python runner MCP

Python运行程序MCP服务器

英语 | 中文

基于FastMCP框架的Python代码执行服务器，专为数据科学和机器学习工作流程而设计。

🚀 特性

• 安全的Python代码执行：在隔离的命名空间中执行Python代码
• 丰富的数据科学图书馆：预装了常用的数据科学和机器学习软件包
• 实时输出捕获：捕获标准输出、错误输出和返回值
• MCP协议支持：与模型上下文协议完全兼容
• 易于使用：提供简单干净的API接口

⚡ 快速入门（推荐）

使用 uvx 无需安装即可直接运行服务器：\[TODO….\]

# Run directly (no pre-installation required)
uvx python-runner

在Claude桌面中配置

将以下配置添加到您的Claude Desktop配置文件中：

{
  "mcpServers": {
    "python-runner": {
      "command": "uvx",
      "args": ["python-runner"]
    }
  }
}

配置文件位置：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• 视窗: %APPDATA%\Claude\claude_desktop_config.json

调试和测试

# Use MCP Inspector to debug the server
npx @modelcontextprotocol/inspector uvx python-runner

📦 预装库

此项目预装了以下常用的数据科学和机器学习库：

• 数据处理: numpy, pandas, scipy
• 机器学习: scikit-learn
• 数据可视化: matplotlib, seaborn, plotly
• 科学计算: sympy
• 图像处理: pillow
• 网络分析: networkx
• 交互式开发: jupyter
• HTTP请求: requests

🛠️ 手动安装（用于开发）

先决条件

• Python 3.12或更高版本
• uv包管理器（推荐）或pip

使用紫外线进行安装（推荐）

# Clone the repository
git clone 
cd python_runner

# Install dependencies
uv sync

使用pip安装

# Clone the repository
git clone 
cd python_runner

# Create virtual environment
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# Install dependencies
pip install -e .

🚀 用法

与Claude Desktop一起使用

配置后，您可以直接在Claude Desktop中使用Python代码执行功能：

Please help me execute this Python code:

import pandas as pd
import numpy as np

# Create sample data
data = pd.DataFrame({
    'sales': [100, 150, 200, 120, 180],
    'profit': [20, 30, 50, 25, 40]
})

print("Sales data statistics:")
print(data.describe())

作为独立MCP服务器运行

# Using uvx (recommended)
uvx python-runner

# Or run locally
python main.py

API直接调用

from main import execute_python

# Execute simple Python code
result = execute_python("""
print("Hello, World!")
x = 1 + 2
print(f"Result: {x}")
""")

print(result)
# Output:
# {
#     'output': 'Hello, World!\nResult: 3\n',
#     'error': '',
#     'success': True
# }

数据科学示例

# Data analysis example
code = """
import pandas as pd
import numpy as np

# Create sample data
data = pd.DataFrame({
    'x': np.random.randn(100),
    'y': np.random.randn(100)
})

print(f"Data shape: {data.shape}")
print(f"Statistical summary:\n{data.describe()}")
"""

result = execute_python(code)
print(result['output'])

# Machine learning example
code = """
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# Generate sample data
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Train model
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)

# Predict and evaluate
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Model accuracy: {accuracy:.4f}")
"""

result = execute_python(code)
print(result['output'])

📋 api参考

execute_python(code: str) -> dict

执行Python代码并返回结果。

参数：

• code （str）：要执行的Python代码字符串

退货：

• dict：包含以下键的词典：

- output （str）：标准输出内容 - error （str）：错误消息（如果有的话） - success （bool）：执行是否成功

🔒 安全

• 代码在隔离的命名空间中执行
• 捕获并重定向标准输出和错误输出
• 提供详细的错误跟踪信息

⚠️ 警告：此工具执行任意Python代码。请确保您在受信任的环境中使用它。

🤝 贡献

欢迎问题和拉取请求！

1. 分叉此存储库
2. 创建要素分支(git checkout -b feature/AmazingFeature)
3. 提交您的更改(git commit -m 'Add some AmazingFeature')
4. 推到分支(git push origin feature/AmazingFeature)
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

• FastMCP -优秀的MCP框架
• 预装开源数据科学库的所有维护者

______________________________________________________________________

由以下材料制成❤️ 面向数据科学界