MCP Code Executor MCP Server

Co dělá MCP Code Executor MCP Server?

MCP Code Executor je server MCP (Model Context Protocol), který umožňuje jazykovým modelům (LLM) spouštět Python kód ve specifikovaném Python prostředí, jako je Conda, virtualenv nebo UV virtualenv. Propojením AI asistentů s reálnými, spustitelnými Python prostředími jim dává možnost provádět širokou škálu vývojových úloh vyžadujících spouštění kódu, správu knihoven a dynamické nastavení prostředí. Tento server podporuje inkrementální generování kódu pro překonání tokenových limitů, umožňuje průběžnou instalaci závislostí a usnadňuje konfiguraci prostředí za běhu. Vývojáři mohou tento nástroj využít k automatizaci vyhodnocování kódu, experimentování s novými balíčky a správě výpočtů v kontrolovaném a bezpečném prostředí.

Seznam promptů

V repozitáři ani dokumentaci nejsou uvedeny žádné konkrétní šablony promptů.

Seznam zdrojů

V repozitáři ani dokumentaci nejsou popsány žádné konkrétní zdroje.

Seznam nástrojů

• execute_code
  • Spouští Python kód v nakonfigurovaném prostředí. Vhodné pro krátké úryvky kódu a skripty.
• install_dependencies
  • Instaluje zadané Python balíčky do aktuálního prostředí, což umožňuje dynamické doplňování knihoven dle potřeby.
• check_installed_packages
  • Zjišťuje, které Python balíčky jsou aktuálně v prostředí nainstalovány.

Příklady použití tohoto MCP serveru

• Automatizované vyhodnocování kódu
  • LLM mohou přímo spouštět a testovat úryvky Python kódu, což se hodí pro výuku, recenze nebo ladění.
• Dynamická správa závislostí
  • Na vyžádání instaluje potřebné balíčky, takže LLM mohou upravit prostředí pro specializované úlohy či knihovny.
• Izolace prostředí
  • Spouští kód v izolovaných prostředích Conda nebo virtualenv, což zajišťuje reprodukovatelnost a předchází konfliktům mezi závislostmi.
• Inkrementální generování kódu
  • Podporuje inkrementální spouštění kódu, takže lze zpracovat i velké bloky kódu přesahující limity jednoho výstupu LLM.
• Datová věda a analýza
  • Umožňuje AI agentům provádět analýzy dat, simulace nebo vizualizace spuštěním kódu s běžnými vědeckými Python knihovnami.

Jak jej nastavit

Windsurf

1. Ujistěte se, že je nainstalován Node.js.
2. Naklonujte repozitář MCP Code Executor a sestavte projekt.
3. Najděte svůj konfigurační soubor MCP serverů.
4. Přidejte MCP Code Executor server pomocí následujícího JSON úryvku:

   {
     "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. Uložte soubor a restartujte Windsurf. Ověřte, že je server dostupný.

Zabezpečení API klíčů (příklad proměnných prostředí)

{
  "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. Ujistěte se, že je nainstalován Node.js.
2. Sestavte MCP Code Executor dle pokynů v repozitáři.
3. Otevřete konfigurační soubor MCP serverů pro Claude.
4. Vložte následující konfiguraci:

   {
     "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. Uložte a restartujte Claude. Ověřte, že je server zařazen.

Cursor

1. Nainstalujte Node.js.
2. Naklonujte a sestavte repozitář MCP Code Executor.
3. Upravte MCP konfiguraci Cursoru.
4. Přidejte:

   {
     "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. Uložte a restartujte Cursor. Otestujte spuštěním ukázkového kódu.

Cline

1. Ujistěte se, že je dostupný Node.js.
2. Sestavte MCP Code Executor dle README instrukcí.
3. Najděte konfigurační soubor MCP serverů pro Cline.
4. Přidejte:

   {
     "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. Uložte a restartujte Cline. Ověřte, že je MCP server aktivní.

Poznámka: Můžete také použít Docker. Dodaný Dockerfile je otestován pro typ prostředí venv-uv:

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

Jak tento MCP používat uvnitř toků

Použití MCP ve FlowHunt

Pro integraci MCP serverů do svého workflow ve FlowHunt začněte přidáním MCP komponenty do svého toku a jejím připojením k AI agentovi:

Klikněte na MCP komponentu pro otevření konfiguračního panelu. V sekci systémové konfigurace MCP vložte údaje o svém MCP serveru v tomto JSON formátu:

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

Po konfiguraci může AI agent tento MCP server využívat jako nástroj se všemi jeho funkcemi a možnostmi. Nezapomeňte změnit “mcp-code-executor” na skutečný název svého MCP serveru a URL nahradit adresou svého MCP serveru.

Přehled

Náš názor

Tento MCP server nabízí zásadní a robustní funkčnost pro spouštění kódu s integrací LLM, včetně jasných instrukcí k nastavení a nástrojů. Chybí mu však šablony promptů, explicitní zdroje a informace o kořenech či sampling podpoře. Pro MCP zaměřený na spouštění kódu je velmi solidní, boduje vysoko v praktické užitečnosti a snadné integraci, ale ztrácí body za chybějící pokročilé MCP funkce a úplnost dokumentace.

MCP skóre