MCP Code Executor MCP Server

Čo robí “MCP Code Executor” MCP Server?

MCP Code Executor je MCP (Model Context Protocol) server, ktorý umožňuje jazykovým modelom (LLM) vykonávať Python kód v určenom Python prostredí, ako je Conda, virtualenv alebo UV virtualenv. Prepojením AI asistentov so skutočnými, vykonateľnými Python prostrediami im dáva možnosť vykonávať široké spektrum vývojárskych úloh vyžadujúcich vykonávanie kódu, správu knižníc a dynamické nastavovanie prostredia. Tento server podporuje inkrementálnu generáciu kódu na prekonanie tokenových obmedzení, umožňuje inštaláciu závislostí za behu a uľahčuje konfigurovanie runtime prostredia. Vývojári môžu tento nástroj využiť na automatizované hodnotenie kódu, experimentovanie s novými balíkmi a správu výpočtov v kontrolovanom a bezpečnom prostredí.

Zoznam promptov

V repozitári alebo dokumentácii nie sú uvedené žiadne explicitné šablóny promptov.

Zoznam zdrojov

V repozitári alebo dokumentácii nie sú opísané žiadne konkrétne zdroje.

Zoznam nástrojov

• execute_code
  • Vykonáva Python kód v nakonfigurovanom prostredí. Vhodné na spúšťanie krátkych kódových útržkov a skriptov.
• install_dependencies
  • Inštaluje zadané Python balíky v aktuálnom prostredí, čo umožňuje dynamicky pridávať knižnice podľa potreby.
• check_installed_packages
  • Skontroluje, ktoré Python balíky sú aktuálne v prostredí nainštalované.

Príklady použitia tohto MCP servera

• Automatizované hodnotenie kódu
  • LLM môžu priamo vykonávať a testovať Python kód, čo je užitočné vo vzdelávaní, recenziách alebo pri ladení.
• Dynamická správa závislostí
  • Inštaluje požadované balíky za behu, čo umožňuje LLM prispôsobiť prostredie špecializovaným úlohám alebo knižniciam.
• Izolácia prostredia
  • Kód sa spúšťa v izolovaných Conda alebo virtualenv prostrediach, čím je zaručená reprodukovateľnosť a predchádza sa konfliktom medzi závislosťami.
• Inkrementálna generácia kódu
  • Podporuje inkrementálne vykonávanie kódu, vďaka čomu je možné spracovať veľké bloky kódu, ktoré by inak presiahli tokenové limity jedného LLM výstupu.
• Dátová veda a analýza
  • Umožňuje AI agentom vykonávať analýzu údajov, spúšťať simulácie alebo vizualizovať výsledky pomocou bežných vedeckých Python knižníc.

Ako ho nastaviť

Windsurf

1. Uistite sa, že máte nainštalovaný Node.js.
2. Naklonujte repozitár MCP Code Executor a zostavte projekt.
3. Vyhľadajte konfiguračný súbor vašich MCP serverov.
4. Pridajte server MCP Code Executor pomocou nasledovného 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 súbor a reštartujte Windsurf. Overte, že je server dostupný.

Zabezpečenie API kľúčov (Príklad s premennými prostredia)

{
  "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. Uistite sa, že máte nainštalovaný Node.js.
2. Zostavte MCP Code Executor podľa pokynov v repozitári.
3. Otvorte konfiguračný súbor Claude MCP serverov.
4. Vložte túto konfiguráciu:

   {
     "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 reštartujte Claude. Overte, že je server uvedený.

Cursor

1. Nainštalujte Node.js.
2. Naklonujte a zostavte repozitár MCP Code Executor.
3. Upravte MCP konfiguráciu Cursor.
4. Pridajte:

   {
     "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 reštartujte Cursor. Otestujte vykonaním ukážkového kódu.

Cline

1. Uistite sa, že je dostupný Node.js.
2. Zostavte MCP Code Executor podľa pokynov v README.
3. Vyhľadajte konfiguračný súbor MCP serverov pre Cline.
4. Pridajte:

   {
     "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 reštartujte Cline. Overte, že MCP server je aktívny.

Poznámka: Môžete použiť aj Docker. Priložený Dockerfile je otestovaný pre typ prostredia venv-uv:

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

Ako používať tento MCP vo flowoch

Používanie MCP v FlowHunt

Na integráciu MCP serverov do vášho FlowHunt workflowu začnite pridaním MCP komponentu do vášho flowu a prepojením s AI agentom:

Kliknite na MCP komponent pre otvorenie panelu s konfiguráciou. V sekcii systémovej MCP konfigurácie vložte údaje vášho MCP servera v tomto JSON formáte:

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

Po nakonfigurovaní môže AI agent využívať tento MCP ako nástroj so všetkými jeho funkciami a možnosťami. Nezabudnite zmeniť “mcp-code-executor” na skutočný názov vášho MCP servera a nahradiť URL vašou vlastnou MCP URL adresou.

Prehľad

Náš názor

Tento MCP server poskytuje základnú a robustnú funkcionalitu pre vykonávanie kódu s integráciou LLM, spolu s jasnými inštrukciami na nastavenie a nástrojmi. Chýbajú mu však šablóny promptov, explicitné zdroje a informácie o roots alebo podpore sampling. Pre MCP zameraný na vykonávanie kódu je veľmi solídny, dosahuje vysoké skóre za praktickú využiteľnosť a jednoduchosť integrácie, ale stráca niekoľko bodov za chýbajúce pokročilé MCP funkcie a neúplnú dokumentáciu.

MCP skóre