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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00