Ejecutor de Código Mcp

¿Qué es MCP Code Executor?

El ### MCP Code Executor es un servidor especializado diseñado para ejecutar código Python dentro de un entorno Conda específico. Sirve como un puente para que los Modelos de Lenguaje Grande (LLMs) ejecuten scripts de Python sin problemas, asegurando que las dependencias y entornos necesarios se gestionen correctamente. Esta herramienta es particularmente útil para desarrolladores e investigadores que necesitan probar y ejecutar fragmentos de código en un entorno controlado.

Características de MCP Code Executor

• Gestión de Entornos Conda: Configura y gestiona automáticamente los entornos Conda para asegurar que todas las dependencias se cumplan para la ejecución del código Python.
• Integración con LLMs: Permite a los LLMs ejecutar código Python, facilitando el aprovechamiento de las capacidades de IA en tareas de codificación.
• Repositorio Público: El código está disponible en un repositorio público, lo que permite contribuciones y colaboración de la comunidad.
• Interfaz Amigable: Diseñada con la usabilidad en mente, facilitando a los usuarios la ejecución de código sin un profundo conocimiento técnico.
• Código Abierto: El proyecto es de código abierto, alentando a los desarrolladores a contribuir y mejorar sus capacidades.

Cómo Usar MCP Code Executor

1. Clona el Repositorio: Comienza clonando el repositorio de MCP Code Executor desde GitHub.

   git clone https://github.com/bazinga012/mcp_code_executor.git
   

2. Instala Dependencias: Navega al directorio clonado e instala las dependencias requeridas usando Conda.

   cd mcp_code_executor
   conda env create -f environment.yml
   conda activate mcp_env
   

3. Ejecuta el Servidor: Inicia el servidor MCP Code Executor para comenzar a ejecutar código Python.

   python server.py
   

4. Ejecuta Código: Usa la API o interfaz proporcionada para enviar código Python para su ejecución. El servidor manejará la ejecución dentro del entorno Conda especificado.

5. Verifica Resultados: Recupera la salida del código ejecutado a través de la interfaz o la respuesta de la API.

Preguntas Frecuentes

¿Qué lenguajes de programación soporta MCP Code Executor?

Actualmente, el MCP Code Executor está diseñado específicamente para Python. Sin embargo, futuras actualizaciones pueden incluir soporte para otros lenguajes.

¿Es MCP Code Executor gratuito?

Sí, el MCP Code Executor es de código abierto y gratuito para usar. Puedes encontrar el código fuente en GitHub.

¿Cómo puedo contribuir al proyecto MCP Code Executor?

Puedes contribuir bifurcando el repositorio, haciendo tus cambios y enviando una solicitud de extracción. Sewelven y se alientan las contribuciones de la comunidad.

¿Cuáles son los requisitos del sistema para ejecutar MCP Code Executor?

Necesitarás un sistema que soporte Conda y Python. Los requisitos específicos se pueden encontrar en el archivo environment.yml en el repositorio.

¿Puedo usar MCP Code Executor para aplicaciones en producción?

Si bien el MCP Code Executor está diseñado principalmente para pruebas y desarrollo, puede adaptarse para uso en producción con configuraciones y optimizaciones adecuadas.

MCP Code Executor

The MCP Code Executor is an MCP server that allows LLMs to execute Python code within a specified Python environment. This enables LLMs to run code with access to libraries and dependencies defined in the environment. It also supports incremental code generation for handling large code blocks that may exceed token limits.

<a href="https://glama.ai/mcp/servers/45ix8xode3"><img width="380" height="200" src="https://glama.ai/mcp/servers/45ix8xode3/badge" alt="Code Executor MCP server" /></a>

Features

• Execute Python code from LLM prompts
• Support for incremental code generation to overcome token limitations
• Run code within a specified environment (Conda, virtualenv, or UV virtualenv)
• Install dependencies when needed
• Check if packages are already installed
• Dynamically configure the environment at runtime
• Configurable code storage directory

Prerequisites

• Node.js installed
• One of the following:
  • Conda installed with desired Conda environment created
  • Python virtualenv
  • UV virtualenv

Setup

1. Clone this repository:

git clone https://github.com/bazinga012/mcp_code_executor.git

2. Navigate to the project directory:

cd mcp_code_executor

3. Install the Node.js dependencies:

npm install

4. Build the project:

npm run build

Configuration

To configure the MCP Code Executor server, add the following to your MCP servers configuration file:

Using Node.js

{
  "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"
      }
    }
  }
}

Using Docker

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

Note: The Dockerfile has been tested with the venv-uv environment type only. Other environment types may require additional configuration.

Environment Variables

Required Variables

• CODE_STORAGE_DIR: Directory where the generated code will be stored

Environment Type (choose one setup)

• For Conda:

  • ENV_TYPE: Set to conda
  • CONDA_ENV_NAME: Name of the Conda environment to use

• For Standard Virtualenv:

  • ENV_TYPE: Set to venv
  • VENV_PATH: Path to the virtualenv directory

• For UV Virtualenv:

  • ENV_TYPE: Set to venv-uv
  • UV_VENV_PATH: Path to the UV virtualenv directory

Available Tools

The MCP Code Executor provides the following tools to LLMs:

1. execute_code

Executes Python code in the configured environment. Best for short code snippets.

{
  "name": "execute_code",
  "arguments": {
    "code": "import numpy as np\nprint(np.random.rand(3,3))",
    "filename": "matrix_gen"
  }
}

2. install_dependencies

Installs Python packages in the environment.

{
  "name": "install_dependencies",
  "arguments": {
    "packages": ["numpy", "pandas", "matplotlib"]
  }
}

3. check_installed_packages

Checks if packages are already installed in the environment.

{
  "name": "check_installed_packages",
  "arguments": {
    "packages": ["numpy", "pandas", "non_existent_package"]
  }
}

4. configure_environment

Dynamically changes the environment configuration.

{
  "name": "configure_environment",
  "arguments": {
    "type": "conda",
    "conda_name": "new_env_name"
  }
}

5. get_environment_config

Gets the current environment configuration.

{
  "name": "get_environment_config",
  "arguments": {}
}

6. initialize_code_file

Creates a new Python file with initial content. Use this as the first step for longer code that may exceed token limits.

{
  "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

Appends content to an existing Python code file. Use this to add more code to a file created with initialize_code_file.

{
  "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

Executes an existing Python file. Use this as the final step after building up code with initialize_code_file and append_to_code_file.

{
  "name": "execute_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py"
  }
}

9. read_code_file

Reads the content of an existing Python code file. Use this to verify the current state of a file before appending more content or executing it.

{
  "name": "read_code_file",
  "arguments": {
    "file_path": "/path/to/code/storage/my_script_abc123.py"
  }
}

Usage

Once configured, the MCP Code Executor will allow LLMs to execute Python code by generating a file in the specified CODE_STORAGE_DIR and running it within the configured environment.

LLMs can generate and execute code by referencing this MCP server in their prompts.

Handling Large Code Blocks

For larger code blocks that might exceed LLM token limits, use the incremental code generation approach:

1. Initialize a file with the basic structure using initialize_code_file
2. Add more code in subsequent calls using append_to_code_file
3. Verify the file content if needed using read_code_file
4. Execute the complete code using execute_code_file

This approach allows LLMs to write complex, multi-part code without running into token limitations.

Backward Compatibility

This package maintains backward compatibility with earlier versions. Users of previous versions who only specified a Conda environment will continue to work without any changes to their configuration.

Contributing

Contributions are welcome! Please open an issue or submit a pull request.

License

This project is licensed under the MIT License.