containerize-mcp-server
Acerca de
Esta habilidad permite a los desarrolladores contenerizar servidores MCP basados en R utilizando Docker, eliminando la necesidad de instalaciones locales de R. Cubre la integración de mcptools, configuración de transporte (stdio/HTTP) y conexión de Claude Code al servidor contenerizado. Úsela para implementaciones reproducibles, ejecución junto a otros servicios contenerizados o distribución de servidores MCP a otros desarrolladores.
Instalación rápida
Claude Code
Recomendadonpx skills add pjt222/agent-almanac -a claude-code/plugin add https://github.com/pjt222/agent-almanacgit clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/containerize-mcp-serverCopia y pega este comando en Claude Code para instalar esta habilidad
Documentación
容器化 MCP 伺服器
將 R MCP 伺服器包入 Docker 容器以便可攜部署。
適用時機
- 部署 R MCP 伺服器而無需本地 R 裝
- 建可重現之 MCP 伺服器環境
- 令 MCP 伺服器與他容器化服務並行
- 分發 MCP 伺服器予他開發者
輸入
- 必要:R MCP 伺服器實作(以 mcptools 或自訂)
- 必要:Docker 已裝且運行
- 選擇性:伺服器需之額外 R 包
- 選擇性:傳輸模式(stdio 或 HTTP)
步驟
步驟一:建 MCP 伺服器之 Dockerfile
FROM rocker/r-ver:4.5.0
# Install system dependencies
RUN apt-get update && apt-get install -y \
libcurl4-openssl-dev \
libssl-dev \
libxml2-dev \
libgit2-dev \
libssh2-1-dev \
git \
curl \
&& rm -rf /var/lib/apt/lists/*
# Install R packages
RUN R -e "install.packages(c( \
'remotes', \
'ellmer' \
), repos='https://cloud.r-project.org/')"
# Install mcptools
RUN R -e "remotes::install_github('posit-dev/mcptools')"
# Set working directory
WORKDIR /workspace
# Expose MCP server ports
EXPOSE 3000 3001 3002
# Environment variables
ENV R_LIBS_USER=/workspace/renv/library
ENV RENV_PATHS_CACHE=/workspace/renv/cache
# Default: start MCP server
CMD ["R", "-e", "mcptools::mcp_server()"]
預期: 項目根有 Dockerfile 含 rocker/r-ver 基底鏡、系統依賴、mcptools 之裝、MCP 伺服器為預命令。
失敗時: 驗基底鏡標合你之 R 版本。若 remotes::install_github 敗,查 git 與 libgit2-dev 於系統依賴層中。
步驟二:建 docker-compose.yml
version: '3.8'
services:
mcp-server:
build:
context: .
dockerfile: Dockerfile
container_name: r-mcp-server
image: r-mcp-server:latest
volumes:
- /path/to/projects:/workspace
- renv-cache:/workspace/renv/cache
stdin_open: true
tty: true
network_mode: "host"
environment:
- TERM=xterm-256color
- R_LIBS_USER=/workspace/renv/library
restart: unless-stopped
volumes:
renv-cache:
driver: local
用 network_mode: "host" 確 MCP 伺服器 port 於 localhost 可達。
預期: 項目根有 docker-compose.yml 含 MCP 伺服器服務、項目檔與 renv 快取之 volume 掛、為 stdio 傳輸而啟之 stdin_open/tty。
失敗時: 若 volume 路徑無效,將 /path/to/projects 調為實項目目錄。Windows/WSL 用 /mnt/c/... 或 /mnt/d/... 路徑。
步驟三:建並啟
docker compose build
docker compose up -d
預期: 容器啟含 MCP 伺服器運行。
失敗時: 以 docker compose logs mcp-server 查日誌。常見:
- 缺 R 包:加至 Dockerfile RUN install 步
- Port 已用:換 port 或止衝突之服務
步驟四:將 Claude Code 連至容器
stdio 傳輸(容器須保運行含 stdin):
claude mcp add r-mcp-docker stdio "docker" "exec" "-i" "r-mcp-server" "R" "-e" "mcptools::mcp_server()"
HTTP 傳輸(若 MCP 伺服器支):
{
"mcpServers": {
"r-mcp-docker": {
"type": "http",
"url": "http://localhost:3000/mcp"
}
}
}
預期: Claude Code 之 MCP 配置含 r-mcp-docker 伺服器項,claude mcp list 顯新伺服器。
失敗時: stdio 則確容器名合(r-mcp-server)且容器以 docker ps 顯運行。HTTP 則驗 port 暴且以 curl http://localhost:3000/mcp 可達。
步驟五:驗連接
# Check container is running
docker ps | grep mcp-server
# Test R session inside container
docker exec -it r-mcp-server R -e "sessionInfo()"
# Verify mcptools is available
docker exec -it r-mcp-server R -e "library(mcptools)"
預期: docker ps 顯 r-mcp-server 容器運行,sessionInfo() 返預期 R 版本,library(mcptools) 無誤載入。
失敗時: 若容器不運,以 docker compose logs mcp-server 查啟動錯。若 mcptools 載失,重建鏡以確包正確裝。
步驟六:加自訂 MCP 工具
加項目特定 MCP 工具,掛 R 腳本:
volumes:
- ./mcp-tools:/mcp-tools
並於 CMD 中載:
CMD ["R", "-e", "source('/mcp-tools/custom_tools.R'); mcptools::mcp_server()"]
預期: 自訂 R 腳本於容器內 /mcp-tools/ 可達,MCP 伺服器啟時連預設工具載之。
失敗時: 以 docker exec -it r-mcp-server ls /mcp-tools/ 驗 volume 掛路徑正確。若腳本 source 敗,查自訂工具中缺之包依賴。
驗證
- 容器建而無誤
- MCP 伺服器於容器內啟
- Claude Code 可連至容器化伺服器
- MCP 工具正確回應請求
- 容器淨重啟
- Volume 掛允存取項目檔
常見陷阱
- stdin/tty 要:MCP stdio 傳輸需
stdin_open: true與tty: true - 網路隔離:預 Docker 網路或防 localhost 存取。用
network_mode: "host"或暴指定 port - 包版本:釘 mcptools 於特定提交以求可重現
- 大鏡:mcptools + 依賴可甚大。生產慮多階段建
- Windows Docker 路徑:Windows + WSL 下行 Docker Desktop 時路徑映射異
相關技能
create-r-dockerfile- R 之基底 Dockerfile 模式setup-docker-compose- compose 配置細節configure-mcp-server- 無 Docker 之 MCP 伺服器配置troubleshoot-mcp-connection- 診 MCP 連通問題
Repositorio GitHub
Habilidades relacionadas
content-collections
MetaEsta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.
polymarket
MetaEsta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.
creating-opencode-plugins
MetaEsta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.
sglang
MetaSGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.
