GitLab AI MCP Server

Ein leistungsstarker, containerisierter Model Context Protocol (MCP)-Server, der KI-Codierungsassistenten (Claude, Codex, Gemini, Kimi) mit jeder GitLab-Instanz verbindet — selbst gehostet oder in der Cloud.

Was Sie tun können

Related MCP server: GitLab MCP Server

🚀 Schnellstart

Voraussetzungen

• Docker und Docker Compose v2

• Ein GitLab-persönliches Zugriffstoken mit api-Bereich

WSL2 (Windows-Benutzer): Installieren Sie Docker Desktop für Windows mit aktiviertem WSL2-Backend — das ist der einfachste Weg. Alle unten aufgeführten Befehle werden in Ihrem WSL2-Terminal ausgeführt.

1. Klonen und konfigurieren

git clone https://github.com/haziqasjad/gitlab-ai-mcp.git
cd gitlab-ai-mcp
cp .env.example .env

Bearbeiten Sie .env:

GITLAB_URL=https://gitlab.example.com   # your GitLab instance URL
GITLAB_TOKEN=glpat-your-token           # your Personal Access Token

2. Wählen Sie Ihr Setup und starten Sie

Option A — Nur Kern (zum Start empfohlen — keine lokale KI, funktioniert auf jedem Rechner):

docker compose up -d --build

Option B — Mit lokaler KI auf CPU (Ollama läuft auf der CPU, ~4 GB Modell-Download beim ersten Start):

docker compose --profile ollama up -d --build

Option C — Mit lokaler KI auf NVIDIA-GPU (schnellste Inferenz — erfordert zusätzliches Setup unten):

docker compose --profile ollama -f docker-compose.yml -f docker-compose.gpu.yml up -d --build

Optionen B und C aktivieren zusätzliche KI-Funktionen: Log-Sichtung, Datenschutz-Scan, Diskussionszusammenfassung. Wenn Ollama nicht läuft, liefern diese Funktionen eine klare Fehlermeldung — alle anderen Funktionen funktionieren normal.

NVIDIA-GPU einrichten (nur Option C)

Überspringen Sie diesen Abschnitt, wenn Sie keine NVIDIA-GPU haben — Option B funktioniert problemlos auf der CPU.

🐧 Natives Linux

Schritt 1 — Überprüfen Sie, ob Ihre NVIDIA-Treiber installiert sind:

nvidia-smi

Sie sollten Ihre GPU aufgelistet sehen. Falls nicht, installieren Sie zuerst die Treiber für Ihre Distribution: NVIDIA-Treiberdownloads

Schritt 2 — NVIDIA Container Toolkit installieren (Ubuntu/Debian):

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey \
  | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
  | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' \
  | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt update && sudo apt install -y nvidia-container-toolkit

Für andere Distributionen siehe offizielle Installationsanleitung.

Schritt 3 — Docker konfigurieren und überprüfen:

sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker

# Confirm Docker can see your GPU
docker run --rm --gpus all ubuntu nvidia-smi

Schritt 4 — Den Stack starten:

docker compose --profile ollama -f docker-compose.yml -f docker-compose.gpu.yml up -d --build

🪟 WSL2 (Windows)

WSL2 verwendet die auf Windows installierten NVIDIA-Treiber — Sie installieren keine GPU-Treiber in WSL.

Schritt 1 — NVIDIA-Treiber unter Windows installieren (falls noch nicht geschehen):

Laden Sie sie von NVIDIA-Treiberdownloads herunter und installieren Sie sie. Starten Sie Windows nach der Installation neu.

Schritt 2 — Überprüfen, ob die GPU in WSL2 sichtbar ist:

nvidia-smi

Wenn das funktioniert, ist Ihre GPU in WSL2 verfügbar. Wenn nicht, stellen Sie sicher, dass Sie WSL2 (nicht WSL1) haben:

wsl --set-default-version 2

Schritt 3 — NVIDIA Container Toolkit in WSL2 installieren:

curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey \
  | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit-keyring.gpg

curl -s -L https://nvidia.github.io/libnvidia-container/stable/deb/nvidia-container-toolkit.list \
  | sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit-keyring.gpg] https://#g' \
  | sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt update && sudo apt install -y nvidia-container-toolkit

Schritt 4 — Docker konfigurieren:

Wenn Sie Docker Desktop für Windows verwenden (empfohlen):

• Öffnen Sie Docker Desktop → Einstellungen → Ressourcen → GPU → Ihre GPU aktivieren → Übernehmen & Neustarten

Wenn Sie Docker Engine direkt in WSL2 verwenden:

sudo nvidia-ctk runtime configure --runtime=docker
sudo service docker restart   # WSL2 uses service, not systemctl

Schritt 5 — Überprüfen, dass Docker Ihre GPU sehen kann:

docker run --rm --gpus all ubuntu nvidia-smi

Schritt 6 — Den Stack starten:

docker compose --profile ollama -f docker-compose.yml -f docker-compose.gpu.yml up -d --build

3. Überprüfen, dass der Server läuft

docker compose ps

Sie sollten gitlab-ai-mcp mit dem Status Up sehen. Testen Sie ihn direkt:

docker compose exec gitlab-ai-mcp python run_tests.py

4. Bei Ihrer KI-CLI registrieren

Zuerst Ihren Checkout-Pfad ermitteln:

pwd   # run this inside the Gitlab_AI_MCP directory

WSL2-Benutzer: Verwenden Sie den Linux-Pfad, den pwd anzeigt (z. B. /home/yourname/Gitlab_AI_MCP), nicht den Windows-Pfad. Ihre KI-CLI muss in demselben WSL2-Terminal ausgeführt werden, damit dieser Pfad funktioniert.

Dann mit diesem Pfad registrieren:

Claude Code:

claude mcp add gitlab-ai-mcp -- /your/path/to/Gitlab_AI_MCP/scripts/run_codex_mcp.sh

Codex CLI:

codex mcp add gitlab-ai-mcp -- /your/path/to/Gitlab_AI_MCP/scripts/run_codex_mcp.sh

Gemini CLI:

gemini mcp add gitlab-ai-mcp -- /your/path/to/Gitlab_AI_MCP/scripts/run_codex_mcp.sh

Kimi Code CLI:

kimi mcp add gitlab-ai-mcp -- /your/path/to/Gitlab_AI_MCP/scripts/run_codex_mcp.sh

⚙️ Konfiguration

Alle Einstellungen erfolgen in Ihrer .env-Datei:

🔧 Fehlerbehebung

Container startet nicht:

docker compose logs gitlab-ai-mcp

GITLAB_TOKEN- oder GITLAB_URL-Fehler:

• Stellen Sie sicher, dass Ihre .env-Datei existiert und keine überflüssigen Leerzeichen um = enthält

• Bestätigen Sie, dass Ihr Token in GitLab → Einstellungen → Zugriffstoken den Bereich api hat

Ollama-Modell wird nicht heruntergeladen (Optionen B/C):

docker compose logs gitlab-ai-ollama-pull

GPU nicht erkannt (Option C):

• Führen Sie nvidia-smi aus — wenn dies fehlschlägt, sind Ihre Treiber nicht installiert

• Führen Sie docker run --rm --gpus all ubuntu nvidia-smi aus — wenn dies fehlschlägt, ist das Container Toolkit nicht konfiguriert

WSL2 — nvidia-smi in WSL nicht gefunden:

• Stellen Sie sicher, dass Sie WSL2 und nicht WSL1 verwenden: Führen Sie wsl --list --verbose in PowerShell aus und prüfen Sie die Spalte VERSION

• Installieren Sie NVIDIA-Treiber unter Windows (nicht in WSL) und starten Sie neu

WSL2 — systemctl: command not found:

• WSL2 verwendet standardmäßig kein systemd — verwenden Sie stattdessen sudo service docker restart

• Oder aktivieren Sie systemd in WSL2: Fügen Sie [boot] systemd=true zu /etc/wsl.conf hinzu und starten Sie WSL neu (wsl --shutdown in PowerShell)

WSL2 — Docker-Desktop-GPU-Umschalter fehlt:

• Erfordert Docker Desktop 4.17 oder neuer und WSL2-Backend — aktualisieren Sie Docker Desktop, wenn die GPU-Option nicht sichtbar ist

WSL2 — docker compose nicht gefunden:

• Docker Desktop installiert Compose automatisch — öffnen Sie Docker Desktop und stellen Sie sicher, dass es läuft, bevor Sie das WSL2-Terminal verwenden

📁 Projektstruktur

server.py                  — MCP server entrypoint
config.py                  — Settings (reads from .env)
gitlab/client.py           — Async HTTP/2 GitLab API client
services/
  gitlab_service.py        — Business logic and response formatting
  local_ai_service.py      — Ollama integration for local AI features
  review_digest.py         — MR discussion digest helpers
tools/                     — MCP tool definitions (one file per domain)
tests/                     — Unit tests
scripts/run_codex_mcp.sh   — Launcher used by all AI CLIs
docker-compose.yml         — Base stack
docker-compose.gpu.yml     — NVIDIA GPU override (use with --profile ollama)