devcontainer-mcp: Gib KI-Agenten ihre eigene Entwicklungsumgebung, nicht deine

✍️ OpenClawRadar📅 Veröffentlicht: 10. Mai 2026🔗 Source
devcontainer-mcp: Gib KI-Agenten ihre eigene Entwicklungsumgebung, nicht deine
Ad

devcontainer-mcp ist ein MCP-Server, der KI-Codierungsagenten (Copilot, Claude, Cursor, jeder MCP-Client) ermöglicht, Dev-Container über drei Backends zu erstellen, zu verwalten und darin zu arbeiten: lokales Docker, DevPod und GitHub Codespaces. Der Agent erstellt, testet und liefert Code in einem isolierten Container – Ihr Laptop bleibt sauber.

Das Problem

Wenn KI-Agenten Code schreiben, führen sie ihn auf Ihrem Host-Rechner aus, was zu Folgendem führt:

  • Kontamination des Hosts — Agenten installieren Pakete, ändern PATH, hinterlassen Build-Artefakte
  • "Funktioniert auf meinem Rechner" — Agenten gehen davon aus, dass Ihre lokale Toolchain der Produktion entspricht
  • Keine Isolation — Abhängigkeiten eines Projekts beeinträchtigen ein anderes
  • Sicherheitsrisiko — Agenten führen mit Ihren Benutzerrechten beliebige Befehle aus
  • Hardware-Einschränkungen — Sie sind auf die Ressourcen Ihres lokalen Rechners beschränkt

Die Lösung

Die Devcontainer-Spezifikation definiert bereits reproduzierbare, containerbasierte Entwicklungsumgebungen. devcontainer-mcp stellt 45 MCP-Tools (über die Backends Auth, devcontainer CLI, DevPod und Codespaces) bereit, mit denen jeder KI-Agent:

  • Einen Dev-Container aus einem beliebigen Repository starten kann – lokal, auf einer Cloud-VM oder in Codespaces
  • Befehle innerhalb des Containers ausführen kann – Builds, Tests, Linting, alles
  • Den Lebenszyklus verwalten kann – stoppen, neu starten, löschen, wenn erledigt
  • Sich bei Cloud-Anbietern (GitHub, AWS, Azure, GCP) authentifizieren kann, ohne jemals ein rohes Token zu sehen
Ad

Schnellinstallation

Linux / macOS:

curl -fsSL https://raw.githubusercontent.com/aniongithub/devcontainer-mcp/main/install.sh | bash

Windows (über WSL):

Invoke-RestMethod https://github.com/aniongithub/devcontainer-mcp/releases/latest/download/install.ps1 | Invoke-Expression

Die Binärdatei läuft in WSL; MCP-Clients unter Windows starten sie über wsl ~/.local/bin/devcontainer-mcp serve. WSL 2 wird benötigt.

Backend-CLIs (devpod, devcontainer, gh) werden zur Laufzeit erkannt – fehlt eine, gibt der MCP-Server eine hilfreiche Fehlermeldung mit Installationsanweisungen zurück. Binärdateien verfügbar für linux-x64, linux-arm64, darwin-x64, darwin-arm64.

Drei Backends, eine Schnittstelle

BackendAm besten geeignet fürErfordertAuthentifizierung nötig?
devcontainer CLILokales Docker — schnell und einfach@devcontainers/cli + DockerNein
DevPodMulti-Cloud: Docker, K8s, AWS, Azure, GCPDevPod CLIOptional
CodespacesVon GitHub gehostete Cloud-Umgebungengh CLIJa

Auth-Broker

Der Agent sieht niemals rohe Tokens. Stattdessen:

  • auth_status(provider) — verfügbare Konten und Bereiche auflisten
  • auth_login(provider, scopes?) — Anmeldung starten, öffnet Browser, behandelt Gerätecodes
  • auth_select(id) — aktives Konto wechseln
  • auth_logout(id) — Anmeldeinformationen widerrufen

Unterstützte Anbieter: GitHub, AWS, Azure, GCP, Kubernetes. Codespaces-Tools benötigen ein Auth-Handle (z.B. github-aniongithub); der MCP-Server löst es bei jedem Aufruf über den nativen Schlüsselbund der CLI in das echte Token auf.

Beispiel-Workflow

Agent: "Lass mich dieses Projekt bauen..."

  1. auth_status("github") → wählt Konto aus
  2. codespaces_create(auth: "github-you", repo: "your/repo")
  3. codespaces_ssh(auth: "github-you", codespace: "...", command: "cargo build")
  4. ✅ In der Cloud gebaut. Ihr Laptop hat nichts getan.

📖 Vollständige Quelle lesen: HN AI Agents

Ad

👀 Siehe auch

Ausführen von NemoClaw mit lokalem vLLM: Setup-Notizen und Beobachtungen zum Agent-Engineering
Werkzeuge

Ausführen von NemoClaw mit lokalem vLLM: Setup-Notizen und Beobachtungen zum Agent-Engineering

Ein Entwickler dokumentierte die Ausführung von NVIDIAs sandboxed AI-Agentenplattform NemoClaw mit einem lokalen Nemotron 9B v2-Modell über vLLM auf WSL2. Zu den wichtigsten Erkenntnissen gehören Details zum Inferenz-Routing, Kompatibilitätsprobleme mit Parsern und Beobachtungen zur Kluft in der Agentenentwicklung.

OpenClawRadar
Reverse Engineering des Apple Neural Engine für das Training von MicroGPT-Modellen
Werkzeuge

Reverse Engineering des Apple Neural Engine für das Training von MicroGPT-Modellen

Ein Entwickler hat Apples private APIs des Neural Engine reverse-engineered, um eine Trainingspipeline für ein 110M-Parameter-MicroGPT-Modell zu erstellen, das auf M4-Mac-Hardware eine Leistungseffizienz von 6,6 TFLOPs/Watt erreicht.

OpenClawRadar
Screenbox: Open-Source-Virtuelle Desktops für KI-Agenten, vollständig per Sprache erstellt
Werkzeuge

Screenbox: Open-Source-Virtuelle Desktops für KI-Agenten, vollständig per Sprache erstellt

Screenbox bietet isolierte Linux-Desktops in Docker für KI-Agenten und löst Konflikte, wenn mehrere Agenten parallel laufen. Das Projekt wurde vollständig mit Sprachbefehlen über Claude Code erstellt, und der Ersteller hat keine einzige Codezeile gesehen.

OpenClawRadar
SkyClaw: Rust-basierte Laufzeitumgebung für autonome KI-Agenten
Werkzeuge

SkyClaw: Rust-basierte Laufzeitumgebung für autonome KI-Agenten

SkyClaw ist eine autonome KI-Agenten-Laufzeitumgebung, die in Rust entwickelt wurde, mit einer 7,1 MB großen Binärdatei, die im Leerlauf 14 MB RAM belegt und in weniger als einer Sekunde startet. Sie arbeitet nach fünf technischen Prinzipien, darunter Autonomie, Robustheit und brutale Effizienz.

OpenClawRadar