目录

它的作用

视觉概述

关键能力

快速开始

1.安装

2.运行第一次更新

3.检查代理人学到了什么

常见工作流

工作流程1：安全生产更新

工作流2：跨多个任务进行批量更新

工作流程3：持续集成

工作流程4：与人工智能助理（Cursor/Claude）合作

命令参考

pnpm agent propose

pnpm agent analyze

pnpm agent auto-update

pnpm agent batch

pnpm agent state

pnpm agent mcp-server

传统命令（向后兼容）

代理功能

🧠 智能决策

💾 记忆与学习

📦 批处理智能

⚡ 风险评估

MCP集成

使用光标进行设置

使用Claude Desktop进行设置

可用的MCP工具

MCP使用示例

配置

环境变量

配置文件（可选）

调整自动应用阈值

例子

示例1：低冲击变化（自动应用）

示例2：高影响变更（需要审查）

示例3：混合结果的批量更新

示例4:CI/CD集成

示例5：与自定义LLM端点一起使用

建筑

代理核心组件

决策流程

故障排除

问题：“未设置OPENAI_API_KEY”

问题：“代理人过于谨慎/过于激进”

问题：“代理人做出了错误的决定”

问题：“任务验证失败”

问题：“MCP服务器在Cursor中无法工作”

问题：“批处理速度慢”

获取帮助

快速参考卡

最常见的命令

决策指南

环境设置

运作原理

两阶段处理

第一阶段：确定性规则（快速）

第二阶段：LLM分析（智能）

影响评分算法

高级用法

扩展代理

程序化API

性能和限制

演出

局限性

路线图

常见问题解答

贡献

资源

许可证

目录标签

接入字段

权限和风险

来源信息

`pnpm agent propose`

`pnpm agent analyze`

`pnpm agent auto-update`

`pnpm agent batch`

`pnpm agent state`

`pnpm agent mcp-server`