搞了两天，我把项目的部署流程彻底重构了。

用 Claude Code + 自定义 MCP Server 搭了一套自动化发版工具。以前手动部署一次至少 20 分钟——连服务器、拉代码、切分支、跑构建、重启服务、看日志确认启动成功。现在跟 Claude 说一句话，两分钟搞定。

这篇文章就记录一下我是怎么做的，踩了哪些坑，以及一些真实感受。

为啥要折腾这个

先交代一下背景。

我们项目用的是比较传统的部署方式：SSH 连到服务器 → git pull → docker-compose build → docker-compose up -d。每次发版都要重复这套流程，手速快也得十几分钟。

之前也想过上 CI/CD，但团队小，搞 Jenkins 太重量级，GitHub Actions 倒是轻量，可有些环境（内网服务器）不太好打通。

所以一直将就着。

直到上周我试了 Claude Code 的 MCP 能力——它允许你自己写工具函数，让 AI 直接调用。我突然意识到：部署这件事，完全可以交给 AI 来做。

第一步：写一个部署 MCP Server

Claude Code 的 MCP Server 可以用 Python 写，非常简单。核心就三步：

1. 定义一个 Server 实例
2. 用 @tool() 装饰器暴露工具
3. 启动 Server

我写了一个 deploy_mcp.py，专门处理部署相关操作：

import subprocess
import os
from mcp.server import Server

app = Server("deploy-tools")

@app.tool()
def deploy(env: str, branch: str = "main"):
    """部署指定分支到环境（staging / production）"""
    cmds = [
        f"cd /opt/project && git fetch origin",
        f"cd /opt/project && git checkout {branch}",
        f"cd /opt/project && git pull origin {branch}",
        f"cd /opt/project && docker-compose build",
        f"cd /opt/project && docker-compose up -d",
    ]
    for cmd in cmds:
        result = subprocess.run(cmd, shell=True, capture_output=True, text=True)
        if result.returncode != 0:
            return f"失败: {cmd}\n{result.stderr}"
    return f"✅ {env} 部署 {branch} 成功"

@app.tool()
def rollback(env: str, commits: int = 1):
    """回滚环境到前 N 个提交"""
    cmds = [
        f"cd /opt/project && git revert HEAD~{commits}..HEAD --no-edit",
        f"cd /opt/project && docker-compose build",
        f"cd /opt/project && docker-compose up -d",
    ]
    for cmd in cmds:
        # ... 省略同理
    
@app.tool()
def check_logs(env: str, lines: int = 50):
    """查看环境最近的日志"""
    result = subprocess.run(
        f"cd /opt/project && docker-compose logs --tail={lines}",
        shell=True, capture_output=True, text=True
    )
    return result.stdout[-3000:] if len(result.stdout) > 3000 else result.stdout

if __name__ == "__main__":
    app.run()

整个文件不到 80 行。

核心逻辑其实就是把之前手动敲的命令串起来，封装成函数，然后加个 @tool() 装饰器。Claude Code 会自动读取函数的签名和 docstring，理解每个工具能做什么、参数怎么传。

第二步：把 MCP Server 接入 Claude Code

服务端写好了，接下来要在 Claude Code 里注册。

在项目根目录创建 claude.json：

{
  "mcpServers": {
    "deploy": {
      "command": "python",
      "args": ["deploy_mcp.py"],
      "env": {
        "PYTHONUNBUFFERED": "1"
      }
    }
  }
}

注意这里用的是 command + args 的 stdio 模式，不是 SSE 模式。强烈建议用 stdio，后面会说原因。

配好之后，启动 Claude Code，输入：

检查一下生产环境的日志，看看最近有没有报错

Claude 会调用 check_logs 工具，返回日志内容。你甚至不需要告诉它用哪个工具——它会根据你的需求自动选择。

第三步：实战演示

配好之后，我的日常发版流程变成了这样：

我：把 main 分支部署到 staging，然后帮我看看日志

Claude Code 会依次调用 deploy("staging") 和 check_logs("staging")。

全程我只需要说一句话。它自己连服务器、拉代码、构建、部署、检查日志。如果有报错，它还会分析日志内容告诉我哪里有问题。

再比如回滚：

我：生产环境刚才那个版本好像有问题，回滚两个提交

Claude 调用 rollback("production", 2)。整个过程透明可见，每一步的输出都会显示在终端里。

说实话，第一次跑通的时候，我盯着终端看了好一会儿——不是代码写的多好，而是这种"动口不动手"的感觉，真的很爽。

踩坑记录

看着简单，但我搞了两天才完全跑通。下面是我踩的几个坑：

坑一：SSE 模式掉线

一开始我用的 SSE（Server-Sent Events）模式启动 MCP Server，结果 Claude Code 挂一会儿就报连接超时。

查了才知道，SSE 没有心跳机制。长时间没交互，连接就断了。生产环境请用 stdio 模式，Claude Code 会自己管理子进程的生命周期，比 SSE 稳定一百倍。

坑二：工具返回值别太长

我的 check_logs 一开始返回全部日志，结果有次日志 2 万多行，直接撑爆了 Claude 的上下文。

解决方案：返回值限制在 3000 字符以内，需要更多就分页。另外，返回值格式一定要用纯文本或简单的 JSON，别搞花里胡哨的格式，AI 解析起来也费 token。

坑三：权限管理

这个最容易被忽视。

MCP Server 跑在服务器上，能访问你的文件系统。我第一次直接把 / 目录暴露给了工具函数——AI 生成代码调我的工具时，差点把我家目录的文件全都列出来了。

安全原则：给 MCP 工具最小权限。 我的 deploy 工具只允许在 /opt/project 目录下操作，其他路径一律拒绝。

坑四：并发冲突

有次我和同事同时在 Claude Code 里调了部署工具，结果俩进程同时执行 docker-compose build，直接报锁冲突。

解决方法很简单：加一个文件锁，同一时间只允许一个部署操作。

import fcntl

lock_file = "/tmp/deploy.lock"
with open(lock_file, "w") as f:
    fcntl.flock(f, fcntl.LOCK_EX)
    # 执行部署操作

真实感受

这套方案跑了一周了，说几个最直接的感受：

**1. 发版不再是负担。**以前快到下班时间接到发版需求，心里就咯噔一下。现在一句话搞定，心态完全变了。

**2. 回滚勇气变大了。**以前回滚要手动操作，总担心搞错，所以"将就着用吧"。现在回滚也是一句话的事，发现问题果断回滚，线上稳定性反而提高了。

**3. 但别太信 AI。**有一次 Claude 调用 deploy 时，参数传错了环境名——我要部署到 staging，它给部署到 production 了。还好我当时盯着终端看到了输出，及时阻止了。

血的教训：生产环境操作，一定要人肉确认后再放行。 我后来加了一个工具叫 confirm_deploy，先确认目标环境，得到用户确认后才执行。

写在最后

MCP + Claude Code 这套组合，核心价值不是"让 AI 写代码"，而是让 AI 帮你干活。

代码生成只是冰山一角。当你的工具能操作数据库、管理部署、监控日志、甚至重启服务的时候，AI 就从"代码生成器"变成了"项目操盘手"。

这周我打算再写一个数据库运维 MCP 工具——让 AI 直接帮我查慢查询、看表结构、甚至做数据迁移。如果能搞定，那日常 80% 的重复操作都可以交给 AI 了。

有进展了我再来更新。

对了，如果你也在折腾 MCP，有什么好用的工具欢迎评论区交流。互相抄作业才是最快的进步方式。