Auto-Deployer 是一个 LLM 驱动的自动化部署工具。只需提供 Git 仓库 URL，它就能自主分析项目、生成部署计划并完成部署。支持 SSH 远程部署和本地部署两种模式。

Auto-Deployer 可以智能识别并部署多种类型的项目：

基于真实项目的自动化测试结果（本地部署模式）(使用grok-code Fast1作为基座模型测试)：

部署一个项目平均花费约为 $0.2

以下是实际测试通过的项目示例：

• 快速分析：本地克隆并分析仓库，通常 10-30 秒完成
• 智能规划：生成结构化部署计划，通常 5-15 秒
• 增量部署：重复部署时会跳过已安装的依赖
• 资源优化：自动检测并复用已有环境（Node.js、Python 等）

Auto-Deployer 采用两阶段部署模式：先规划后执行，确保部署过程可预测、可控制。

┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
│   本地预分析     │ ──▶ │   连接建立      │ ──▶ │   规划阶段      │ ──▶ │   执行阶段      │
│  克隆 + 读取     │     │  SSH/本地探测   │     │  LLM 生成计划   │     │  按步骤执行     │
└─────────────────┘     └─────────────────┘     └─────────────────┘     └─────────────────┘

1. 本地预分析：克隆仓库到本地，读取关键文件（README、package.json、requirements.txt、Dockerfile 等），识别项目类型和框架
2. 连接建立：建立到目标环境的连接（SSH 远程服务器或本地），收集主机信息（操作系统、内核版本等）
3. 规划阶段：LLM 分析项目并生成结构化的部署计划（策略选择、步骤拆解、风险识别）
4. 执行阶段：按计划逐步执行，每个步骤内 LLM 自主决策，支持步骤级重试/跳过

• 🤖 全自动部署：LLM Agent 模式，无需人工干预
• 📋 智能规划：两阶段部署（规划+执行），执行前生成完整部署计划，可预览和确认
• 📦 智能分析：自动识别项目类型（Python/Node.js/静态网站等）和框架
• 🔄 自我修复：遇到错误时 LLM 会分析日志并尝试修复
• 🎯 步骤化执行：将部署拆解为原子步骤，支持步骤级重试/跳过/中止
• 💬 用户交互：关键决策点可询问用户（端口选择、配置值等）
• 📝 详细日志：每次部署的完整对话记录保存为 JSON 文件，包含计划、步骤、命令历史
• 🔧 灵活配置：支持环境变量和配置文件
• 🖥️ 多平台支持：支持 SSH 远程部署（Linux）和本地部署（Windows/Linux/Mac）

• Python 3.10+
• 支持的 LLM 提供商：Gemini, OpenAI, anthropic, deepseek, openrouter.

git clone https://github.com/ctfy66/Auto-Deployer.git
cd Auto-Deployer
pip install -e .

创建 .env 文件（或直接设置环境变量）：

# LLM API 密钥
AUTO_DEPLOYER_GEMINI_API_KEY=your-gemini-api-key

# SSH 目标服务器（可选，也可通过命令行指定）
AUTO_DEPLOYER_SSH_HOST=192.168.1.100
AUTO_DEPLOYER_SSH_USERNAME=deploy
AUTO_DEPLOYER_SSH_PASSWORD=yourpassword

# 代理设置（可选）
HTTP_PROXY=http://127.0.0.1:7890
HTTPS_PROXY=http://127.0.0.1:7890

auto-deployer deploy \
    --repo [email protected]:username/project.git \
    --host 192.168.1.100 \
    --user deploy \
    --auth-method password \
    --password yourpassword

auto-deployer deploy \
    --repo [email protected]:username/project.git \
    --local

本地部署会在当前机器上执行，支持 Windows（PowerShell）和 Linux/Mac（Bash）。

# 列出所有部署日志
auto-deployer logs --list

# 查看最近一次部署
auto-deployer logs

# 查看特定日志
auto-deployer logs --file deploy_project_20251202_120000.json

配置文件位于 config/default_config.json：

推荐配置：

• 最佳性价比：grok Code Fast 1
• 本地部署：使用 OpenAI 兼容模式连接 Ollama、LM Studio 等本地模型

在 config/default_config.json 的 agent 部分可配置 Agent 行为：

Agent 内置循环检测机制，防止重复执行相同操作：

工作原理：当检测到 Agent 重复执行相似命令或陷入错误循环时，自动提升 LLM temperature 以增加随机性，帮助跳出循环。

控制 Agent 与用户的交互方式：

配置示例：

{
  "interaction": {
    "enabled": true,
    "mode": "cli"
  }
}

如果需要通过代理访问 LLM API：

{
  "llm": {
    "proxy": "http://127.0.0.1:7890"
  }
}

或使用环境变量：

export HTTP_PROXY=http://127.0.0.1:7890
export HTTPS_PROXY=http://127.0.0.1:7890

• 密码认证：--auth-method password --password yourpassword
• 密钥认证：--auth-method key --key-path ~/.ssh/id_rsa

auto-deployer deploy [OPTIONS]

必需参数：
  --repo        Git 仓库 URL（支持 SSH 和 HTTPS）

远程部署必需：
  --host        目标服务器地址
  --user        SSH 用户名
  --auth-method 认证方式：password 或 key

可选参数：
  --local, -L   本地部署模式（无需 SSH）
  --deploy-dir  目标部署目录（默认：~/<repo_name>）
  --port        SSH 端口（默认 22，仅远程部署）
  --password    SSH 密码（auth-method=password 时）
  --key-path    SSH 私钥路径（auth-method=key 时）
  --config      自定义配置文件路径
  --workspace   本地工作目录

# 列出所有部署日志
auto-deployer logs --list

# 查看最近一次部署
auto-deployer logs --latest

# 查看特定日志
auto-deployer logs --file deploy_project_20251202_120000.json

# 仅显示摘要
auto-deployer logs --latest --summary

src/auto_deployer/
├── cli.py              # 命令行接口
├── config.py           # 配置管理
├── workflow.py         # 部署工作流
├── analyzer/           # 仓库分析模块
│   └── repo_analyzer.py
├── llm/                # LLM 提供商
│   ├── agent.py        # Agent 核心逻辑（包含规划功能）
│   ├── gemini.py
│   └── openai.py
├── orchestrator/       # 部署规划与编排
│   ├── orchestrator.py # 部署编排器
│   ├── step_executor.py# 步骤执行器
│   ├── models.py       # 数据模型
│   └── prompts.py      # Prompt 模板
├── ssh/                # SSH 会话管理
│   ├── session.py
│   └── probe.py
├── local/              # 本地会话管理
│   ├── session.py
│   └── probe.py
├── interaction/        # 用户交互处理
│   └── handler.py
├── knowledge/          # 经验存储与检索（可选）
│   ├── store.py
│   └── retriever.py
└── workspace/          # 工作空间管理
    └── manager.py

默认启用，两阶段部署：

1. 规划阶段：LLM 分析项目并生成结构化部署计划
2. 执行阶段：按计划逐步执行，每个步骤内 LLM 自主决策

优势：

• ✅ 可预测：执行前可查看完整计划
• ✅ 可控制：步骤失败时可选择重试/跳过/中止
• ✅ 可追踪：结构化日志记录每个步骤的执行细节

• 📖 模块参考文档 - 完整的 API 参考
• 📋 部署规划功能 - 规划功能的详细说明
• 💡 使用示例 - 实际使用场景
• 🏗️ 架构设计 - 系统架构说明
• ⌨️ CLI 参考 - 命令行详细说明

MIT