oeDeploy 专题3：基于 MCP 的软件部署效率提升
在前几期专题中，我们介绍了 oeDeploy 的两个应用案例（专题 1，专题 2），oeDeploy 可帮助开发者快速完成软件部署与开发环境搭建。
随着大模型的快速发展以及近期 MCP 协议的兴起，我们的开发模式正迅速向自动化、智能化演进。
本期专题，我们将演示如何结合 oeDeploy 与 MCP，进一步提升开发者的安装部署效率。
配置 oeDeploy MCP Server
MCP 全称为模型上下文协议（Model Context Protocol，MCP），用于实现大语言模型（LLM）与外部数据源及工具链之间的连接。
这就像 LLM 这个聪明的大脑，通过 MCP 这双灵活的手，能够处理更多复杂的任务。而 oeDeploy 就是这双手所使用的工具套件，使 LLM 能够更高效地协助用户解决安装与部署问题。
在本示例中，我们使用 VS Code 上的开源工具 Roo Code 作为交互界面，开发环境为 OpenAtom openEuler（简称 openEuler）24.03 LTS。
步骤 1：配置大模型 API
从 DeepSeek 官网或其他大模型服务提供商获取 API 密钥，并在 Roo Code 的设置页面中完成配置。配置完成后，可通过简单对话测试 API 是否正常工作。
步骤 2：准备 oeDeploy MCP 环境
从 oeDeploy 代码仓库下载 MCP Server 相关文件，并保存至自定义路径，例如 ~/.oedp/mcp/。
mkdir -p ~/.oedp/mcp/
git clone https://gitee.com/openeuler/oeDeploy.git
cp oeDeploy/doc/DevelopGuide.md ~/.oedp/mcp/
cp oeDeploy/oedp-mcp/mcp-oedp.py ~/.oedp/mcp/
cp oeDeploy/oedp-mcp/mcp-make-oedp-plugin.py ~/.oedp/mcp/
安装 Python 依赖。当前示例使用 pip 安装至系统 Python 环境，但更推荐使用 uv 在虚拟环境中安装。
pip install pydantic mcp --trusted-host mirrors.huaweicloud.com -i https://mirrors.huaweicloud.com/repository/pypi/simple
步骤 3：启动 MCP Server
在 Roo Code 的 MCP 配置页面中，点击【编辑项目配置】，添加以下 JSON 配置：
{
"mcpServers": {
"mcp-oedp": {
"command": "python3",
"args": [".oedp/mcp/mcp-oedp.py"],
"disabled": false,
"alwaysAllow": []
},
"mcp-make-oedp-plugin": {
"command": "python3",
"args": [".oedp/mcp/mcp-make-oedp-plugin.py"],
"disabled": false,
"alwaysAllow": []
}
}
}
若配置成功，可在 MCP 列表中看到两个新增的 MCP Server，且状态指示灯显示为绿色。
其中：
mcp-oedp提供 oeDeploy 基础命令的 MCP 调用能力；mcp-make-oedp-plugin可帮助用户自动生成一个自定义的 oeDeploy 插件。
★
请根据实际情况调整 Python 脚本路径。若 MCP Server 状态异常，请根据提示信息检查 Python 依赖是否满足。
用自然语言完成 Kubernetes 集群部署
接下来，我们将通过对话方式，让 LLM 借助 oeDeploy 插件能力，快速完成 Kubernetes 集群的部署。
在 Roo Code 的对话窗口中输入以下指令：
用oeDeploy一键部署kubernetes
master节点ip为192.168.0.36，root密码为xxxxxxx，架构为amd64，oe版本为24.03-LTS
第1个worker节点ip为192.168.0.209，root密码为xxxxxxx，架构为amd64，oe版本为24.03-LTS
第2个worker节点ip为192.168.0.166，root密码为xxxxxxx，架构为amd64，oe版本为24.03-LTS
LLM 将自动选择合适的 MCP Server，完成对应 oeDeploy 部署插件的下载、初始化、参数配置，并执行一键部署。
根据用户描述，LLM 会自动调整 Kubernetes 部署相关的配置参数。
随后，LLM 将自动生成 oeDeploy 部署命令行，用户确认后在本地执行，即可完成一键部署。
整个过程仅耗时约 5 分钟，即可在本地快速搭建起一个 Kubernetes 环境，且用户几乎无需了解 oeDeploy 或 Kubernetes 的底层知识，使用门槛极低。
仅需 3 分钟，将文档转换为新的安装部署插件
接下来，我们希望在已部署的 Kubernetes 集群上部署一个 PyTorch 开发环境。
我们找到一篇符合要求的部署文档，其方案是通过 kubectl apply 方式启动 PyTorch 镜像。
与以往的手动操作不同，我们直接将该文档交给 LLM，输入以下指令，让 AI 自动为我们开发一个 oeDeploy 部署插件：
在~/.oedp/目录下开发一个oeDeploy插件pytorch。
说明：
1. oeDeploy插件配置文件中仅配置单个节点，IP为127.0.0.1，用户名root，密码xxxxxx@123
2. 当用户执行install操作时，根据文档 @/auto-pytorch.md 执行部署操作
3. 端口号、镜像地址等参数在oeDeploy插件配置文件中可以配置
在 MCP Server 的引导下，LLM 将自动阅读 oeDeploy 开发文档，并根据用户需求完成插件开发。整个过程仅需 3 分钟，用户无需熟悉 oeDeploy 的规则，即可快速创建属于自己的部署插件。
最后，我们再次使用自然语言指令，快速完成 PyTorch 开发环境的部署。
结语
在上述示例中，MCP 与 oeDeploy 的结合显著提升了软件部署效率，使开发流程更加高效、智能。
欢迎访问 oeDeploy 代码仓，探索更多有趣的应用场景。
oeDeploy 代码仓：https://gitee.com/openeuler/oeDeploy