赋予你的 AI 超级能力：使用 uv-mcp 管理 Python 环境

Source: Dev.to

如果你已经编码 Python 超过一周，你一定深有体会：虚拟环境、requirements.txt 与 pyproject.toml 的选择、依赖冲突，以及经典的“在我的机器上可以运行”。

我们常常求助于 AI 助手（Claude、Gemini、ChatGPT）来调试这些问题：粘贴错误日志，得到一个建议的命令，复制‑粘贴到终端，失败，重复。

如果你的 AI 能直接为你修复环境呢？

什么是 uv-mcp？

uv-mcp 是一个 MCP（模型上下文协议）服务器，封装了 uv——Astral 的超高速 Python 包管理器的功能。通过运行此服务器，你让 AI 代理直接访问可以检查、诊断和修复 Python 开发环境的工具。AI 不再只是告诉你该输入什么，而是能够执行必要的 uv 命令，让你的项目跑起来。

为什么需要它

我们正从“聊天机器人”转向“代理”。聊天机器人提供建议；代理会采取行动。uv-mcp 把你的 AI 变成了一个 Python DevOps 代理。

1. “医生”检查

diagnose_environment 工具对你的项目进行全面健康检查，检查内容包括：

• 项目结构（pyproject.toml、requirements.txt）
• 虚拟环境状态
• 依赖健康状况和版本冲突
• 锁文件是否存在

示例交互

• 你： “为什么我的项目跑不起来？”
• AI（使用工具）： “我发现你缺少虚拟环境，而且 pyproject.toml 不同步。要我帮你修复吗？”

2. “自动修复”按钮

repair_environment 工具可以自动：

• 在缺失时创建虚拟环境
• 为新项目初始化 pyproject.toml
• 从锁文件同步依赖
• 更新过时的包

示例交互

• 你： “好的，请修复它。”
• AI（使用工具）： 执行修复序列… “完成！我已经创建了虚拟环境并同步了依赖。你可以开始编码了。”

3. 依赖管理

需要添加包？再也不必记住开发依赖或可选分组的标志。

示例交互

• 你： “把 pytest 和 black 安装为开发依赖。”
• AI（使用工具）： 调用 add_dependency(package="pytest", dev=True) …

入门指南

因为它使用标准的 模型上下文协议，所以可以与任何符合 MCP 的客户端配合使用（例如 Gemini CLI 或 Claude Desktop）。

选项 1：Gemini CLI（最简单）

如果你使用 Gemini CLI，只需一条命令安装扩展：

gemini extensions install https://github.com/saadmanrafat/uv-mcp

选项 2：Claude Desktop

在你的 claude_desktop_config.json 中配置 Claude Desktop：

{
  "mcpServers": {
    "uv-mcp": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/cloned/uv-mcp",
        "run",
        "uv-mcp"
      ]
    }
  }
}

（注意：此方法需要你先在本地克隆仓库。）

示例工作流

安装了 uv-mcp 后的典型对话可能是这样：

• 用户： “我想在这个文件夹里开始一个新的数据科学项目。”
• AI： “我来帮你设置。”
  • 调用 diagnose_environment → “检测到空文件夹。”
  • 调用 repair_environment → 创建 pyproject.toml 和 .venv。
  • 调用 add_dependency("pandas")。
  • 调用 add_dependency("jupyter", dev=True)。
• AI： “项目已初始化！我已经搭建好环境并安装了 Pandas 和 Jupyter。”

试一试

复制‑粘贴终端命令的时代即将结束。让你的 AI 处理环境，你就可以专注于代码本身。

查看仓库：github.com/saadmanrafat/uv-mcp

如果觉得有用，请点个星星，祝编码愉快！