Dots软件基础设施AI 评分 · 62/100AI 辅助编辑·未发现明显提示词注入风险X

用 dots 对话层调度自建 MCP 管理云基础设施与编码 agent

语音或聊天描述需求 → Dot 转为结构化任务 → MCP 读写状态并派发云端 worker → 收集 PR/CI/审查证据 → 人工确认关键决策

经验丰富步骤流程贴士
给谁
有基础设施管理需求的工程师或技术负责人
你会得到
通过自然语言统一调度 Cloudflare、AWS、Claude Code 等工具，形成可验证的执行证据链
你需要
dots · Cloudflare · AWS · 自建任务板

硬约束

需要：OpenAI dots 访问权限；Cloudflare 和 AWS 账号及 API 凭证；Claude Code 云端 agent 环境；自建 MCP 服务器（连接上述服务）；自建任务板系统（维护共享状态）。具体实现细节未在来源中披露。

他们做了什么

BroadsideCode 使用 OpenAI dots 作为对话层，通过自建的 MCP 服务器连接 Cloudflare、AWS 基础设施和 Claude Code 云端编码 agent，并配合自建的任务板系统，形成一个从意图输入到云端执行再到证据验证的完整工作流。

效果如何

作者自述该系统'not perfect'（并不完美），但已重度使用（'I use the F out of it'）。任务板作为共享状态中心，云端 agent 执行实际工作，对话层负责连接意图、执行与验证结果。作者希望 OpenAI 继续改进 dots 在编码和工程工作方面的能力。（author_report）

值得知道

1. 来源未提供 MCP 服务器和任务板的具体实现代码或架构细节。2. 作者提到'Evidence below'但未在抓取的 snapshot 中提供具体证据，可能为回复线程未完整抓取。3. 无费用、延迟或规模数据。4. 无失败处理或回滚的具体案例展示。5. 本站未测试任何组件，上述描述完全基于作者自述。

步骤

  1. 用语音或聊天描述工作意图

    向 dots 描述需要完成的工作。Dot 会自动将意图转换为结构化任务，包含：范围（scope）、验收标准（acceptance criteria）、所需技能（required skills）、agent 角色（agent roles）、执行限制（execution limits）和回滚指令（rollback instructions）。

  2. 通过 MCP 调度云端 agent 并追踪状态

    Dot 通过 MCP 读取并更新任务板上的任务状态，向云端 worker（Cloudflare、AWS、Claude Code 等）派发工作，并追踪任务从 queued（排队）→ running（运行）→ review（审查）的流转。版本检查机制防止多个 agent 盲目覆盖彼此的更改。

  3. 收集执行证据并交叉验证

    执行完成后收集多种证据：运行引用（run references）、Pull Request、CI 结果、独立审查意见和可下载产物。编排器（orchestrator）会核对这些记录是否一致。注意：已分派的作业不等于已完成，CI 通过也不等于产物正确。

  4. 人工介入关键决策

    在决策、支出、破坏性操作和生产环境审批等关键节点保持人工在环（human-in-the-loop）。AI 将系统状态转化为清晰的下一步操作，使你可以在不逐个登录工具的情况下运行工作流。任务板持有共享状态，云端 agent 执行实际工作，对话层连接意图、执行与验证结果。

可复制提示词

参考提示词 · 本站建议版本。使用前确认粘贴位置、输入变量及输出格式。

这一段是提示词，页面不会在这里插入广告。

无提示词，按步骤操作即可。

本案例为产品使用模式描述，无可复制提示词。实际搭建需自行开发 MCP 服务器和任务板系统。

来源

用 Dot 经自建 MCP 编排 Cloudflare/AWS/Claude Code 云端 agent，产出 PR/CI 证据链 · BroadsideCode · X · 2026-10-24T06:31:35.000Z

留言与反馈

试过这个方法吗？分享效果、遇到的问题或改进建议。留言审核后公开，请勿填写敏感信息。

正在加载…

    相关用例