labs-ai-tools-for-devs

背景故事：Docker 官方的 AI 工具实验场

2024 年，当 MCP（Model Context Protocol）协议开始走红时，Docker 官方实验室（Docker Labs）推出了一个极具想象力的实验项目——docker/labs-ai-tools-for-devs。这个项目的核心理念大胆而简洁：把 AI 工具做成 Docker 容器，用 Markdown 文件编写提示词，通过对话循环让大语言模型调用这些工具。

你可以把它理解为「给 AI 编程工具用的效率装备包」——开发者只需写 Markdown，LLM 就能自动执行 Docker 容器中的工具，完成代码审查、文件生成、Docker Compose 编写等各种开发任务。

2026 年，Docker 官方宣布将 MCP 功能直接集成进 Docker Desktop，这个独立实验项目随之被标记为 deprecated（已废弃），但它留下的架构思想和代码遗产，依然值得深入研究。

核心技术架构

Prompt 即工具，Markdown 即语言

项目最独特的设计哲学是「Prompt as a Tool」。传统的 AI 编程工具需要复杂的代码集成，而 labs-ai-tools-for-devs 只需一个 Markdown 文件就能定义一个工具行为。

以 prompts/compose-gen.md 为例——它告诉 LLM 如何根据用户需求生成 Docker Compose 配置。LLM 读到这份 Markdown 后，在对话循环中自动调用对应的 Docker 容器执行任务。Prompts 存储在 Git 仓库中，支持版本控制和团队共享，这比硬编码的工具链配置灵活得多。

三层对话循环

整个系统的运转依赖一个精心设计的对话循环：

1. Prompt 层：用户或 VSCode 插件提供 Markdown prompt，定义任务目标和可用工具
2. Agent 层：LLM 解析 prompt，决定调用哪个工具（Docker 容器）
3. 工具层：Docker 容器执行具体操作（curl、eslint、compose-gen 等），返回结构化结果
4. 循环：工具结果反馈给 LLM → LLM 判断是否需要继续调用 → 直到任务完成

这个循环让 AI 具有了「试错」能力——如果某个工具参数不对，LLM 会自动换一个工具或调整参数重试，直到得到正确结果。

提取器系统（Extractors）

项目包含一个 extractors/ 子系统，其核心是一个 Docker 镜像，运行在目标项目目录下，自动提取项目信息为 JSON 上下文。这意味着 AI 在处理任何代码库时，都能自动获得语言、依赖、目录结构等背景信息，而无需手动输入。

多模型代理（Multi-Model Agents）

不同 prompt 可以配置不同的 LLM 模型。重量级前沿模型（如 GPT-4o、Claude）负责规划和决策，轻量级本地模型（如 Ollama 驱动的 Llama）负责执行简单任务。Docker 天然支持这种异构计算——用 docker run 拉起不同容器里的模型即可。

技术栈详解

Clojure + Babashka：轻量函数式脚本

项目主体用 Clojure 编写，这是一个运行在 JVM 上的函数式 Lisp 方言，擅长处理数据转换和并发逻辑。关键依赖包括：

• babashka：为 Clojure 提供类 Shell 脚本能力，直接调用 docker/curl/git 等系统命令
• cheshire：JSON 解析
• clj-yaml：YAML 配置解析（catalog.yaml、compose.yaml）
• selmer：模板引擎（处理 Markdown 插值）
• core.async：异步通信（JSON-RPC 服务器）

26 个 src/*.clj 文件覆盖了完整的功能模块：MCP 协议服务器（src/mcp/）、JSON-RPC 实现（src/jsonrpc/）、Docker 操作（src/docker/）、Git 集成（git.clj）、Prompts 管理（prompts.clj）等。

MCP 协议集成

项目实现了完整的 MCP 服务器端，支持两种传输方式：

• STDIO：标准输入输出，适合本地 CLI 场景
• SSE（Server-Sent Events）：适合远程服务，通过 compose.yaml 中的 --transport sse 开启

Dockerfile：Nix 构建的极简镜像

最终交付的 Docker 镜像采用 Nix 包管理器构建（multi-stage build：从 Nix 基础镜像编译，到 scratch 极简镜像），最终产物只有 /nix/store（所有依赖）和 /app/result（入口符号链接），镜像体积极小。

部署体验

支持快速部署

项目提供了 Dockerfile 和 compose.yaml，上手路径有两条：

路径一：VSCode 扩展（推荐） 安装实验室发布的 VSCode 扩展（.vsix），设置 OpenAI API Key，选择目标项目目录，运行 Docker AI: Run Prompt 即可启动对话循环。扩展自动处理 Docker 容器生命周期。

路径二：CLI 手动执行 docker run 命令，挂载 Docker socket 和 API Key volume，通过 --register 参数注册 Git 仓库中的 prompt 文件。适合 CI/CD 流水线集成。

重要前提条件

• Docker Desktop 4.x+：必须运行，因为工具执行依赖 Docker socket（/var/run/docker.sock）
• LLM API Key：支持 OpenAI API 兼容的任何模型，也支持 Ollama 本地模型
• 网络访问：部分 prompt 需要访问互联网（如 curl-repo.md）

硬件需求

无 GPU 要求，纯 CPU 运行，RAM 需求约 1GB，磁盘 500MB。

项目局限与废弃原因

2026 年，Docker 官方宣布项目 deprecated，推荐用户迁移到 Docker Desktop 内置 MCP Toolkit。背后有几层原因：

1. 维护成本高：用 Clojure + Nix 构建的工具链，对外部贡献者门槛较高 2. 用户体验问题：VSCode 扩展 + CLI 的上手路径，对非技术用户不够友好 3. 标准化趋势：MCP 协议生态迅速成熟，Docker 选择将 MCP 直接集成到 Desktop 产品中，而不是维护一个独立实验项目

对于已经在用这个项目的团队，建议尽快迁移到 Docker Desktop MCP Toolkit。但如果你对 MCP 协议的底层实现感兴趣，这个项目源码依然是极好的学习素材——它展示了如何用 Clojure 构建完整的 MCP 服务器、处理 JSON-RPC 通信、管理 Docker 容器化的工具生态。

行业意义

docker/labs-ai-tools-for-devs 代表了 AI 开发工具领域的一个重要方向：工具容器化 + Prompt 脚本化。虽然项目本身被废弃，但它验证了几个核心命题：

• 容器是 AI 工具的最佳交付格式：隔离、可复现、易分发
• Prompt 即代码：用 Git 管理 prompt 带来了协作和版本控制能力
• 对话循环让 AI 更可靠：试错-反馈机制显著提升了复杂任务的完成率

这些设计思想已被 MCP 生态广泛采纳，影响了包括 Claude Desktop、Cursor IDE 在内的多个主流产品的工具集成方案。