Azure DevOps MCP Server

Co dělá “Azure DevOps” MCP Server?

Azure DevOps MCP (Model Context Protocol) Server umožňuje AI asistentům plynulou interakci se službami Azure DevOps tím, že funguje jako most mezi požadavky v přirozeném jazyce a Azure DevOps REST API. Pomocí tohoto serveru mohou nástroje poháněné AI provádět různé DevOps úkoly, jako je dotazování a správa pracovních položek, přístup k informacím o projektech a týmech i automatizace DevOps workflow. Díky zpřístupnění dat a operací Azure DevOps skrze rozhraní MCP mohou vývojáři a týmy zvýšit produktivitu, zefektivnit spolupráci a automatizovat běžné DevOps operace přímo ze svých AI asistentů nebo integrovaných vývojových prostředí.

Seznam promptů

V repozitáři nejsou uvedeny žádné prompt šablony.

Seznam zdrojů

V repozitáři nejsou uvedeny žádné explicitní MCP zdroje.

Seznam nástrojů

Na základě popsaných funkcí a schopností serveru poskytuje Azure DevOps MCP Server tyto nástroje:

• Dotazování pracovních položek: Vyhledávání pracovních položek pomocí WIQL dotazů.
• Získání detailů pracovní položky: Načtení detailních informací ke konkrétním pracovním položkám.
• Vytváření pracovních položek: Přidání nových úkolů, chyb, uživatelských příběhů nebo jiných typů.
• Aktualizace pracovních položek: Úprava polí a vlastností existujících pracovních položek.
• Přidávání komentářů: Vkládání komentářů k pracovním položkám.
• Zobrazení komentářů: Načtení historie komentářů k pracovní položce.
• Správa vztahů rodič-potomek: Nastavení hierarchických vztahů mezi pracovními položkami.
• Získání projektů: Výpis všech dostupných projektů.
• Získání týmů: Výpis všech týmů v rámci organizace.
• Členové týmu: Přehled členů týmu.
• Týmové area paths: Získání přiřazených oblastí týmům.
• Týmové iterace: Přístup k nastavení sprintů/iterací týmu.

Příklady použití tohoto MCP serveru

• Správa pracovních položek: Vývojáři mohou vytvářet, upravovat a sledovat pracovní položky (např. úkoly, chyby, user stories) pomocí přirozeného jazyka, což usnadňuje správu backlogu a plánování sprintů.
• Přehledy o projektech a týmech: Týmy mohou rychle získávat informace o projektech, týmech, členech a organizační struktuře, což zlepšuje onboarding a mezitýmovou spolupráci.
• Automatizace komentování a auditu: AI asistenti mohou přidávat nebo načítat komentáře k pracovním položkám, což pomáhá s dokumentací a komunikací v rámci DevOps workflow.
• Plánování sprintů a iterací: Přístup k údajům o iteracích a oblastech umožňuje automatizované plánování sprintů, alokaci kapacit a reporting.
• Správa hierarchie a závislostí: Nastavování a správa vztahů rodič-potomek mezi pracovními položkami přímo z konverzačních rozhraní zjednodušuje komplexní projektové řízení.

Jak nastavit

Windsurf

1. Předpoklady: Ujistěte se, že máte nainstalovaný Node.js a osobní přístupový token (PAT) pro Azure DevOps.
2. Instalace Azure DevOps MCP Serveru: Nainstalujte přes pip nebo naklonujte repozitář a nainstalujte.
3. Najděte konfiguraci: Upravte konfigurační soubor Windsurf.
4. Přidejte MCP Server: Přidejte MCP server pomocí následujícího JSON úryvku:

   {
     "mcpServers": {
       "azure-devops": {
         "command": "python",
         "args": ["-m", "mcp_azure_devops.server"]
       }
     }
   }
   

5. Uložte a restartujte: Uložte konfiguraci a restartujte Windsurf, aby se změny projevily.

Zabezpečení API klíčů (Windsurf)

Použijte environmentální proměnné v konfiguraci:

{
  "mcpServers": {
    "azure-devops": {
      "command": "python",
      "args": ["-m", "mcp_azure_devops.server"],
      "env": {
        "AZURE_DEVOPS_PAT": "${YOUR_PAT}",
        "AZURE_DEVOPS_ORGANIZATION_URL": "https://dev.azure.com/your-org"
      }
    }
  }
}

Claude

1. Předpoklady: Python 3.10+, Azure DevOps PAT.
2. Instalace serveru: Instalujte balíček přes pip nebo přímo ze zdroje.
3. Najděte MCP konfiguraci: Otevřete konfigurační soubor Claude.
4. Přidejte MCP Server: Vložte následující JSON:

   {
     "mcpServers": {
       "azure-devops": {
         "command": "python",
         "args": ["-m", "mcp_azure_devops.server"]
       }
     }
   }
   

5. Restartujte Claude: Restartujte aplikaci pro načtení nového MCP serveru.

Zabezpečení API klíčů (Claude)

Použijte environmentální proměnné v konfiguraci:

{
  "mcpServers": {
    "azure-devops": {
      "command": "python",
      "args": ["-m", "mcp_azure_devops.server"],
      "env": {
        "AZURE_DEVOPS_PAT": "${YOUR_PAT}",
        "AZURE_DEVOPS_ORGANIZATION_URL": "https://dev.azure.com/your-org"
      }
    }
  }
}

Cursor

1. Předpoklady: Nainstalujte Python a získejte Azure DevOps PAT.
2. Instalace balíčku: Použijte pip k instalaci MCP serveru.
3. Otevřete nastavení Cursor: Upravte konfigurační soubor.
4. Vložte MCP Server:

   {
     "mcpServers": {
       "azure-devops": {
         "command": "python",
         "args": ["-m", "mcp_azure_devops.server"]
       }
     }
   }
   

5. Restartujte Cursor: Restartujte aplikaci.

Zabezpečení API klíčů (Cursor)

{
  "mcpServers": {
    "azure-devops": {
      "command": "python",
      "args": ["-m", "mcp_azure_devops.server"],
      "env": {
        "AZURE_DEVOPS_PAT": "${YOUR_PAT}",
        "AZURE_DEVOPS_ORGANIZATION_URL": "https://dev.azure.com/your-org"
      }
    }
  }
}

Cline

1. Ověřte předpoklady: Python 3.10+, Azure DevOps PAT.
2. Instalace MCP serveru: Použijte pip nebo stáhněte a nainstalujte ze zdroje.
3. Upravte konfiguraci Cline: Najděte a upravte konfigurační soubor.
4. Přidejte MCP Server:

   {
     "mcpServers": {
       "azure-devops": {
         "command": "python",
         "args": ["-m", "mcp_azure_devops.server"]
       }
     }
   }
   

5. Restartujte Cline: Uložte a restartujte pro aktivaci serveru.

Zabezpečení API klíčů (Cline)

{
  "mcpServers": {
    "azure-devops": {
      "command": "python",
      "args": ["-m", "mcp_azure_devops.server"],
      "env": {
        "AZURE_DEVOPS_PAT": "${YOUR_PAT}",
        "AZURE_DEVOPS_ORGANIZATION_URL": "https://dev.azure.com/your-org"
      }
    }
  }
}

Jak používat tento MCP ve flow

Použití MCP ve FlowHunt

Pro integraci MCP serverů do vašeho workflow ve FlowHunt začněte přidáním MCP komponenty do vašeho flow a jejím propojením s AI agentem:

Klikněte na komponent MCP pro otevření konfiguračního panelu. Do sekce systémové konfigurace MCP vložte údaje o vašem MCP serveru v tomto JSON formátu:

{
  "azure-devops": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Po konfiguraci je AI agent schopen využívat tento MCP jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “azure-devops” na skutečný název vašeho MCP serveru a nahradit URL adresou vašeho MCP serveru.

Přehled

Na základě dostupné dokumentace poskytuje tento MCP server solidní základní funkcionalitu pro integraci s Azure DevOps, s jasnými instrukcemi pro nastavení a pokrytím nástrojů, ale chybí explicitní prompt šablony a popis zdrojů. Nejsou dokumentovány Roots ani podpora vzorkování. Proto hodnotím tento MCP server solidními 7/10 za praktickou použitelnost a úplnost dokumentace.

MCP skóre