ماذا يفعل خادم “MCP Code Executor”؟

يعد MCP Code Executor خادم MCP (بروتوكول سياق النماذج) يمكّن نماذج اللغة (LLMs) من تنفيذ كود بايثون ضمن بيئة بايثون مخصصة، مثل Conda أو virtualenv أو UV virtualenv. من خلال ربط مساعدي الذكاء الاصطناعي ببيئات بايثون حقيقية قابلة للتنفيذ، يمنحهم القدرة على أداء مجموعة واسعة من مهام التطوير التي تتطلب تنفيذ كود، إدارة مكتبات، وإعداد بيئات ديناميكيًا. يدعم هذا الخادم توليد الكود المتزايد لتجاوز قيود الرموز، يسمح بتثبيت الاعتمادات فورًا، ويسهّل تكوين بيئة التنفيذ أثناء التشغيل. يمكن للمطورين الاستفادة من هذه الأداة لأتمتة تقييم الكود، تجربة الحزم الجديدة، وإدارة العمليات الحسابية ضمن بيئة محكمة وآمنة.

قائمة المحفزات (Prompts)

لا توجد قوالب محفزات صريحة مذكورة في المستودع أو التوثيق.

قائمة الموارد

لا توجد موارد محددة موصوفة في المستودع أو التوثيق.

قائمة الأدوات

• execute_code
  • ينفذ كود بايثون في البيئة المضبوطة. مناسب لتشغيل مقاطع كود قصيرة وسكريبتات.
• install_dependencies
  • يثبت حزم بايثون المحددة في البيئة الحالية، مما يسمح بإضافة المكتبات ديناميكيًا حسب الحاجة.
• check_installed_packages
  • يتحقق من الحزم البرمجية المثبتة حالياً ضمن البيئة.

حالات الاستخدام لهذا الخادم MCP

• تقييم الكود التلقائي
  • يمكن لـ LLMs تنفيذ واختبار مقاطع كود بايثون مباشرة، ما يفيد في التعليم أو المراجعة أو تصحيح الأخطاء.
• إدارة الاعتمادات الديناميكية
  • يثبت الحزم المطلوبة فورًا، ما يمكّن LLMs من تكييف بيئة التنفيذ لمهام أو مكتبات خاصة.
• عزل البيئة
  • يشغل الكود داخل بيئات Conda أو virtualenv معزولة، ما يضمن إمكانية إعادة الإنتاج ويمنع تضارب الاعتمادات.
• توليد الكود المتزايد
  • يدعم تنفيذ الكود بشكل متزايد، ما يجعل من الممكن معالجة كتل كود كبيرة قد تتجاوز حدود الرموز باستجابة واحدة من LLM.
• علم البيانات والتحليل
  • يمكّن وكلاء الذكاء الاصطناعي من إجراء التحليل البياني، تشغيل المحاكاة، أو عرض النتائج بتنفيذ الكود مع مكتبات بايثون العلمية الشائعة.

كيفية إعداده

Windsurf

1. تأكد من تثبيت Node.js.
2. استنسخ مستودع MCP Code Executor وابنِ المشروع.
3. حدد موقع ملف إعدادات خوادم MCP لديك.
4. أضف خادم MCP Code Executor باستخدام المقطع التالي من JSON:

   {
     "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"
         }
       }
     }
   }
   

5. احفظ الملف وأعد تشغيل Windsurf. تحقق من إمكانية الوصول للخادم.

تأمين مفاتيح API (مثال متغيرات البيئة)

{
  "mcpServers": {
    "mcp-code-executor": {
      "env": {
        "CODE_STORAGE_DIR": "/path/to/code/storage",
        "ENV_TYPE": "conda",
        "CONDA_ENV_NAME": "your-conda-env",
        "MY_SECRET_API_KEY": "${MY_SECRET_API_KEY}"
      },
      "inputs": {
        "apiKey": "${MY_SECRET_API_KEY}"
      }
    }
  }
}

Claude

1. تأكد من تثبيت Node.js.
2. ابنِ MCP Code Executor حسب تعليمات المستودع.
3. افتح ملف إعدادات خوادم MCP لـ Claude.
4. أدخل التكوين التالي:

   {
     "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"
         }
       }
     }
   }
   

5. احفظ وأعد تشغيل Claude. تأكد من إدراج الخادم.

Cursor

1. ثبت Node.js.
2. استنسخ وابنِ مستودع MCP Code Executor.
3. عدّل إعدادات MCP الخاصة بـ Cursor.
4. أضف:

   {
     "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"
         }
       }
     }
   }
   

5. احفظ وأعد تشغيل Cursor. اختبر بتنفيذ كود تجريبي.

Cline

1. تأكد من توفر Node.js.
2. ابنِ MCP Code Executor مستخدمًا تعليمات README.
3. حدد موقع ملف إعدادات خوادم MCP لـ Cline.
4. أضف:

   {
     "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"
         }
       }
     }
   }
   

5. احفظ وأعد تشغيل Cline. تحقق من أن خادم MCP نشط.

ملاحظة: يمكنك أيضًا استخدام Docker. تم اختبار Dockerfile المرفق لنوع البيئة venv-uv:

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

كيفية استخدام هذا MCP داخل التدفقات

استخدام MCP في FlowHunt

لبدء دمج خوادم MCP في سير عمل FlowHunt الخاص بك، ابدأ بإضافة مكون MCP إلى تدفقك وربطه بوكيل الذكاء الاصطناعي الخاص بك:

انقر على مكون MCP لفتح لوحة الإعدادات. في قسم إعدادات النظام لـ MCP، أدخل تفاصيل خادم MCP باستخدام هذا الشكل من JSON:

{
  "mcp-code-executor": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

بعد الإعداد، يصبح وكيل الذكاء الاصطناعي قادرًا على استخدام هذا MCP كأداة مع إمكانية الوصول لجميع وظائفه وقدراته. تذكر تغيير “mcp-code-executor” إلى اسم خادم MCP الفعلي الخاص بك واستبدال عنوان URL بعنوان MCP الخاص بك.

نظرة عامة

رأينا

يوفر هذا الخادم MCP وظائف أساسية وقوية لتنفيذ الكود مع تكامل LLM، إلى جانب تعليمات إعداد واضحة وأدوات مناسبة. ومع ذلك، يفتقر إلى قوالب المحفزات، الموارد الصريحة، ومعلومات حول الجذور أو دعم التوليد. بالنسبة لـ MCP يركز على تنفيذ الكود، فهو قوي جدًا ويحصل على تقييم مرتفع من حيث الفائدة العملية وسهولة الدمج، لكنه يخسر بعض النقاط بسبب غياب بعض ميزات MCP المتقدمة وكمال التوثيق.

تقييم MCP