MCP代码执行器
](https://smithery.ai/server/@bazinga012/mcp_code_executor)
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能够通过访问环境中定义的库和依赖关系来运行代码。它还支持增量代码生成，以处理可能超过令牌限制的大型代码块。
特性
- 从LLM提示执行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
- 需要时安装依赖项
- 检查软件包是否已安装
- 在运行时动态配置环境
- 可配置代码存储目录
先决条件
- 已安装Node.js
- 以下之一：
- 已安装Conda，并创建了所需的Conda环境 - Python虚拟环境 - UV虚拟
设置
- 克隆此存储库：
git clone https://github.com/bazinga012/mcp_code_executor.git- 导航到项目目录：
cd mcp_code_executor- 安装Node.js依赖项：
npm install- 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： Dockerfile仅在venv-uv环境类型下进行了测试。其他环境类型可能需要额外的配置。
环境变量
必需变量
CODE_STORAGE_DIR：存储生成代码的目录
环境类型（选择一个设置）
- 对于Conda：
- ENV_TYPE：设置为 conda - CONDA_ENV_NAME：要使用的Conda环境的名称
- 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
检查环境中是否已安装包。
{
"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
创建一个包含初始内容的新Python文件。对于可能超过令牌限制的较长代码，请将此作为第一步。
{
"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。使用此选项可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。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。在附加更多内容或执行文件之前，使用此功能验证文件的当前状态。
{
"name": "read_code_file",
"arguments": {
"file_path": "/path/to/code/storage/my_script_abc123.py"
}
}用法
配置后，MCP代码执行器将允许LLM通过在指定的文件中生成文件来执行Python代码 CODE_STORAGE_DIR 并在配置的环境中运行它。
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
对于可能超过LLM令牌限制的较大代码块，请使用增量代码生成方法：
- 初始化文件 使用基本结构
initialize_code_file - 添加更多代码 在后续通话中使用
append_to_code_file - 验证文件内容 如果需要使用
read_code_file - 执行完整代码 使用
execute_code_file
这种方法允许LLM编写复杂的多部分代码，而不会遇到令牌限制。
向后兼容
此软件包保持与早期版本的向后兼容性。仅指定Conda环境的早期版本的用户将继续工作，而不会对其配置进行任何更改。
贡献
欢迎投稿！请打开问题或提交拉取请求。
许可证
该项目根据MIT许可证获得许可。