MCP Code Executor MCP Server

Vad gör “MCP Code Executor” MCP Server?

MCP Code Executor är en MCP (Model Context Protocol)-server som gör det möjligt för språkmodeller (LLMs) att köra Pythonkod inom en angiven Pythonmiljö, såsom Conda, virtualenv eller UV virtualenv. Genom att koppla AI-assistenter till verkliga, körbara Pythonmiljöer ger den dem möjlighet att utföra en mängd olika utvecklingsuppgifter som kräver kodkörning, bibliotekshantering och dynamisk miljöuppsättning. Denna server stöder inkrementell kodgenerering för att kringgå tokenbegränsningar, möjliggör installation av beroenden i farten och underlättar körningskonfiguration av exekveringsmiljön. Utvecklare kan använda detta verktyg för att automatisera kodevaluering, experimentera med nya paket och hantera beräkningar i en kontrollerad och säker miljö.

Lista över Promptar

Inga explicita promptmallar listas i arkivet eller dokumentationen.

Lista över Resurser

Inga specifika resurser beskrivs i arkivet eller dokumentationen.

Lista över Verktyg

• execute_code
  • Kör Pythonkod i den konfigurerade miljön. Lämplig för att köra korta kodsnuttar och skript.
• install_dependencies
  • Installerar angivna Pythonpaket i den aktuella miljön, vilket möjliggör dynamisk inkludering av bibliotek vid behov.
• check_installed_packages
  • Kontrollerar vilka Pythonpaket som för närvarande är installerade i miljön.

Användningsområden för denna MCP Server

• Automatiserad Kodevaluering
  • LLMs kan köra och testa Pythonkodsnuttar direkt, vilket är användbart i utbildnings-, gransknings- eller felsökningssammanhang.
• Dynamisk Beroendehantering
  • Installerar nödvändiga paket vid behov och gör det möjligt för LLMs att anpassa körmiljön för specialiserade uppgifter eller bibliotek.
• Miljöisolering
  • Kör kod i isolerade Conda- eller virtualenv-miljöer, vilket säkerställer reproducerbarhet och förhindrar beroendekonflikter.
• Inkrementell Kodgenerering
  • Stöder inkrementell kodkörning, vilket möjliggör hantering av stora kodblock som kan överskrida tokenbegränsningen i ett enskilt LLM-svar.
• Data Science och Analys
  • Gör det möjligt för AI-agenter att utföra dataanalys, köra simuleringar eller visualisera resultat genom att köra kod med vanliga vetenskapliga Pythonbibliotek.

Hur man sätter upp det

Windsurf

1. Säkerställ att Node.js är installerat.
2. Klona MCP Code Executor-arkivet och bygg projektet.
3. Lokalisera din MCP-servrars konfigurationsfil.
4. Lägg till MCP Code Executor-servern med följande JSON-snutt:

   {
     "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. Spara filen och starta om Windsurf. Kontrollera att servern är tillgänglig.

Skydda API-nycklar (exempel med miljövariabler)

{
  "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. Säkerställ att Node.js är installerat.
2. Bygg MCP Code Executor enligt instruktionerna i arkivet.
3. Öppna konfigurationsfilen för Claudes MCP-servrar.
4. Infoga följande konfiguration:

   {
     "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. Spara och starta om Claude. Kontrollera att servern listas.

Cursor

1. Installera Node.js.
2. Klona och bygg MCP Code Executor-arkivet.
3. Redigera Cursors MCP-konfiguration.
4. Lägg till:

   {
     "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. Spara och starta om Cursor. Testa genom att köra ett exempel på kodkörning.

Cline

1. Kontrollera att Node.js är tillgängligt.
2. Bygg MCP Code Executor enligt README-instruktionerna.
3. Lokalisera Clines konfigurationsfil för MCP-servrar.
4. Lägg till:

   {
     "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. Spara och starta om Cline. Kontrollera att MCP-servern är aktiv.

Obs! Du kan även använda Docker. Den medföljande Dockerfilen är testad för venv-uv miljötyp:

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

Hur man använder denna MCP i flöden

Att använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion, ange dina MCP-serveruppgifter enligt detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda denna MCP som ett verktyg med tillgång till alla dess funktioner och kapaciteter. Kom ihåg att ändra “mcp-code-executor” till det faktiska namnet på din MCP-server och ersätta URL:en med din egen MCP-server-URL.

Översikt

Vår åsikt

Denna MCP-server erbjuder grundläggande och robust funktionalitet för kodkörning med LLM-integration, samt tydliga installationsinstruktioner och verktyg. Dock saknas promptmallar, explicita resurser och information om rötter eller samplingstöd. För en kodkörningsfokuserad MCP är den mycket solid, får höga poäng för praktisk nytta och lätt att integrera, men tappar några poäng för avsaknad av avancerade MCP-funktioner och dokumentationskomplettering.

MCP-poäng