⚙

Python代码执行器

MCP代码执行器是一个允许LLM在指定Python环境中执行Python代码的服务，支持增量代码生成和环境动态配置。

作者 By bazinga012

本地部署 Python执行环境 LLM工具

GitHub

MCP代码执行器

MCP代码执行器是一个MCP服务器，允许LLM在指定的Python环境中执行Python代码。这使得LLM能够通过访问环境中定义的库和依赖关系来运行代码。它还支持增量代码生成，以处理可能超过令牌限制的大型代码块。

特性

从LLM提示执行Python代码
支持增量代码生成以克服令牌限制
在指定环境（Conda、virtualenv或UV-virtualenv）中运行代码
需要时安装依赖项
检查软件包是否已安装
在运行时动态配置环境
可配置代码存储目录

先决条件

已安装Node.js
以下之一：
已安装Conda，并创建了所需的Conda环境
Python虚拟环境
UV虚拟

设置

克隆此存储库：

BASH``` 1git clone https://github.com/bazinga012/mcp_code_executor.git


1. 导航到项目目录：


BASH```
1cd mcp_code_executor

安装Node.js依赖项：

BASH``` 1npm install


1. 构建项目：


BASH```
1npm run build

配置

要配置MCP代码执行器服务器，请将以下内容添加到MCP服务器配置文件中：

使用Node.js

JSON``` 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15{ “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” } } } }


### 使用Docker


JSON```
1
2
3
4
5
6
7
8
9
10
11
12
13{
  "mcpServers": {
    "mcp-code-executor": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "mcp-code-executor"
      ]
    }
  }
}

注： Dockerfile仅在venv-uv环境类型下进行了测试。其他环境类型可能需要额外的配置。

环境变量

必需变量

CODE_STORAGE_DIR：存储生成代码的目录

环境类型（选择一个设置）

对于Conda：
ENV_TYPE：设置为 conda
CONDA_ENV_NAME：要使用的Conda环境的名称
对于标准Virtualenv：
ENV_TYPE：设置为 venv
VENV_PATH：virtualenv目录的路径
对于UV Virtualenv：
ENV_TYPE：设置为 venv-uv
UV_VENV_PATH：UV virtualenv目录的路径

可用工具

MCP代码执行器为LLM提供以下工具：

1. `execute_code`

在配置的环境中执行Python代码。最适合短代码片段。

JSON``` 1 2 3 4 5 6 7{ “name”: “execute_code”, “arguments”: { “code”: “import numpy as np\nprint(np.random.rand(3,3))”, “filename”: “matrix_gen” } }


### 2. `install_dependencies`


在环境中安装Python包。


JSON```
1
2
3
4
5
6{
  "name": "install_dependencies",
  "arguments": {
    "packages": ["numpy", "pandas", "matplotlib"]
  }
}

3. `check_installed_packages`

检查环境中是否已安装包。

JSON``` 1 2 3 4 5 6{ “name”: “check_installed_packages”, “arguments”: { “packages”: [“numpy”, “pandas”, “non_existent_package”] } }


### 4. `configure_environment`


动态更改环境配置。


JSON```
1
2
3
4
5
6
7{
  "name": "configure_environment",
  "arguments": {
    "type": "conda",
    "conda_name": "new_env_name"
  }
}

5. `get_environment_config`

获取当前环境配置。

JSON``` 1 2 3 4{ “name”: “get_environment_config”, “arguments”: {} }


### 6. `initialize_code_file`


创建一个包含初始内容的新Python文件。对于可能超过令牌限制的较长代码，请将此作为第一步。


JSON```
1
2
3
4
5
6
7{
  "name": "initialize_code_file",
  "arguments": {
    "content": "def main():\n    print('Hello, world!')\n\nif __name__ == '__main__':\n    main()",
    "filename": "my_script"
  }
}

7. `append_to_code_file`

将内容附加到现有的Python代码文件中。使用此选项可将更多代码添加到使用initialize_code_file创建的文件中。

JSON``` 1 2 3 4 5 6 7{ “name”: “append_to_code_file”, “arguments”: { “file_path”: “/path/to/code/storage/my_script_abc123.py”, “content”: “\ndef another_function():\n print(‘This was appended to the file’)\n” } }


### 8. `execute_code_file`


执行现有的Python文件。使用initialize_code_file和append_to_code_file构建代码后，将此作为最后一步。


JSON```
1
2
3
4
5
6{
  "name": "execute_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py"
  }
}

9. `read_code_file`

读取现有Python代码文件的内容。在附加更多内容或执行文件之前，使用此功能验证文件的当前状态。

JSON``` 1 2 3 4 5 6{ “name”: “read_code_file”, “arguments”: { “file_path”: “/path/to/code/storage/my_script_abc123.py” } }


## 用法


配置后，MCP代码执行器将允许LLM通过在指定的文件中生成文件来执行Python代码 `CODE_STORAGE_DIR` 并在配置的环境中运行它。


LLM可以通过在提示中引用此MCP服务器来生成和执行代码。


### 处理大型代码块


对于可能超过LLM令牌限制的较大代码块，请使用增量代码生成方法：


1. **初始化文件** 使用基本结构 `initialize_code_file`
2. **添加更多代码** 在后续通话中使用 `append_to_code_file`
3. **验证文件内容** 如果需要使用 `read_code_file`
4. **执行完整代码** 使用 `execute_code_file`


这种方法允许LLM编写复杂的多部分代码，而不会遇到令牌限制。


## 向后兼容


此软件包保持与早期版本的向后兼容性。仅指定Conda环境的早期版本的用户将继续工作，而不会对其配置进行任何更改。


## 贡献


欢迎投稿！请打开问题或提交拉取请求。


## 许可证


该项目根据MIT许可证获得许可。