argocd-mcp 的安装和配置教程
项目基础介绍
argocd-mcp 是一个实现了模型上下文协议(Model Context Protocol, MCP)的服务器,专门为 Argo CD 设计。它允许 AI 助手通过自然语言与 Argo CD 应用进行交互。此项目支持与 Visual Studio Code 和其他 MCP 客户端的无缝集成,通过标准输入输出(stdio)和 HTTP 流传输协议进行通信。该项目主要由 TypeScript 语言编写。
项目使用的关键技术和框架
本项目主要使用了以下技术和框架:
- Node.js:运行环境,用于执行后端服务。
- TypeScript:静态类型语言的超集,为 JavaScript 提供了类型系统和对 ES6 的支持。
- Model Context Protocol (MCP):允许客户端与 AI 助手进行交互的协议。
- Argo CD API:与 Argo CD 进行交互的接口。
安装和配置准备工作
在开始安装 argocd-mcp 之前,请确保您的系统中已经安装以下必要的软件:
- Node.js(推荐版本 v18 或更高)
pnpm包管理器(用于开发)- Argo CD 实例以及 API 访问权限
- Argo CD API 令牌(查看文档获取指令)
安装步骤
以下是详细的安装步骤:
-
克隆项目仓库
使用 Git 命令克隆项目仓库到本地:
git clone https://github.com/akuity/argocd-mcp.git cd argocd-mcp -
安装项目依赖
在项目根目录下,使用
pnpm安装项目依赖:pnpm install -
启动开发服务器
运行以下命令启动开发服务器,并开启热重载功能:
pnpm run dev -
配置 MCP 服务器
根据您使用的客户端(如 Cursor、VSCode 或 Claude Desktop),在项目根目录下创建相应的配置文件,并设置 Argo CD 的基础 URL 和 API 令牌。
-
对于 Cursor,创建
cursor/mcp.json文件:{ "mcpServers": { "argocd-mcp": { "command": "npx", "args": ["argocd-mcp@latest", "stdio"], "env": { "ARGOCD_BASE_URL": "<argocd_url>", "ARGOCD_API_TOKEN": "<argocd_token>" } } } } -
对于 VSCode,创建
.vscode/mcp.json文件:{ "servers": { "argocd-mcp-stdio": { "type": "stdio", "command": "npx", "args": ["argocd-mcp@latest", "stdio"], "env": { "ARGOCD_BASE_URL": "<argocd_url>", "ARGOCD_API_TOKEN": "<argocd_token>" } } } } -
对于 Claude Desktop,创建
claude_desktop_config.json文件:{ "mcpServers": { "argocd-mcp": { "command": "npx", "args": ["argocd-mcp@latest", "stdio"], "env": { "ARGOCD_BASE_URL": "<argocd_url>", "ARGOCD_API_TOKEN": "<argocd_token>" } } } }
替换
<argocd_url>和<argocd_token>为您的 Argo CD 实例的 URL 和 API 令牌。 -
-
使用自签名证书
如果您的 Argo CD 实例使用自签名证书或来自私有证书颁发机构的证书,您可能需要在配置中添加以下环境变量以禁用 TLS 证书验证:
"NODE_TLS_REJECT_UNAUTHORIZED": "0"注意:禁用 SSL 验证会降低安全性。仅在开发环境中使用此设置,或者当您了解安全影响时使用。
按照上述步骤操作后,您应该能够成功安装并配置 argocd-mcp,开始与 Argo CD 进行交互。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00