DevStar AI+ DevOps

DevStar AI+ DevOps 是一个完整的AI驱动研发平台解决方案，通过集成 DevStar平台、代码大语言模型、Gitea MCP Server和 AI Code Tools（Cursor、Claude Code、iFlow等），为开发者提供智能化研发支撑体系。

🚀 快速部署配置指南

一、部署 DevStar 代码托管平台

Ubuntu-20.04下完成安装：

wget -c https://devstar.cn/assets/install.sh && chmod +x install.sh && sudo ./install.sh
sudo devstar start

安装完成后，我们得到DevStar代码托管平台的URL，比如http://172.16.94.26:80 ，之后作为 GITEA_HOST（给 MCP Server 用）

二、Ollama私有部署代码大模型

如您使用第三方API及Token，比如从智谱AI开放平台上注册申请并添加新的API Key，可以跳过这一部分。

Ubuntu-20.04下完成安装：

curl -fsSL https://ollama.com/install.sh | sh

# 验证是否安装成功
ollama --version

# 下载Qwen2.5-Coder大模型
ollama pull qwen2.5-coder:32b

# 列出已下载的模型
ollama list

# 测试模型
ollama run qwen2.5-coder:32b "Hello, can you help me code?"

# 启动Ollama服务 (默认端口11434)
ollama serve

# 验证服务状态
curl http://172.16.94.26:11434/api/tags

解决Ollama只能本地访问的问题

# 添加环境变量OLLAMA_HOST=0.0.0.0和OLLAMA_ORIGINS=*
sed -i '/\[Service\]/a Environment=OLLAMA_HOST=0.0.0.0' /etc/systemd/system/ollama.service
sed -i '/\[Service\]/a Environment=OLLAMA_ORIGINS=*' /etc/systemd/system/ollama.service
# 重新加载并重启
systemctl daemon-reexec
systemctl daemon-reload
systemctl restart ollama

产出

模型服务地址，例如：http://172.16.94.26:11434
模型名，例如：qwen2.5-coder:32b

后面用在哪里

CI/CD 里的 AI Code Review（作为 vars.MODEL / vars.OLLAMA_HOST）

三、在项目中使用代码大模型

配置AI Code Review到CI/CD工作流中

在您的项目中添加.gitea/workflows/code-review.yml , 这里使用kekxv/AiReviewPR@v0.0.6来进行AI Code Review

name: ai-reviews

on:
  pull_request:
    types: [opened, synchronize]

jobs:
  review:
    runs-on: ubuntu-latest

    steps:
      - name: Checkout code
        uses: actions/checkout@v4
        with:
          fetch-depth: 0
      - name: Review code
        uses: kekxv/AiReviewPR@v0.0.6
        with:
          model: ${{ vars.MODEL }}
          host: ${{ vars.OLLAMA_HOST }}
          REVIEW_PULL_REQUEST: false
          //如果用ai token 则需配置
          //ai_token: ${{ vars.AI_TOKEN }}

然后在 DevStar 平台上您的项目仓库【设置 > 工作流】里设置变量或密钥：

vars.MODEL：填入 第二步中的模型名，例如 qwen2.5-coder:32b
vars.OLLAMA_HOST：填入 第二步中得到的模型服务地址 例如 http://172.16.94.26:11434
vars.AI_TOKEN：填入 第二步中第三方获取的API Key token

安装配置MCP Server

在 VS Code 中使用，要快速安装，请使用如下安装按钮。

也可以在项目中添加到 .vscode/mcp.json 文件如下：

{
    "inputs": [
      {
        "type": "promptString",
        "id": "gitea_token",
        "description": "Gitea 个人访问令牌",
        "password": true
      }
    ],
    "servers": {
      "gitea-mcp": {
        "command": "docker",
        "args": [
          "run",
          "-i",
          "--rm",
          "-e",
          "GITEA_HOST",
          "-e",
          "GITEA_ACCESS_TOKEN",
          "docker.gitea.com/gitea-mcp-server"
        ],
        "env": {
          "GITEA_HOST": "<Your Gitea Host>",
          "GITEA_ACCESS_TOKEN": "${input:gitea_token}"
        }
      }
    }
}

GITEA_HOST：第一步中得到的 DevStar 代码托管平台地址

gitea_token：来自 DevStar / Gitea 的「个人访问令牌」

获取方式：

登录 DevStar 平台（GITEA_HOST 对应的网站）
进入：右上角用户【设置 > 应用】中
点击「生成新的令牌」，命名令牌并给予仓库读取等必要权限
复制生成的一串字符串，这就是你的 gitea_token

配置 AI IDE/CLI 使用 LLM 及 MCP Server

LLM
- 使用第三方 API/云端模型（OpenAI/Anthropic/Azure/Gemini）
  - Cursor：在模型设置中选择对应 Provider，配置 API Key / Base URL / Model
  - Continue：Add Chat model 选择对应 Provider，配置 API Key / Base URL / Model
  - Copilot：在“管理模型”中选择 Copilot 支持的云端模型（若需使用自带 Key 的第三方，一般用 Cursor/Continue 接入更直接）
- 使用本地/私有部署（Ollama / 内网 LLM）
  - Copilot：在“管理模型”中选择 ollama
  - Continue：Add Chat model → Provider 选择 ollama
  - Cursor：若 LLM 在内网且 Cursor 不支持直连，需要做反向代理/企业网关提供公网可访问的 Base URL 再接入
MCP Server（与 LLM 选择无关）
- Copilot（VS Code）：将 MCP 配置添加到 .vscode/mcp.json
- Cursor：Cursor Settings → Tools & MCP → New MCP Server，将 MCP 配置写入 mcp.json
- Continue：Settings → Tools → MCP Servers 配置 YAML ，或复用 Cursor 的 MCP 配置：将 mcp.json 放到 .continue/mcpServers/mcp.json