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

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
Schnellinstallation
Linux / macOS:
curl -fsSL https://raw.githubusercontent.com/aniongithub/devcontainer-mcp/main/install.sh | bashWindows (über WSL):
Invoke-RestMethod https://github.com/aniongithub/devcontainer-mcp/releases/latest/download/install.ps1 | Invoke-ExpressionDie 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
| Backend | Am besten geeignet für | Erfordert | Authentifizierung nötig? |
|---|---|---|---|
| devcontainer CLI | Lokales Docker — schnell und einfach | @devcontainers/cli + Docker | Nein |
| DevPod | Multi-Cloud: Docker, K8s, AWS, Azure, GCP | DevPod CLI | Optional |
| Codespaces | Von GitHub gehostete Cloud-Umgebungen | gh CLI | Ja |
Auth-Broker
Der Agent sieht niemals rohe Tokens. Stattdessen:
auth_status(provider)— verfügbare Konten und Bereiche auflistenauth_login(provider, scopes?)— Anmeldung starten, öffnet Browser, behandelt Gerätecodesauth_select(id)— aktives Konto wechselnauth_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..."
auth_status("github")→ wählt Konto auscodespaces_create(auth: "github-you", repo: "your/repo")codespaces_ssh(auth: "github-you", codespace: "...", command: "cargo build")- ✅ In der Cloud gebaut. Ihr Laptop hat nichts getan.
📖 Vollständige Quelle lesen: HN AI Agents
👀 Siehe auch

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.

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.

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.

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.