devcontainer-mcp: Предоставьте ИИ-агентам собственную среду разработки, а не вашу

devcontainer-mcp — это MCP-сервер, который позволяет AI-агентам по написанию кода (Copilot, Claude, Cursor, любой MCP-клиент) создавать, управлять и работать внутри dev-контейнеров через три бэкенда: локальный Docker, DevPod и GitHub Codespaces. Агент собирает, тестирует и отправляет код в изолированном контейнере — ваш ноутбук остаётся чистым.
Проблема
Когда AI-агенты пишут код, они запускают его на вашей хост-машине, что приводит к:
- Загрязнению хост-системы — агенты устанавливают пакеты, изменяют PATH, оставляют артефакты сборки
- «Работает на моей машине» — агенты предполагают, что ваш локальный инструментарий совпадает с продакшеном
- Отсутствию изоляции — зависимости одного проекта ломают другой
- Риску безопасности — агенты выполняют произвольные команды с вашими привилегиями
- Ограничениям по железу — вы ограничены ресурсами вашей локальной машины
Решение
Спецификация devcontainer уже определяет воспроизводимые, контейнерные среды разработки. devcontainer-mcp предоставляет 45 MCP-инструментов (для аутентификации, CLI devcontainer, DevPod и бэкенда Codespaces), которые позволяют любому AI-агенту:
- Запустить dev-контейнер из любого репозитория — локально, на облачной виртуальной машине или в Codespaces
- Выполнять команды внутри контейнера — сборки, тесты, линтинг, что угодно
- Управлять жизненным циклом — остановить, перезапустить, удалить после завершения
- Аутентифицироваться в облачных провайдерах (GitHub, AWS, Azure, GCP) без необходимости видеть сырой токен
Быстрая установка
Linux / macOS:
curl -fsSL https://raw.githubusercontent.com/aniongithub/devcontainer-mcp/main/install.sh | bashWindows (через WSL):
Invoke-RestMethod https://github.com/aniongithub/devcontainer-mcp/releases/latest/download/install.ps1 | Invoke-ExpressionБинарный файл работает внутри WSL; MCP-клиенты в Windows запускают его через wsl ~/.local/bin/devcontainer-mcp serve. Требуется WSL 2.
CLI бэкендов (devpod, devcontainer, gh) определяются во время выполнения — если какой-то отсутствует, MCP-сервер возвращает полезную ошибку с инструкциями по установке. Бинарные файлы доступны для linux-x64, linux-arm64, darwin-x64, darwin-arm64.
Три бэкенда, один интерфейс
| Бэкенд | Подходит для | Требования | Нужна аутентификация? |
|---|---|---|---|
| devcontainer CLI | Локальный Docker — быстро, просто | @devcontainers/cli + Docker | Нет |
| DevPod | Мультиоблако: Docker, K8s, AWS, Azure, GCP | DevPod CLI | Опционально |
| Codespaces | Облачные среды, размещённые на GitHub | gh CLI | Да |
Аутентификационный брокер
Агент никогда не видит сырые токены. Вместо этого:
auth_status(provider)— список доступных аккаунтов и областейauth_login(provider, scopes?)— инициировать вход, открыть браузер, обработать коды устройствauth_select(id)— переключить активный аккаунтauth_logout(id)— отозвать учётные данные
Поддерживаемые провайдеры: GitHub, AWS, Azure, GCP, Kubernetes. Инструменты Codespaces требуют аутентификационный хэндл (например, github-aniongithub); MCP-сервер преобразует его в настоящий токен при каждом вызове через нативную связку ключей CLI.
Пример рабочего процесса
Агент: «Дай-ка я соберу этот проект...»
auth_status("github")→ выбирает аккаунтcodespaces_create(auth: "github-you", repo: "your/repo")codespaces_ssh(auth: "github-you", codespace: "...", command: "cargo build")- ✅ Собрано в облаке. Ваш ноутбук ничего не делал.
📖 Читать полный исходник: HN AI Agents
👀 Смотрите также

SuperContext: Фреймворк постоянной памяти для AI-агентов программирования
SuperContext — это фреймворк с открытым исходным кодом, который предоставляет инструментам ИИ для программирования, таким как Claude, постоянную память через структурированные, целевые файлы вместо больших инструкций. Он включает исполняемый промпт, который собирает систему примерно за 10 минут без ручной настройки.

Перекрестная модель цикла проверки для AI-агентов программирования выявляет критические недостатки планирования.
Разработчик создал систему кросс-модельного ревью, в которой вторая модель ИИ проверяет планы от кодирующих агентов перед выполнением, выявляя критические недостатки, такие как сбои отката и уязвимости безопасности. Инструмент имеет лицензию MIT и включает TUI-панель управления.

Три репозитория для разработки RAG и AI-агентов
В посте на Reddit выделены три репозитория для разработчиков, работающих с RAG и AI-агентами: memvid для памяти агентов, llama_index для RAG-пайплайнов и Continue для ассистентов программирования. Автор отмечает, что чистый RAG лучше всего подходит для извлечения знаний, в то время как системы памяти лучше для агентов, а гибридные подходы часто используются в реальных инструментах.

LetMeWatch: Python-плагин добавляет анализ видео в Claude через обнаружение сцен с помощью FFmpeg
Разработчик создал плагин на Python под названием LetMeWatch, который позволяет Клоду анализировать видео, используя FFmpeg для обнаружения сцен, извлекая только кадры, где меняется изображение, добавляя к ним временные метки и передавая их партиями в мультимодальное зрение Клода.