星战科技xingzhan.cloud
返回市场
<中文翻译> 杰森MCP服务器

<中文翻译> 杰森MCP服务器

作者：ajeetraina2 星标更新：2025-08-05
安装使用来源：spider==github.com

项目介绍

JetsonMCP

连接AI助手与NVIDIA Jetson Nano超级系统，用于全面的边缘计算管理、AI工作负载优化和系统管理的MCP服务器。

JetsonMCP使像Claude这样的AI助手能够通过SSH连接帮助配置和管理Jetson Nano系统。从AI模型部署到系统优化——用自然语言提问而不是学习复杂的CUDA和Linux命令。

🚀 JetsonMCP的独特之处

专为边缘AI计算设计

  • CUDA工具包管理和优化
  • JetPack SDK集成和更新
  • AI框架安装（TensorFlow, PyTorch, TensorRT）
  • 模型部署和推理优化

硬件特定优化

  • GPU内存管理和监控
  • 功率模式配置（10W/5W模式）
  • 温度监控及热节流
  • 风扇曲线管理和冷却优化

容器与编排

  • 用于AI工作负载的Docker容器管理
  • NVIDIA容器工具包集成
  • 支持Kubernetes边缘部署
  • 多架构容器支持（ARM64）

🎯 工作原理

自然语言请求通过Claude Desktop经由MCP协议转换为在您的Jetson Nano上执行的优化命令。

示例：

AI & ML操作：

  • "部署YOLOv5模型进行目标检测" - 下载、优化并运行推理
  • "检查CUDA内存使用情况" - 监控GPU利用率和内存分配
  • "切换到5W功率模式" - 优化电池操作的功耗
  • "安装TensorRT优化" - 设置高性能推理引擎

系统管理：

  • "运行推理时监控GPU温度" - 实时热监控
  • "更新JetPack至最新版本" - 管理NVIDIA软件堆栈更新
  • "优化Docker以适应AI工作负载" - 配置运行时以加速GPU

边缘计算：

  • "部署轻量级Kubernetes集群" - 设置K3s进行边缘编排
  • "配置远程模型服务" - 设置推理端点
  • "在AI任务期间监控系统资源" - 性能分析和优化

🔧 关键特性

边缘AI管理

  • CUDA工具包集成 - 自动设置和管理CUDA环境
  • JetPack管理 - SDK更新、组件安装和版本控制
  • AI框架支持 - TensorFlow, PyTorch, OpenCV, TensorRT优化
  • 模型部署 - 自动模型转换、优化和服务

硬件优化

  • 电源管理 - 动态电源模式切换（10W/5W/MAXN）
  • 热管理 - 温度监控及自动节流
  • GPU监控 - 内存使用、利用率和性能指标
  • 风扇控制 - 自定义风扇曲线和冷却优化

容器编排

  • NVIDIA Docker - GPU加速容器运行时管理
  • 边缘Kubernetes - K3s部署用于分布式AI工作负载
  • 多架构支持 - ARM64容器管理和部署
  • 注册表管理 - 边缘部署的私有注册表设置

系统管理

  • 远程管理 - 基于SSH的安全系统管理
  • 软件包管理 - APT和snap软件包安装/更新
  • 服务管理 - systemd服务控制和监控
  • 备份与恢复 - 系统状态管理和恢复

📋 先决条件

Jetson Nano设置

  1. 全新安装JetPack（推荐4.6+版本）
  2. 启用SSH访问
  3. 充足的电源供应（推荐5V/4A以实现全性能）
  4. MicroSD卡（推荐64GB+）或NVMe SSD
  5. 互联网连接用于软件包安装

网络配置

  • 推荐静态IP以确保一致访问
  • 防火墙配置允许SSH（端口22）
  • 可选：设置VPN以实现远程访问

⚡ 快速开始

1. 准备您的Jetson Nano

# 启用SSH（如果尚未启用）
sudo systemctl enable ssh
sudo systemctl start ssh

# 配置无密码sudo（系统管理所需）
sudo visudo
# 添加：yourusername ALL=(ALL) NOPASSWD:ALL

# 获取Jetson的IP地址
hostname -I

2. 安装JetsonMCP

# 克隆仓库
git clone https://github.com/ajeetraina/jetsonMCP.git
cd jetsonMCP

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate

# 安装依赖
pip install -e .

3. 配置连接

# 复制配置模板
cp .env.example .env

# 使用您的Jetson详细信息编辑
nano .env

所需的.env设置：

JETSON_HOST=192.168.1.100        # 您的Jetson IP地址
JETSON_USERNAME=your_username     # SSH用户名
JETSON_PASSWORD=your_password     # SSH密码（或使用SSH密钥）
# JETSON_SSH_KEY_PATH=~/.ssh/id_rsa  # 可选：SSH密钥路径

# 可选：高级配置
JETSON_POWER_MODE=0              # 0=MAXN, 1=5W, 2=10W
CUDA_VISIBLE_DEVICES=0           # GPU设备选择
DOCKER_REGISTRY=localhost:5000   # 边缘部署的私有注册表

4. Claude Desktop集成

添加到您的Claude Desktop配置中：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json Windows: %APPDATA%\Claude\claude_desktop_config.json
Linux: ~/.config/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "jetsonmcp": {
      "command": "python",
      "args": ["-m", "jetsonmcp.server"],
      "cwd": "/绝对路径到jetsonMCP"
    }
  }
}

重启Claude Desktop以加载服务器。

🛠️ 可用工具

AI & ML管理

  • manage_ai_workloads - 模型部署、推理优化、CUDA管理
  • manage_jetpack - JetPack SDK安装、更新、组件管理
  • manage_frameworks - TensorFlow, PyTorch, OpenCV, TensorRT安装

硬件控制

  • manage_hardware - 功率模式、温度监控、风扇控制、GPIO
  • manage_performance - CPU/GPU调节器、频率调整、热管理
  • manage_storage - SSD优化、交换配置、磁盘管理

容器操作

  • manage_containers - Docker管理、NVIDIA运行时、GPU加速
  • manage_orchestration - Kubernetes/K3s部署、边缘计算设置
  • manage_registry - 私有注册表设置、多架构镜像管理

系统管理

  • manage_system - 软件包管理、更新、服务控制、网络
  • manage_security - 防火墙、SSH密钥、用户管理、系统加固
  • manage_monitoring - 系统指标、日志、警报、远程监控

🔧 高级配置

电源管理

# 可用电源模式
# 0: MAXN (15W) - 最大性能
# 1: 5W - 能效模式
# 2: 10W - 平衡模式
sudo nvpmodel -m 1  # 切换到5W模式

CUDA环境

# 验证CUDA安装
nvcc --version
nvidia-smi

# 设置CUDA路径（由JetsonMCP自动配置）
export PATH=/usr/local/cuda/bin:$PATH
export LDFLAGS=-L/usr/local/cuda/lib64:$LDFLAGS

Docker GPU支持

# NVIDIA容器工具包（由JetsonMCP管理）
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

🧪 测试与开发

运行测试

# 运行所有测试
make test

# 特定组件测试
make test-ai          # AI工作负载管理
make test-hardware    # 硬件控制
make test-containers  # 容器操作
make test-system      # 系统管理

# 集成测试
python run_tests.py --integration --coverage

开发设置

# 安装开发依赖
pip install -e ".[dev]"

# 预提交钩子
pre-commit install

# 代码格式化
black jetsonmcp/
isort jetsonmcp/

# 类型检查
mypy jetsonmcp/

📊 监控与可观测性

系统指标

  • CPU/GPU利用率 - 实时性能监控
  • 内存使用 - RAM和GPU内存跟踪
  • 温度传感器 - 热监控和警报
  • 功耗 - 当前电源模式和使用指标

AI工作负载指标

  • 推理延迟 - 模型性能基准测试
  • 吞吐量 - 部署模型的每秒请求数
  • 资源利用率 - GPU内存和计算效率
  • 模型准确性 - 性能验证和监控

🔒 安全特性

SSH安全

  • 主机密钥验证和轮换
  • 连接超时和重试逻辑
  • 凭据管理和清理
  • 所有操作的审计日志

容器安全

  • 镜像漏洞扫描
  • 运行时安全策略
  • 网络隔离和分段
  • AI模型的秘密管理

系统加固

  • 防火墙配置管理
  • 用户权限分离
  • 系统更新自动化
  • 安全补丁监控

🚀 使用案例

边缘AI开发

  • AI应用程序的快速原型设计
  • 模型优化和基准测试
  • 分布式推理部署
  • 实时计算机视觉应用

IoT & 传感器网络

  • 传感器数据处理和分析
  • 边缘计算编排
  • 远程设备管理
  • 预测维护系统

工业应用

  • 质量控制和检验
  • 预测分析
  • 自主系统开发
  • 工业IoT集成

🤝 贡献

我们欢迎贡献！请参阅CONTRIBUTING.md获取指南。

开发优先事项

  1. AI框架集成 - 支持其他ML框架
  2. 边缘编排 - 高级Kubernetes边缘部署
  3. 硬件抽象 - 支持其他Jetson平台（AGX, Xavier）
  4. 监控增强 - 高级遥测和可观测性