OpenClaw 进阶：用 MCP 插件打造自动化运维工作流

上个月我们分享了如何用 Mac mini + OpenClaw 搭建 AI 开发助手。但 OpenClaw 真正的威力不在于「聊天」，而在于它的 MCP 插件系统——你可以让 AI 调用自定义工具，实现真正的自动化运维。

什么是 MCP？

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，定义了 AI 模型与外部工具之间的通信标准。你可以把它理解为「AI 的 USB 接口」——任何符合 MCP 规范的工具，都能被 AI 模型即插即用。

OpenClaw 原生支持 MCP，这意味着你可以：

• 编写自定义工具，让 AI 读写数据库、调用 API
• 组合多个工具形成工作流
• 通过自然语言触发复杂的运维操作

实战：三个运维场景

场景一：一句话完成部署

我们在实际项目中，每次部署需要执行 5-6 个步骤：拉代码、安装依赖、构建、数据库迁移、重启服务、验证健康检查。手动操作容易遗漏，写成脚本又不够灵活。

自定义 MCP 工具：

{
  "name": "deploy",
  "description": "部署指定项目到生产环境",
  "parameters": {
    "project": { "type": "string", "description": "项目名称" },
    "branch": { "type": "string", "default": "main" },
    "skip_migration": { "type": "boolean", "default": false }
  }
}

工具的实现本质上就是一个 HTTP 服务或本地脚本，接收 JSON 参数，返回 JSON 结果：

# deploy_tool.py
import subprocess

def handle(params):
    project = params["project"]
    branch = params.get("branch", "main")

    steps = [
        f"cd /apps/{project} && git pull origin {branch}",
        f"cd /apps/{project} && pnpm install --frozen-lockfile",
        f"cd /apps/{project} && pnpm build",
    ]

    if not params.get("skip_migration"):
        steps.append(f"cd /apps/{project} && pnpm prisma migrate deploy")

    steps.append(f"pm2 restart {project}")

    results = []
    for step in steps:
        result = subprocess.run(step, shell=True, capture_output=True, text=True)
        results.append({
            "command": step,
            "success": result.returncode == 0,
            "output": result.stdout[-500:] if result.stdout else result.stderr[-500:]
        })
        if result.returncode != 0:
            return {"success": False, "steps": results, "error": "部署中断"}

    return {"success": True, "steps": results}

配置到 OpenClaw 后，对话变成这样：

我: "把官网项目部署一下，用 release 分支，跳过数据库迁移"
OpenClaw: [调用 deploy 工具] "部署完成！5个步骤全部成功，服务已重启。"

场景二：智能日志分析

生产环境出问题时，最痛苦的是翻日志。我们写了一个日志查询工具，让 AI 帮我们分析：

# log_query_tool.py
def handle(params):
    service = params["service"]
    minutes = params.get("minutes", 30)
    level = params.get("level", "error")

    # 读取最近 N 分钟的日志
    logs = read_pm2_logs(service, minutes, level)

    return {
        "service": service,
        "time_range": f"最近 {minutes} 分钟",
        "total_entries": len(logs),
        "logs": logs[:50]  # 限制返回条数，避免 token 过多
    }

实际对话：

我: "API 服务最近一小时有报错吗？如果有，帮我分析原因"
OpenClaw: [调用 log_query 工具]
  "发现 3 条错误日志，都是数据库连接超时。
   时间集中在 14:30-14:35，与 MySQL 慢查询时间吻合。
   建议检查这个时间段是否有大批量数据导入任务。"

AI 不只是「搜日志」，它能关联上下文给出分析——这比 grep 强太多了。

场景三：定时健康巡检

结合 OpenClaw 的定时任务功能，我们设置了每天早上 9 点自动巡检：

{
  "name": "health_check",
  "description": "检查所有服务的健康状态",
  "parameters": {}
}

# health_check_tool.py
import requests
import psutil

def handle(params):
    checks = {}

    # 检查各服务端口
    services = {"api": 3001, "web": 3000, "admin": 3002}
    for name, port in services.items():
        try:
            resp = requests.get(f"http://localhost:{port}/health", timeout=5)
            checks[name] = {"status": "healthy", "response_ms": resp.elapsed.microseconds // 1000}
        except Exception as e:
            checks[name] = {"status": "down", "error": str(e)}

    # 系统资源
    checks["system"] = {
        "cpu_percent": psutil.cpu_percent(),
        "memory_percent": psutil.virtual_memory().percent,
        "disk_percent": psutil.disk_usage('/').percent
    }

    return checks

每天早上打开 Telegram，就能看到一份巡检报告：

OpenClaw: "早上好！今日巡检报告：
✅ API 服务正常（响应 23ms）
✅ Web 服务正常（响应 15ms）
✅ Admin 服务正常（响应 18ms）
💻 系统资源：CPU 12%，内存 45%，磁盘 38%
一切正常，放心开工！"

MCP 工具开发要点

1. 保持工具职责单一

每个工具做一件事。不要写一个「万能运维工具」，而是拆分成 deploy、log_query、health_check、db_backup 等独立工具。AI 会自己组合它们。

2. 返回结构化数据

工具返回 JSON，让 AI 来做「翻译成人话」的工作：

# 好的做法：返回结构化数据
return {"cpu": 45.2, "memory": 67.8, "disk": 38.1}

# 不好的做法：返回格式化字符串
return "CPU: 45.2%, Memory: 67.8%, Disk: 38.1%"

3. 限制输出大小

AI 的上下文窗口有限。日志查询、数据库查询等工具，务必限制返回条数：

logs = query_logs(service, minutes)
return {
    "total": len(logs),
    "showing": min(len(logs), 50),
    "logs": logs[:50]
}

4. 做好权限控制

MCP 工具本质上是在执行系统操作，安全很重要：

ALLOWED_PROJECTS = ["web", "api", "admin"]

def handle(params):
    project = params["project"]
    if project not in ALLOWED_PROJECTS:
        return {"error": f"不允许操作项目: {project}"}
    # ...

工具注册与配置

在 OpenClaw 配置文件中注册 MCP 工具：

{
  "mcp_servers": [
    {
      "name": "devops",
      "command": "python3",
      "args": ["/path/to/mcp_server.py"],
      "tools": ["deploy", "log_query", "health_check", "db_backup"]
    }
  ]
}

也可以用社区现成的 MCP 服务器，比如：

• mcp-server-sqlite：让 AI 直接查询 SQLite 数据库
• mcp-server-github：让 AI 操作 GitHub（创建 Issue、Review PR）
• mcp-server-filesystem：增强的文件系统操作

适合中小企业的场景

如果你的团队只有 1-3 个开发者，OpenClaw + MCP 特别适合：

核心价值：把运维知识从「脑子里」和「零散脚本」变成 AI 可调用的工具，降低团队的运维门槛。

总结

OpenClaw 的 MCP 插件系统，本质上是让 AI 拥有了「手和脚」。你定义工具，AI 决定何时、如何使用它们。

对于中小团队来说，这意味着：

1. 运维不再依赖特定的人——AI 知道所有工具怎么用
2. 操作可追溯——所有 AI 执行的操作都有对话记录
3. 渐进式自动化——从一个工具开始，逐步扩展

下次我们会对比 OpenClaw 和 Claude Code 这两种 AI 编程助手的不同路线，帮你选择最适合自己的方案。

关于作者：ekent，ek Studio 技术负责人，专注于 AI 工具链和开发效率提升。