Jupyter Code Executor MCP Server

Jupyter代码执行器MCP服务器

一个强大的 模型上下文协议（MCP） 服务器，使AI助手能够通过Jupyter内核以多种编程语言执行代码。此服务器提供 有状态的 和 无状态 具有会话管理、自动清理和全面数据分析工具的代码执行功能。

✨ 主要特点

🚀 多语言代码执行

• 通用内核支持：使用已安装的Jupyter内核（Python、R、Julia等）以任何语言执行代码
• 双重执行模式:

- 有意义的会议：在同一会话内的多个执行中维护可变上下文 - 无状态执行：无持久上下文的一次性代码执行

🎯 内置数据分析功能

• 预配置环境：包括基本数据科学库（Pandas、NumPy、Scikit-learn、Seaborn等）
• 专家提示模板：内置数据分析师提示，包含EDA、ML和可视化的最佳实践
• 专业可视化：Seaborn和Matplotlib集成用于出版质量图表

📋 先决条件

• python: >= 3.11
• 紫外线：现代Python包安装程序（推荐）
• 朱庇特：目标语言的Jupyter内核

🔧 安装

使用紫外线（推荐）

# Install the package
uv pip install jupyter-code-executor-mcp-server

# Or install from source
git clone https://github.com/twn39/jupyter-code-executor-mcp-server.git
cd jupyter-code-executor-mcp-server
uv sync
uv run jupyter-code-executor-mcp-server

使用pip

pip install jupyter-code-executor-mcp-server

🚀 快速开始

启动服务器

# Start with default settings
uv run jupyter-code-executor-mcp-server

# Start with custom configuration
uv run jupyter-code-executor-mcp-server \
  --port 8080 \
  --data_dir ~/my-data \
  --output_dir ~/my-output \
  --session-timeout 1200

命令行选项

测试服务器

使用MCP检查器与服务器交互：

pnpx @modelcontextprotocol/inspector

📚 可用的MCP工具

1. list_kernels

列出系统上所有已安装和可用的Jupyter内核。

退货：包含内核名称和显示名称的字符串

示例响应:

Available Jupyter Kernels:
Format: [Kernel Name] - [Display Name]
----------------------------------------
- python3: Python 3
- ir: R
- julia-1.9: Julia 1.9

2. execute_code

使用可选的会话持久性在指定的Jupyter内核中执行代码。

参数:

• code （string）：要执行的代码
• kernel_name （string）：目标内核名称（使用 list_kernels 查找可用内核）
• session_id （字符串，可选）：用于有状态执行的会话标识符

退货：执行结果，包括内核名称、退出代码和输出

无状态示例 python

# Execute code without session persistence
code = """
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
print(df.describe())
"""

有说服力的例子 （带会话的Python）：

# First execution - create variables
session_id = "data-analysis-001"
code1 = """
import pandas as pd
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})
"""

# Second execution - reuse variables from session
code2 = """
# df is still available from previous execution
print(df.describe())
print(f"Shape: {df.shape}")
"""

R示例:

# Execute R code
code = """
data <- data.frame(x = 1:10, y = rnorm(10))
summary(data)
plot(data$x, data$y)
"""
kernel_name = "ir"

📖 可用提示

data_analyst_prompt

一个全面的人工智能数据分析提示模板，具有以下特点：

• 统计分析：EDA、假设检验、归因分析、时间序列
• 机器学习：监督/无监督学习、模型评估、超参数调整
• 深度学习：使用TensorFlow/PyThorch的神经网络、CNN、RNN/LSTM
• 专业可视化：Seaborn/Matplotlib出版质量图表
• 迭代工作流：思考→ Act → 观察→ 解释周期

此提示将您的AI助手转变为具有代码执行能力的专家数据科学家。

🤝 贡献

欢迎投稿！请随时提交拉取请求。对于重大更改，请先打开一个问题来讨论您想要更改的内容。

开发设置

1. 分叉存储库
2. 创建功能分支(git checkout -b feature/amazing-feature)
3. 提交您的更改(git commit -m 'Add some amazing feature')
4. 推到分支(git push origin feature/amazing-feature)
5. 打开拉取请求

📄 许可证

此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。

🙏 致谢

• 建于 快速MCP
• 由...驱动 朱庇特
• 执行引擎： 自动生成

______________________________________________________________________

备注：此服务器需要为您要执行的语言正确配置Jupyter内核。使用以下命令安装内核 pip install ipykernel python install.packages('IRkernel') （R） ，或遵循相应的内核安装指南。