MCP Code Executor MCP Server

Co robi serwer “MCP Code Executor” MCP Server?

MCP Code Executor to serwer MCP (Model Context Protocol), który umożliwia modelom językowym (LLM) wykonywanie kodu Python w wyznaczonym środowisku Python, takim jak Conda, virtualenv lub UV virtualenv. Łącząc asystentów AI z rzeczywistymi, wykonywalnymi środowiskami Python, pozwala im realizować szeroki zakres zadań deweloperskich wymagających wykonania kodu, zarządzania bibliotekami oraz dynamicznego przygotowania środowiska. Serwer obsługuje inkrementalne generowanie kodu, by obejść ograniczenia tokenów, pozwala na instalację zależności w locie, a także ułatwia konfigurowanie środowiska uruchomieniowego. Programiści mogą wykorzystać to narzędzie do automatycznej oceny kodu, eksperymentowania z nowymi pakietami oraz zarządzania obliczeniami w kontrolowanym i bezpiecznym środowisku.

Lista promptów

Brak explicite zdefiniowanych szablonów promptów w repozytorium lub dokumentacji.

Gotowy na rozwój swojej firmy?

Rozpocznij bezpłatny okres próbny już dziś i zobacz rezultaty w ciągu kilku dni.

Poproś o demo Zaloguj się

Lista zasobów

Brak szczegółowo opisanych zasobów w repozytorium lub dokumentacji.

Lista narzędzi

• execute_code
  • Wykonuje kod Python w skonfigurowanym środowisku. Odpowiedni do uruchamiania krótkich fragmentów kodu i skryptów.
• install_dependencies
  • Instaluje wskazane pakiety Pythona w bieżącym środowisku, umożliwiając dynamiczne dodawanie bibliotek według potrzeb.
• check_installed_packages
  • Sprawdza, które pakiety Python są obecnie zainstalowane w środowisku.

Dołącz do naszego newslettera

Otrzymuj najnowsze wskazówki, trendy i oferty za darmo.

Adres e-mail

Zapisz się

Przykłady użycia tego serwera MCP

• Automatyczna ocena kodu
  • LLM mogą wykonywać i testować fragmenty kodu Python bezpośrednio, co przydaje się w edukacji, recenzjach lub debugowaniu.
• Dynamiczne zarządzanie zależnościami
  • Instalowanie wymaganych pakietów na bieżąco, pozwalając LLM dostosować środowisko do specjalistycznych zadań lub bibliotek.
• Izolacja środowiska
  • Uruchamianie kodu w izolowanych środowiskach Conda lub virtualenv, zapewniając powtarzalność i brak konfliktów zależności.
• Inkrementalne generowanie kodu
  • Obsługuje inkrementalne wykonywanie kodu, co pozwala na obsługę dużych bloków kodu przekraczających limity tokenów w pojedynczej odpowiedzi LLM.
• Data science i analiza
  • Umożliwia agentom AI analizę danych, uruchamianie symulacji lub wizualizowanie wyników przez wykonywanie kodu z popularnymi bibliotekami naukowymi Pythona.

Jak skonfigurować

Windsurf

1. Upewnij się, że Node.js jest zainstalowany.
2. Sklonuj repozytorium MCP Code Executor i zbuduj projekt.
3. Zlokalizuj plik konfiguracyjny serwerów MCP.
4. Dodaj serwer MCP Code Executor używając poniższego fragmentu 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. Zapisz plik i zrestartuj Windsurf. Sprawdź, czy serwer jest dostępny.

Zabezpieczanie kluczy API (przykład zmiennych środowiskowych)

{
  "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. Upewnij się, że Node.js jest zainstalowany.
2. Zbuduj MCP Code Executor zgodnie z instrukcją repozytorium.
3. Otwórz plik konfiguracyjny serwerów MCP Claude’a.
4. Wstaw poniższą konfigurację:

   {
     "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. Zapisz i zrestartuj Claude. Potwierdź, że serwer jest widoczny.

Cursor

1. Zainstaluj Node.js.
2. Sklonuj i zbuduj repozytorium MCP Code Executor.
3. Edytuj konfigurację MCP Cursor.
4. Dodaj:

   {
     "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. Zapisz i zrestartuj Cursor. Przetestuj uruchamiając przykładowe wykonanie kodu.

Cline

1. Upewnij się, że Node.js jest dostępny.
2. Zbuduj MCP Code Executor zgodnie z instrukcją README.
3. Zlokalizuj plik konfiguracyjny serwerów MCP Cline.
4. Dodaj:

   {
     "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. Zapisz i zrestartuj Cline. Sprawdź, czy serwer MCP jest aktywny.

Uwaga: Możesz także użyć Dockera. Dostarczony Dockerfile został przetestowany dla środowiska venv-uv:

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

Jak używać tego MCP w przepływach

Używanie MCP w FlowHunt

Aby zintegrować serwery MCP z workflow FlowHunt, rozpocznij od dodania komponentu MCP do swojego przepływu i połącz go z agentem AI:

Kliknij komponent MCP, aby otworzyć panel konfiguracji. W sekcji konfiguracji systemu MCP wstaw dane serwera MCP w tym formacie JSON:

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

Po skonfigurowaniu agent AI może już korzystać z tego MCP jako narzędzia ze wszystkimi jego funkcjami i możliwościami. Pamiętaj, by zamienić “mcp-code-executor” na faktyczną nazwę swojego serwera MCP i wstawić swój własny adres URL serwera MCP.

Przegląd

Nasza opinia

Ten serwer MCP oferuje kluczową i solidną funkcjonalność wykonywania kodu z integracją LLM, wraz z jasnymi instrukcjami konfiguracji i narzędziami. Brakuje jednak szablonów promptów, explicitnie opisanych zasobów oraz informacji o roots czy sampling support. Jak na MCP skupiony na wykonywaniu kodu jest bardzo mocny, wysoko oceniany za praktyczną użyteczność i łatwość integracji, ale traci punkty za brak zaawansowanych funkcji MCP i kompletności dokumentacji.

Ocena MCP