MCP 代码执行器

MCP 代码执行器是一个 MCP 服务器，允许 LLM 在指定的 Python 环境中执行 Python 代码。这使得 LLM 可以在访问环境中定义的库和依赖项的情况下运行代码。它还支持增量代码生成，以处理可能超出令牌限制的大型代码块。

功能

• 从 LLM 提示中执行 Python 代码
• 支持增量代码生成以克服令牌限制
• 在指定环境（Conda、virtualenv 或 UV virtualenv）中运行代码
• 在需要时安装依赖项
• 检查包是否已安装
• 在运行时动态配置环境
• 可配置的代码存储目录

前提条件

• 已安装 Node.js
• 以下之一：
  • 已安装 Conda 并创建了所需的 Conda 环境
  • Python virtualenv
  • UV virtualenv

设置

1. 克隆此仓库：

git clone https://github.com/bazinga012/mcp_code_executor.git

2. 进入项目目录：

cd mcp_code_executor

3. 安装 Node.js 依赖项：

npm install

4. 构建项目：

npm run build

配置

要配置 MCP 代码执行器服务器，请将以下内容添加到您的 MCP 服务器配置文件中：

使用 Node.js

{
  "mcpServers": {
    "mcp-code-executor": {
      "command": "node",
      "args": [
        "/path/to/mcp_code_executor/build/index.js" 
      ],
      "env": {
        "CODE_STORAGE_DIR": "/path/to/code/storage",
        "ENV_TYPE": "conda",
        "CONDA_ENV_NAME": "your-conda-env"
      }
    }
  }
}

使用 Docker

{
  "mcpServers": {
    "mcp-code-executor": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "mcp-code-executor"
      ]
    }
  }
}

注意： Dockerfile 仅测试了 venv-uv 环境类型。其他环境类型可能需要额外配置。

环境变量

必填变量

• CODE_STORAGE_DIR: 生成代码的存储目录

环境类型（选择一种设置）

• 对于 Conda：

  • ENV_TYPE: 设置为 conda
  • CONDA_ENV_NAME: 要使用的 Conda 环境名称

• 对于标准 Virtualenv：

  • ENV_TYPE: 设置为 venv
  • VENV_PATH: virtualenv 目录的路径

• 对于 UV Virtualenv：

  • ENV_TYPE: 设置为 venv-uv
  • UV_VENV_PATH: UV virtualenv 目录的路径

可用工具

MCP 代码执行器为 LLM 提供以下工具：

1. execute_code

在配置的环境中执行 Python 代码。最适合短代码片段。

{
  "name": "execute_code",
  "arguments": {
    "code": "import numpy as np\nprint(np.random.rand(3,3))",
    "filename": "matrix_gen"
  }
}

2. install_dependencies

在环境中安装 Python 包。

{
  "name": "install_dependencies",
  "arguments": {
    "packages": ["numpy", "pandas", "matplotlib"]
  }
}

3. check_installed_packages

检查包是否已安装在环境中。

{
  "name": "check_installed_packages",
  "arguments": {
    "packages": ["numpy", "pandas", "non_existent_package"]
  }
}

4. configure_environment

动态更改环境配置。

{
  "name": "configure_environment",
  "arguments": {
    "type": "conda",
    "conda_name": "new_env_name"
  }
}

5. get_environment_config

获取当前环境配置。

{
  "name": "get_environment_config",
  "arguments": {}
}

6. initialize_code_file

创建带有初始内容的新 Python 文件。将此作为可能超出令牌限制的较长代码的第一步。

{
  "name": "initialize_code_file",
  "arguments": {
    "content": "def main():\n    print('Hello, world!')\n\nif __name__ == '__main__':\n    main()",
    "filename": "my_script"
  }
}

7. append_to_code_file

将内容附加到现有的 Python 代码文件中。使用此工具将更多代码添加到使用 initialize_code_file 创建的文件中。

{
  "name": "append_to_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py",
    "content": "\ndef another_function():\n    print('This was appended to the file')\n"
  }
}

8. execute_code_file

执行现有的 Python 文件。在使用 initialize_code_file 和 append_to_code_file 构建代码后，将此作为最后一步。

{
  "name": "execute_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py"
  }
}

9. read_code_file

读取现有 Python 代码文件的内容。使用此工具在附加更多内容或执行文件之前验证文件的当前状态。

{
  "name": "read_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py"
  }
}

使用

一旦配置完成，MCP 代码执行器将允许 LLM 通过生成指定 CODE_STORAGE_DIR 中的文件并在配置的环境中运行来执行 Python 代码。

LLM 可以通过在提示中引用此 MCP 服务器来生成和执行代码。

处理大型代码块

对于可能超出 LLM 令牌限制的较大代码块，请使用增量代码生成方法：

1. 初始化文件 使用 initialize_code_file 创建基本结构
2. 添加更多代码 在后续调用中使用 append_to_code_file
3. 验证文件内容 如果需要，使用 read_code_file
4. 执行完整代码 使用 execute_code_file

这种方法允许 LLM 编写复杂、多部分的代码，而不会遇到令牌限制。

向后兼容性

此包保持与早期版本的向后兼容性。仅指定了 Conda 环境的先前版本用户将继续工作，无需更改其配置。

贡献

欢迎贡献！请提出问题或提交拉取请求。

许可证

此项目根据 MIT 许可证授权。