MCP 代码执行器 MCP 服务器

“MCP 代码执行器” MCP 服务器有什么作用？

MCP 代码执行器是一款 MCP（模型上下文协议）服务器，使语言模型（LLM）能够在指定的 Python 环境（如 Conda、virtualenv 或 UV virtualenv）中执行 Python 代码。通过将 AI 助手连接到真实可执行的 Python 环境，赋予其执行代码、管理库、动态配置环境等多种开发能力。该服务器支持增量代码生成以突破 token 限制，允许实时安装依赖，并便于运行时配置执行环境。开发者可借助此工具自动化代码评估、试验新包，并在可控安全的环境中管理计算任务。

指令模板列表

仓库或文档中未列出明确的指令模板。

资源列表

仓库或文档中未描述具体资源。

工具列表

• execute_code
  • 在配置的环境中执行 Python 代码，适合运行简短代码片段和脚本。
• install_dependencies
  • 在当前环境中安装指定的 Python 包，实现库的动态按需加载。
• check_installed_packages
  • 检查当前环境中已安装的 Python 包。

本服务器的应用场景

• 自动化代码评估
  • LLM 可直接执行和测试 Python 代码片段，适用于教育、评审或调试场景。
• 动态依赖管理
  • 动态安装所需包，使 LLM 能根据任务或特殊库实时调整执行环境。
• 环境隔离
  • 在隔离的 Conda 或 virtualenv 环境中运行代码，确保结果可复现且依赖无冲突。
• 增量代码生成
  • 支持代码增量执行，可处理单次 LLM 回复超出 token 限制的大块代码。
• 数据科学与分析
  • AI 代理可通过常用科学计算库进行数据分析、模拟或结果可视化。

配置方法

Windsurf

1. 确保已安装 Node.js。
2. 克隆 MCP 代码执行器仓库并构建项目。
3. 找到您的 MCP 服务器配置文件。
4. 使用如下 JSON 片段添加 MCP 代码执行器服务器：

   {
     "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. 保存文件并重启 Windsurf，确认服务器可访问。

API 密钥安全（环境变量示例）

{
  "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. 确保已安装 Node.js。
2. 按仓库说明构建 MCP 代码执行器。
3. 打开 Claude 的 MCP 服务器配置文件。
4. 插入以下配置：

   {
     "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. 保存并重启 Claude，确认服务器已列出。

Cursor

1. 安装 Node.js。
2. 克隆并构建 MCP 代码执行器仓库。
3. 编辑 Cursor 的 MCP 配置。
4. 添加如下内容：

   {
     "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. 保存并重启 Cursor，通过运行示例代码测试。

Cline

1. 确保 Node.js 可用。
2. 按 README 说明构建 MCP 代码执行器。
3. 找到 Cline 的 MCP 服务器配置文件。
4. 添加如下内容：

   {
     "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. 保存并重启 Cline，确认 MCP 服务器已激活。

注意： 也可以使用 Docker。提供的 Dockerfile 已针对 venv-uv 环境类型测试：

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

如何在流程中使用此 MCP

在 FlowHunt 中集成 MCP

要将 MCP 服务器集成到 FlowHunt 工作流，请首先将 MCP 组件添加到流程并连接到您的 AI 代理：

点击 MCP 组件打开配置面板。在系统 MCP 配置部分，按如下 JSON 格式插入您的 MCP 服务器信息：

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

配置完成后，AI 代理即可将此 MCP 作为工具，使用其全部功能。请记得将 “mcp-code-executor” 替换为实际的 MCP 服务器名称，并将 URL 替换为您自己的 MCP 服务器地址。

概览

我们的看法

该 MCP 服务器为代码执行与 LLM 集成提供了基本且强大的功能，并配有清晰的安装说明和工具。但其缺少指令模板、明确的资源和采样支持等信息。作为专注于代码执行的 MCP，实用性和集成便捷性非常出色，但在高级 MCP 特性和文档完整性上略有欠缺。

MCP 评分