MCP Openshift Installer Checker

OpenShift/Kubernetes安装程序检查器-MCP服务器

MCP（模型上下文协议）服务器，用于分析git存储库以提取应用程序安装需求，并根据OpenShift/Kubernetes集群对其进行验证。

特性

🔍 存储库分析

• Git仓库支持：从GitHub/GitLab存储库中获取README和部署文件
• YAML解析：从Helm图表、Kubernetes清单、ConfigMgr和CRD中提取资源需求
• 智能提取：标识CPU、内存、GPU、存储要求和节点选择器
• CRD检测：从部署清单中提取自定义资源定义要求

🖥️ 群集扫描

• 资源发现：扫描连接的OpenShift/Kubernetes集群以获取可用资源
• 节点分析：检测CPU、内存、GPU容量和可分配资源
• 当前使用情况跟踪：监控实时资源消耗（通过指标服务器）
• GPU模型检测：从节点标签中标识特定的GPU型号（A100、H100、MI250等）
• GPU内存检测：从节点标签中提取GPU VRAM（例如，A10G为24GB，A100为80GB）
• 目标扫描：优化扫描，只获取验证所需的资源（速度提高30-50%）
• 存储类：列出可用的存储类和默认配置
• 操作员检测：已安装操作员的扫描（OpenShift OLM）
• CRD库存：列出群集中的所有自定义资源定义

✅ 可行性检查

• 资源验证：将需求与群集容量进行比较
• GPU类验证：验证GPU模型/类，而不仅仅是数量

- 数据中心等级要求（A100、H100、H200、MI250等） - 特定型号匹配（例如“A100/L4”、“H100或更新型号”） - 拒绝满足数据中心要求的消费级GPU（RTX、GTX、T4）

• GPU内存验证：验证GPU VRAM要求（对LLM工作负载至关重要）

- 比较所需GPU内存与可用GPU内存（例如，24Gi与80GB A100） - GPU内存不足时清除错误消息

• CRD冲突检测：检查CRD名称冲突、API组不匹配以及版本兼容性
• 可用资源计算：使用当前使用情况来确定实际可用资源
• 信心评分：根据现有数据提供高/中/低置信度

🤖 MCP集成

• 克劳德代码：与Claude CLI无缝协作
• 光标：作为MCP工具集成在Cursor IDE中
• 多平台：支持GitHub和GitLab存储库

安装

1. 克隆此存储库：

git clone https://github.com/Hadar301/mcp-openshift-installer-checker.git
cd mcp-openshift-installer-checker

1. 使用安装依赖项 uv:

uv sync

1. （可选）设置GitHub/GitLab代币以避免速率限制：

cp .env.example .env
# Edit .env and add your tokens

1. （可选）登录您的OpenShift/Kubernetes集群以扫描功能：

# For OpenShift
oc login 

# For Kubernetes
kubectl config use-context 

先决条件

必需的

• Python 3.10+
• 紫外线 包管理器： pip install uv

可选（用于群集扫描）

• 欧西 （OpenShift命令行界面）或 kubectl 的 （Kubernetes命令行界面）
• 度量服务器 安装在群集中（用于当前使用情况跟踪）
• 活动群集连接(oc login 或 kubectl config use-context)

用法

作为MCP服务器（使用克劳德代码或游标）

配置Claude代码

首先，克隆存储库：

git clone https://github.com/Hadar301/mcp-openshift-installer-checker.git
cd mcp-openshift-installer-checker
uv sync

然后编辑 ~/.claude.json 并将MCP服务器配置添加到要使用它的项目中。例如，为您的主目录配置它(/Users/yourusername):

{
  "projects": {
    "/Users/yourusername": {
      "mcpServers": {
        "openshift-installer-checker": {
          "type": "stdio",
          "command": "uv",
          "args": [
            "--directory",
            "/path/to/mcp-openshift-installer-checker",
            "run",
            "python",
            "main.py"
          ],
          "env": {
            "GITHUB_TOKEN": ""
          }
        }
      }
    }
  }
}

备注:

• 替换 /Users/yourusername 使用您的实际主目录路径
• 替换 /path/to/mcp-openshift-installer-checker 使用克隆存储库的实际路径
• 替换 `` 使用您的GitHub个人访问令牌

然后使用克劳德代码：

claude chat

问克劳德：

• “我可以安装吗https://github.com/nvidia/NeMo-Microservices在我的集群上？"
• “检查https://github.com/kubeflow/kubeflow将适合我的集群”

配置光标

首先，克隆存储库：

git clone https://github.com/Hadar301/mcp-openshift-installer-checker.git
cd mcp-openshift-installer-checker
uv sync

然后编辑 ~/.cursor/mcp.json:

{
  "mcpServers": {
    "openshift-installer-checker": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/mcp-openshift-installer-checker",
        "run",
        "python",
        "main.py"
      ],
      "cwd": "/path/to/mcp-openshift-installer-checker",
      "env": {
        "GITHUB_TOKEN": ""
      }
    }
  }
}

备注：替换 /path/to/mcp-openshift-installer-checker 使用克隆存储库的实际路径，以及 `` 使用您的GitHub个人访问令牌。

然后在Cursor聊天中询问：“分析以下内容的安装要求https://github.com/your/repo并检查是否可以安装”

运作原理

第1阶段：存储库分析

1. URL解析：提取平台（GitHub/GitLab）、所有者和存储库名称
2. README获取：通过GitHub/GitLab API下载README.md
3. 部署文件发现：搜索常用路径(helm/, deploy/, k8s/, manifests/等等）
4. YAML解析：从Kubernetes清单中提取资源规范
5. CRD提取：标识要安装的自定义资源定义
6. 需求聚合：结合多个来源的要求

第2阶段：群集扫描（如果群集可用）

1. CLI检测：尝试 oc 第一个（OpenShift），回落到 kubectl
2. 目标扫描：仅根据需求获取所需资源（性能优化）
3. 节点扫描：收集容量、可分配资源、GPU型号和GPU内存
4. 使用情况跟踪：获取当前资源消耗（需要指标服务器）
5. 存储类：列出可用的存储资源（仅在需要存储时）
6. 软件清单：扫描已安装的操作员和CRD（仅在需要时）
7. 可用计算：计算可用资源（可分配-已使用）

第三阶段：可行性检查

1. 资源验证：将CPU、内存、GPU与群集容量进行比较
2. GPU模型验证：验证GPU类/型号要求

- 数据中心等级：A100、H100、H200、L4、L40、MI250、MI300等。 - 被拒绝的消费级GPU：T4、RTX、GTX、Quadro、Titan

1. GPU内存验证：验证GPU VRAM要求

- 将所需内存（例如24Gi、80GB）与可用GPU内存进行比较 - 对于LLM部署至关重要（Llama-70B需要80GB，DeepSeek-V3需要600GB+）

1. 存储验证：检查可用的存储类
2. CRD冲突检测：识别潜在的CRD冲突
3. 信心评分：根据可用数据分配置信度

第四阶段：LLM分析

返回结构化数据，供Claude/Cursor分析并呈现给用户

项目结构

mcp-openshift-installer-checker/
├── main.py                                    # MCP server entry point
├── .env.example                               # Example environment variables
├── pyproject.toml                             # Project dependencies (uv)
├── uv.lock                                    # Dependency lock file
├── LICENSE                                    # MIT license
├── README.md                                  # This file
├── src/
│   ├── __init__.py
│   ├── cluster_analyzer/
│   │   ├── scanner.py                        # Cluster resource scanner (with targeted scanning)
│   │   └── __init__.py
│   ├── cluster_checker/
│   │   ├── feasibility.py                    # Requirement validation (with GPU memory checks)
│   │   └── __init__.py
│   └── requirements_extractor/
│       ├── extractor.py                      # Main orchestrator
│       ├── git_handler.py                    # GitHub/GitLab API client
│       ├── __init__.py
│       ├── parser/
│       │   ├── yaml_parser.py               # YAML resource extraction
│       │   └── __init__.py
│       ├── models/
│       │   ├── requirements.py              # Pydantic data models
│       │   └── __init__.py
│       └── utils/
│           ├── resource_comparisons.py      # CPU/memory comparison utilities
│           └── __init__.py
└── test/
    ├── test_crd_detection.py                # CRD conflict detection tests
    ├── test_gpu_model_validation.py         # GPU model validation tests
    ├── test_command_injection_protection.py # Security tests
    ├── test_extraction.py                   # Requirement extraction tests
    ├── test_usage_tracking.py               # Resource usage tracking tests
    ├── failed_attempt.md                    # Test documentation
    └── successful_attempt.md                # Test documentation

Claude/Cursor查询示例

一旦配置为MCP服务器，您可以询问Claude或Cursor：

1. 基本分析:

- “有什么要求https://github.com/prometheus/prometheus?" - “分析硬件需求https://github.com/argoproj/argo-cd"

1. 可行性检查 （需要群集连接）：

- “我可以安装吗https://github.com/nvidia/NeMo-Microservices在我的集群上？" - “威尔https://github.com/kubeflow/kubeflow适合我的集群吗？" - “检查我的集群是否可以处理https://github.com/ray-project/kuberay"

1. GPU验证:

- “我的集群是否有合适的GPUhttps://github.com/vllm-project/vllm?" - “我可以使用当前的GPU设置运行此ML工作负载吗？”

1. CRD冲突检测:

- “安装此操作程序会与我现有的CRD冲突吗？” - “此应用程序将创建哪些CRD？”

Claude/Cursor将自动：

1. 打电话给 analyze_app_requirements 工具
2. 扫描连接的群集（如果可用）
3. 根据集群容量验证需求
4. 检查CRD冲突
5. 以清晰、格式化的输出呈现结果

扫描系统要求

群集访问

• 与OpenShift/Kubernetes集群的活动连接
• oc （OpenShift命令行界面）或 kubectl 已安装并位于PATH中
• 用户以读取权限登录

故障排除

群集不可用

如果群集扫描失败：

• 验证是否安装了CLI工具： oc version 或 kubectl version
• 检查群集连接： oc whoami 或 kubectl cluster-info
• 即使没有集群访问权限，该工具也可以继续用于存储库分析

度量服务器不可用

如果使用情况跟踪失败：

• 安装度量服务器： kubectl apply -f https://github.com/kubernetes-sigs/metrics-server/releases/latest/download/components.yaml
• 可行性检查退回到可分配资源（仍在运行）

未检测到GPU型号

如果GPU模型显示为空：

• 检查节点是否有GPU标签： kubectl get nodes -o json | jq '.items[].metadata.labels'
• GPU设备插件（NVIDIA、AMD）会自动添加这些标签
• 手动标签： kubectl label node nvidia.com/gpu.product=NVIDIA-A100-SXM4-40GB

MCP服务器未连接

1. 检查MCP配置文件路径是否正确
2. 验证 uv 已安装： uv --version
3. 尝试手动运行： uv run python main.py
4. 使用MCP检查器进行调试： npx @modelcontextprotocol/inspector uv run python main.py

贡献

欢迎投稿！该项目侧重于为DevOps自动化构建实用的MCP服务器。

开发设置

git clone https://github.com/Hadar301/mcp-openshift-installer-checker.git
cd mcp-openshift-installer-checker
uv sync

运行测试

# Test CRD detection
PYTHONPATH=. uv run python test/test_crd_detection.py

# Test GPU validation
PYTHONPATH=. uv run python test/test_gpu_model_validation.py

代码结构

• src/cluster_analyzer/ -具有目标优化的群集资源扫描
• src/cluster_checker/ -通过GPU内存检查进行可行性验证
• src/requirements_extractor/ -存储库分析和需求提取
• test/ -测试脚本
• main.py -MCP服务器入口点

许可证

麻省理工学院