DevEnvInfoServer - 用于开发环境信息的 Cursor MCP 服务器
该项目实现了一个 Cursor 模型上下文协议 (MCP) 服务器，该服务器可向 Cursor 代码编辑器提供有关您的开发环境的详细信息。通过利用此服务器，Cursor 的智能代理可以更深入地了解您的系统配置、已安装的工具和正在运行的进程，从而提供更具上下文感知能力且更实用的帮助。
特征
此 MCP 服务器提供有关您的开发环境的以下信息类别：
系统信息：
操作系统版本和平台详细信息
硬件详细信息（处理器、机器、系统架构）
Python 版本和位置
已安装的软件包管理器（brew、npm、pip、yarn、uv、conda）及其版本
虚拟环境信息（检测环境和活动环境）
系统区域设置和时区
前 20 个环境变量
可用的 Shell（bash、zsh、fish、sh、powershell、cmd.exe）
简化的防火墙和网络配置（取决于操作系统）
开发环境详细信息：
已安装的编译器和解释器（gcc、clang、javac、node、ruby、perl、php、ghc、rustc、go）
Jupyter 内核和运行容器（Docker、Podman）
虚拟机（Hyper-V、VMware、VirtualBox）
GPU 和 CUDA 信息（NVIDIA GPU 和 CUDA 编译器版本）
顶级运行开发流程和服务
Python特定信息：
已安装的 Python 包（pip、conda、poetry、pyenv）
Python 站点包位置
活跃的 Python 环境
包管理器详细信息：
Homebrew 安装的软件包（macOS 和 Linux）
全局包（npm、yarn、Rust 工具链、Go 环境）
配置和点文件：
Shell 配置文件（.bashrc、.zshrc、.profile、.bash_profile、.config/fish/config.fish）
Git、NPM 和编辑器配置（VSCode、JetBrains、Neovim）
Shell 别名、函数和自定义脚本（来自 Shell 配置文件）
已安装的应用程序：
已安装的 IDE 和扩展（VSCode、JetBrains、Vim、Emacs）
系统安装的应用程序（简化列表）
系统和硬件性能（简化指标）：
CPU 平均负载
电池和电源管理配置
温度传感器和风扇速度
网络和安全（简化）：
运行网络服务并打开端口
VPN 和代理设置
SSH 密钥和活动连接
简化的防火墙日志和规则
容器化和虚拟化：
WSL（适用于 Linux 的 Windows 子系统）
Docker 和 Kubernetes（kubectl）
流浪汉
虚拟机（Hyper-V、VMware、VirtualBox）
开发工具和语言：
已安装的开发语言（Rust、Node.js、Perl、Ruby、PHP、Haskell）
版本管理工具（nvm、rbenv、rustup、pyenv）
调试和性能监控：
平均负载、内存使用率、IO 瓶颈、GPU 利用率
可用的调试器工具（lldb、gdb、strace、dtrace）
版本控制和 CI/CD：
Git 配置和远程来源
CI/CD 管道配置文件（常见类型）
云和远程开发：
SSH 配置和活动远程会话
云 SDK（AWS、GCP、Azure、DigitalOcean）
远程代码执行环境（GitHub Codespaces、Gitpod）
代码执行和调试：
活动调试器会话（基本检查）
已安装的调试工具（lldb、gdb、xdebug、pdb）
构建系统和依赖管理：
已安装的构建工具（Make、CMake、Bazel、Ninja）
检测到的依赖文件（requirements.txt、package.json、Cargo.toml 等）
已安装的编译器（gcc、clang、javac）
基础设施和 DevOps 工具：
本地 Kubernetes 配置
DevOps 工具（Terraform、Pulumi）
本地数据库和正在运行的服务（常见数据库服务的简化检查）
测试和质量保证：
安装的测试框架（pytest、Jest、Mocha）
代码检查器和格式化程序（flake8、pylint、eslint、prettier）
机器学习和人工智能开发：
GPU 和 CUDA 信息
PyTorch 和 TensorFlow 状态（安装和 GPU 可用性）
嵌入式开发/物联网：
已安装嵌入式 SDK（Arduino、ESP-IDF、Raspberry Pi 工具）
连接的设备和串行端口（串行端口简化列表）
生产力和工作流程增强：
Shell 别名、函数和自定义脚本
Shell 历史记录分析（基本 - 最后 20 行历史记录）
后台自动化和任务调度（简化 cron/计划任务的检查）
Related MCP server: MCP Server Template for Cursor IDE
工作原理
该服务器使用模型上下文协议（MCP）构建，其运行方式如下：
**MCP 协议：**它实现了 MCP 服务器协议，允许 Cursor 与其通信以发现和利用其功能。
**Stdio Transport：**服务器使用
stdio传输，这意味着它通过标准输入和输出流与 Cursor 通信。**信息收集：**当 Cursor 的代理请求信息时，该服务器会执行各种系统命令（使用
subprocess）和 Python 库（platform、os、sys、psutil、pyserial等）来收集有关您的开发环境的数据。**基于工具的访问：**每个信息类别都以工具的形式在 MCP 服务器中公开。Cursor 的代理可以调用这些工具来检索特定的信息。
**Markdown 输出（可选）：**服务器可以选择生成一个 Markdown 文件（
development_environment_info.md），其中包含所有收集到的信息，以便于审查和调试。Cursor 集成： Cursor 作为 MCP 客户端，可以连接到此服务器并自动利用提供的工具来增强其对您的开发环境的理解。
安装
要安装并运行此 MCP 服务器，请按照以下步骤操作：
克隆存储库：
git clone https://github.com/carterlasalle/system_information_mcp.git cd system_information_mcp创建 Python 虚拟环境（推荐）：
python -m venv venv激活虚拟环境：
在 Linux/macOS 上：
source venv/bin/activate在 Windows 上：
venv\Scripts\activate
安装依赖项：
pip install -r requirements.txt
光标配置
要将此 MCP 服务器连接到 Cursor，您需要在 Cursor 的设置中进行配置：
**打开光标设置：**转到
Cursor Settings>Features>MCP。**添加新的 MCP 服务器：**单击
+ Add New MCP Server按钮。**配置服务器：**在表格中填写以下详细信息：
类型：
stdio名称：
DevEnvInfoServer（或您喜欢的任何名称）**命令：**输入运行服务器的命令。如果您在
system_information_mcp目录中，并且已经激活了虚拟环境，则可以使用：python claudemcp.py**注意：**如果
python不在系统的 PATH 中，或者你正在使用特定的 Python 可执行文件，则可能需要提供 Python 解释器的完整路径，后跟claudemcp.py的路径。例如：/path/to/your/python venv/bin/python claudemcp.py
**添加服务器：**点击“添加服务器”按钮。
**刷新工具列表（可选）：**您可能需要手动按下 Cursor 中 MCP 服务器列表右上角的刷新按钮来填充工具列表。
服务器DevEnvInfoServer现在应该出现在 Cursor 中的 MCP 服务器列表中，并且其工具应该可供 Composer 中的代理使用。
游标中的用法
配置完成后，当 Cursor 的代理认为DevEnvInfoServer提供的工具与您的请求相关时，它将自动利用这些工具。
**自动工具使用：**当您在 Composer 中与 Cursor 代理交互时，它会智能地判断是否需要有关您的开发环境的信息来回答您的问题或满足您的请求。如果需要，它将在后台自动使用此服务器提供的工具。
**有意提示工具：**您还可以通过在提示中引用名称或描述来明确指示代理使用这些工具。例如，您可以询问：
“我当前的环境中安装了哪些 Python 包？”
“使用 DevEnvInfoServer 工具列出我的系统上可用的 shell。”
**工具批准：**默认情况下，Cursor 在执行任何 MCP 工具之前都会请求您的批准。您可以在批准之前查看工具调用参数。
**YOLO 模式（可选）：**如果您希望自动执行工具而无需审批提示，可以在 Cursor 的 MCP 设置中启用“YOLO 模式”。请谨慎使用此模式，因为它允许自动执行 MCP 工具。
Cursor 将直接在聊天中显示来自DevEnvInfoServer工具的响应，为您提供所请求的开发环境信息。