MCP Code Executor MCP Server

Hva gjør “MCP Code Executor” MCP Server?

MCP Code Executor er en MCP (Model Context Protocol) server som lar språkmodeller (LLM-er) kjøre Python-kode i et angitt Python-miljø, som Conda, virtualenv eller UV virtualenv. Ved å koble AI-assistenter til ekte, kjørbare Python-miljøer, gir den dem mulighet til å utføre en rekke utviklingsoppgaver som krever kodekjøring, bibliotekadministrasjon og dynamisk miljøoppsett. Denne serveren støtter inkrementell kodegenerering for å overvinne tokenbegrensninger, muliggjør installasjon av avhengigheter underveis og forenkler kjøretidskonfigurasjon av utførelsesmiljøet. Utviklere kan dra nytte av dette verktøyet for å automatisere kodeevaluering, eksperimentere med nye pakker og styre beregninger i et kontrollert og sikkert miljø.

Liste over prompt-maler

Ingen eksplisitte prompt-maler er oppført i repositoriet eller dokumentasjonen.

Liste over ressurser

Ingen spesifikke ressurser er beskrevet i repositoriet eller dokumentasjonen.

Liste over verktøy

• execute_code
  • Kjører Python-kode i det konfigurerte miljøet. Egnet for å kjøre korte kodebiter og skript.
• install_dependencies
  • Installerer spesifiserte Python-pakker i det nåværende miljøet, og muliggjør dynamisk inkludering av biblioteker etter behov.
• check_installed_packages
  • Sjekker hvilke Python-pakker som for øyeblikket er installert i miljøet.

Bruksområder for denne MCP-serveren

• Automatisert kodeevaluering
  • LLM-er kan kjøre og teste Python-kodebiter direkte, noe som er nyttig i utdanning, gjennomgang eller feilsøkingssammenheng.
• Dynamisk avhengighetsstyring
  • Installerer nødvendige pakker underveis, slik at LLM-er kan tilpasse utførelsesmiljøet for spesialiserte oppgaver eller biblioteker.
• Miljøisolasjon
  • Kjører kode i isolerte Conda- eller virtualenv-miljøer, som sikrer reproduserbarhet og forhindrer avhengighetskonflikter.
• Inkrementell kodegenerering
  • Støtter inkrementell kodekjøring, noe som gjør det mulig å håndtere store kodeblokker som kan overskride tokenbegrensningene i én LLM-respons.
• Datavitenskap og analyse
  • Gjør det mulig for AI-agenter å utføre dataanalyse, kjøre simuleringer eller visualisere resultater ved å kjøre kode med vanlige vitenskapelige Python-biblioteker.

Slik setter du det opp

Windsurf

1. Forsikre deg om at Node.js er installert.
2. Klon MCP Code Executor-repositoriet og bygg prosjektet.
3. Finn konfigurasjonsfilen for dine MCP-servere.
4. Legg til MCP Code Executor-serveren med følgende JSON-utdrag:

   {
     "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. Lagre filen og start Windsurf på nytt. Verifiser at serveren er tilgjengelig.

Sikre API-nøkler (eksempel med miljøvariabler)

{
  "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. Forsikre deg om at Node.js er installert.
2. Bygg MCP Code Executor i henhold til repositoriets instruksjoner.
3. Åpne konfigurasjonsfilen for Claudes MCP-servere.
4. Sett inn følgende konfigurasjon:

   {
     "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. Lagre og start Claude på nytt. Bekreft at serveren er oppført.

Cursor

1. Installer Node.js.
2. Klon og bygg MCP Code Executor-repositoriet.
3. Rediger Cursors MCP-konfigurasjon.
4. Legg til:

   {
     "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. Lagre og start Cursor på nytt. Test ved å kjøre en eksempel-kodekjøring.

Cline

1. Forsikre deg om at Node.js er tilgjengelig.
2. Bygg MCP Code Executor etter README-instruksjonene.
3. Finn Clines konfigurasjonsfil for MCP-servere.
4. Legg til:

   {
     "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. Lagre og start Cline på nytt. Verifiser at MCP-serveren er aktiv.

Merk: Du kan også bruke Docker. Den medfølgende Dockerfile er testet for venv-uv-miljøtype:

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

Slik bruker du denne MCP-en i flows

Bruke MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flowen din og koble den til AI-agenten:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsdel limer du inn MCP-serverdetaljene dine med dette JSON-formatet:

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

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-serveren som et verktøy med tilgang til alle dens funksjoner og muligheter. Husk å endre “mcp-code-executor” til det faktiske navnet på din MCP-server og erstatte URL-en med din egen MCP-server-URL.

Oversikt

Vår mening

Denne MCP-serveren gir essensiell og robust funksjonalitet for kodekjøring med LLM-integrasjon, sammen med klare oppsettinstruksjoner og verktøy. Den mangler derimot prompt-maler, eksplisitte ressurser og informasjon om røtter eller sampling-støtte. For en MCP med fokus på kodekjøring er den svært solid, scorer høyt på praktisk nytte og enkel integrering, men mister noen poeng på grunn av manglende avanserte MCP-funksjoner og dokumentasjonskompletthet.

MCP-score