Servidor MCP Code Executor MCP

O que faz o servidor MCP Code Executor?

O MCP Code Executor é um servidor MCP (Model Context Protocol) que permite que modelos de linguagem (LLMs) executem código Python em um ambiente Python designado, como Conda, virtualenv ou UV virtualenv. Ao conectar assistentes de IA a ambientes Python reais e executáveis, capacita-os a realizar uma ampla gama de tarefas de desenvolvimento que exigem execução de código, gerenciamento de bibliotecas e configuração dinâmica de ambientes. Este servidor suporta geração incremental de código para superar limitações de tokens, permite instalação de dependências sob demanda e facilita a configuração do ambiente de execução em tempo de execução. Desenvolvedores podem aproveitar esta ferramenta para automatizar avaliação de código, experimentar novos pacotes e gerenciar computação em um ambiente controlado e seguro.

Lista de Prompts

Não há templates de prompt explícitos listados no repositório ou documentação.

Lista de Recursos

Não há recursos específicos descritos no repositório ou documentação.

Lista de Ferramentas

• execute_code
  • Executa código Python no ambiente configurado. Adequado para rodar trechos curtos de código e scripts.
• install_dependencies
  • Instala pacotes Python especificados no ambiente atual, permitindo inclusão dinâmica de bibliotecas conforme necessário.
• check_installed_packages
  • Verifica quais pacotes Python estão atualmente instalados no ambiente.

Casos de Uso deste Servidor MCP

• Avaliação Automática de Código
  • LLMs podem executar e testar trechos de código Python diretamente, útil em contextos educacionais, de revisão ou depuração.
• Gerenciamento Dinâmico de Dependências
  • Instala pacotes necessários sob demanda, permitindo que LLMs adaptem o ambiente de execução para tarefas ou bibliotecas especializadas.
• Isolamento de Ambiente
  • Executa código em ambientes isolados Conda ou virtualenv, garantindo reprodutibilidade e evitando conflitos entre dependências.
• Geração Incremental de Código
  • Suporta execução incremental de código, possibilitando lidar com grandes blocos de código que podem exceder o limite de tokens em uma única resposta do LLM.
• Ciência de Dados e Análise
  • Permite que agentes de IA realizem análise de dados, rodem simulações ou visualizem resultados executando código com bibliotecas científicas Python comuns.

Como configurar

Windsurf

1. Certifique-se de que o Node.js está instalado.
2. Clone o repositório MCP Code Executor e construa o projeto.
3. Localize o arquivo de configuração dos seus servidores MCP.
4. Adicione o servidor MCP Code Executor usando o seguinte trecho de 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. Salve o arquivo e reinicie o Windsurf. Verifique se o servidor está acessível.

Protegendo Chaves de API (Exemplo com Variáveis de Ambiente)

{
  "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. Certifique-se de que o Node.js está instalado.
2. Construa o MCP Code Executor seguindo as instruções do repositório.
3. Abra o arquivo de configuração dos servidores MCP do Claude.
4. Insira a seguinte configuração:

   {
     "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. Salve e reinicie o Claude. Confirme que o servidor está listado.

Cursor

1. Instale o Node.js.
2. Clone e construa o repositório MCP Code Executor.
3. Edite a configuração MCP do Cursor.
4. Adicione:

   {
     "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. Salve e reinicie o Cursor. Teste executando um código de exemplo.

Cline

1. Certifique-se de que o Node.js está disponível.
2. Construa o MCP Code Executor usando as instruções do README.
3. Localize o arquivo de configuração MCP do Cline.
4. Adicione:

   {
     "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. Salve e reinicie o Cline. Verifique se o servidor MCP está ativo.

Nota: Você também pode usar Docker. O Dockerfile fornecido é testado para o tipo de ambiente venv-uv:

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

Como usar este MCP em fluxos

Usando MCP no FlowHunt

Para integrar servidores MCP ao seu workflow no FlowHunt, comece adicionando o componente MCP ao seu fluxo e conectando-o ao seu agente de IA:

Clique no componente MCP para abrir o painel de configuração. Na seção de configuração do sistema MCP, insira os detalhes do seu servidor MCP usando este formato JSON:

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

Uma vez configurado, o agente de IA poderá utilizar este MCP como ferramenta, com acesso a todas as suas funções e capacidades. Lembre-se de alterar “mcp-code-executor” para o nome real do seu servidor MCP e substituir a URL pela URL do seu próprio servidor MCP.

Visão geral

Nossa opinião

Este servidor MCP oferece funcionalidades essenciais e robustas para execução de código com integração LLM, além de instruções de configuração claras e ferramentas. No entanto, faltam templates de prompt, recursos explícitos e informações sobre roots ou suporte a sampling. Para um MCP focado em execução de código, é muito sólido, pontuando alto em utilidade prática e facilidade de integração, mas perde alguns pontos pela ausência de recursos MCP avançados e completude de documentação.

Pontuação MCP