演示一次，处处执行
为 AI Agent 提供安全、稳定的远程运维技能。人教一次，Agent 用万次。
Demonstrate once, execute anywhere — secure, stable remote skills for AI Agents.
- 在终端操作一次部署流程，Parrot 自动提炼为可复用的 Skill
parrot learn -t "部署 user-api 服务"
[parrot] 开始录制... (输入 exit 结束)
root@host:~$ docker build -t user-api:latest .
root@host:~$ docker stop user-api && docker rm user-api
root@host:~$ docker run -d -p 8080:8080 --name user-api user-api:latest
root@host:~$ exit
[parrot] 检测到 3 条命令，正在生成 Skill YAML...
[parrot] 已保存: skills/deploy-user-api.skill.yaml
Register to agent? Enter URL or blank to skip: http://127.0.0.1:9090
[parrot] Registered 'deploy-user-api' to http://127.0.0.1:9090- 通过 Claude Code 下发部署任务，Parrot 安全、稳定地执行 Shell 操作，全程可追溯、可回滚
Claude Code: "list skills"
→ deploy-user-api, reload-nginx, health-check
Claude Code: "execute deploy-user-api, service_name=user-api"
→ parrot-agent 本地执行: build → stop-old → start
→ 完成: build ✅, stop-old ✅, start ✅
# 1. 目标机：安装并启动 agent
git clone https://github.com/SumrainChan/parrot-ops.git
cd parrot-ops
pip install ./parrot-recorder ./parrot-agent
parrot-agent --port 9090 &
# 2. 目标机：录制操作
parrot learn -t "部署 user-api 服务"
# ... 敲你的运维命令 ... exit
# 3. 本机：安装 mcp，配置 Claude Code
cd parrot-ops
pip install ./parrot-mcp
# 编辑 ~/.claude/mcp.json:
# { "mcpServers": { "parrot": {
# "command": "parrot-mcp",
# "args": ["--agent", "http://<目标机IP>:9090"]
# }}}对 Claude Code 说："list skills" — 就能看到刚录制的 Skill。
| 场景 | 之前 | 之后 |
|---|---|---|
| 部署服务 | 每次手动敲命令 | 一句 "execute deploy-service" |
| 团队新人接手 | 翻 Wiki 或问老同事 | Agent 调用已有的 Skill |
| 重复性运维 | 每次都靠记忆 | Skill YAML 固化，可审计可回滚 |
| 生产环境操作 | 提心吊胆怕敲错 | 人类审核一次，Agent 执行 N 次 |
展开架构图
目标机 (Linux) 本机 (Win/Mac/Linux)
Record once Execute everywhere
│ │
▼ ▼
parrot-recorder Skill YAML parrot-mcp
(录制→生成) ───────────────> (MCP 标准接口)
│ │
├─ parrot-agent (本地执行引擎) │
│ :9090 HTTP API │
└───────────────────────────────────────┘
│
Claude Code
"execute deploy-service"
| 模块 | 方式 | 依赖 |
|---|---|---|
| parrot-recorder | pip install ./parrot-recorder |
Python ≥ 3.10, asciinema (自动安装) |
| parrot-agent | pip install ./parrot-agent |
Python ≥ 3.10, Linux |
| parrot-mcp | pip install ./parrot-mcp |
Python ≥ 3.10 |
| 命令 | 在哪运行 | 说明 |
|---|---|---|
parrot learn |
目标机 | 录制操作 → 生成 Skill YAML |
parrot learn --skip-llm |
目标机 | 录制 → 保存中间数据（离线） |
parrot compose <file> -t "描述" |
任意 | 从中间数据生成 Skill YAML |
parrot register <file> --agent <url> |
任意 | 注册 Skill 到 agent |
parrot new |
任意 | 交互式创建 Skill（不录制） |
parrot validate <file> |
任意 | 校验 Skill YAML |
parrot-agent --port 9090 |
目标机 | 启动执行引擎 |
parrot-mcp --agent <url> |
本机 | 启动 MCP 服务 |
parrot-recorder： 项目根目录 .env 文件
PARROT_LLM_BACKEND=anthropic # 或 openai
PARROT_MODEL=claude-sonnet-4-6 # 模型选择
ANTHROPIC_API_KEY=sk-ant-xxx # API key
# 代理或本地模型：
# ANTHROPIC_BASE_URL=https://your-proxy.com
# OPENAI_BASE_URL=http://localhost:11434/v1parrot-agent： 命令行参数
parrot-agent --port 9090 --bind 127.0.0.1
# --port 监听端口 (默认 9090)
# --bind 绑定地址 (默认 127.0.0.1，外部访问用 0.0.0.0)parrot-mcp： 命令行参数，或 Claude Code mcp.json
parrot-mcp --agent http://<目标机>:9090
# --agent parrot-agent 地址