Mcp Код Исполнитель

Что такое MCP Code Executor?

MCP Code Executor - это специализированный сервер, предназначенный для выполнения кода на Python в заданной среде Conda. Он служит связующим звеном для больших языковых моделей (LLMs), позволяя им без проблем запускать Python-скрипты, обеспечивая правильное управление необходимыми зависимостями и средами. Этот инструмент особенно полезен для разработчиков и исследователей, которым необходимо тестировать и запускать фрагменты кода в контролируемой среде.

Особенности MCP Code Executor

• Управление средой Conda: Автоматически настраивает и управляет средами Conda, чтобы гарантировать, что все зависимости выполнены для выполнения кода на Python.
• Интеграция с LLM: Позволяет LLM выполнять код на Python, упрощая использование возможностей ИИ в задачах программирования.
• Публичный репозиторий: Код доступен в публичном репозитории, что позволяет сообществу вносить свой вклад и сотрудничать.
• Удобный интерфейс: Разработан с учетом удобства использования, что позволяет пользователям выполнять код без глубоких технических знаний.
• Открытый исходный код: Проект является открытым, что побуждает разработчиков вносить свой вклад и улучшать его возможности.

Как использовать MCP Code Executor

1. Клонируйте репозиторий: Начните с клонирования репозитория MCP Code Executor с GitHub.

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

2. Установите зависимости: Перейдите в клонированный каталог и установите необходимые зависимости с помощью Conda.

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

3. Запустите сервер: Запустите сервер MCP Code Executor, чтобы начать выполнение кода на Python.

   python server.py
   

4. Выполните код: Используйте предоставленный API или интерфейс для отправки кода на Python для выполнения. Сервер обработает выполнение в заданной среде Conda.

5. Проверьте результаты: Получите вывод выполненного кода через интерфейс или ответ API.

Часто задаваемые вопросы

Какие языки программирования поддерживает MCP Code Executor?

В настоящее время MCP Code Executor разработан специально для Python. Однако в будущих обновлениях может быть добавлена поддержка других языков.

Является ли MCP Code Executor бесплатным для использования?

Да, MCP Code Executor является открытым и бесплатным для использования. Вы можете найти исходный код на GitHub.

Как я могу внести свой вклад в проект MCP Code Executor?

Вы можете внести свой вклад, сделав форк репозитория, внеся изменения и отправив запрос на слияние. Сообщество приветствует и поощряет вклад.

Каковы системные требования для запуска MCP Code Executor?

Вам потребуется система, поддерживающая Conda и Python. Конкретные требования можно найти в файле environment.yml в репозитории.

Могу ли я использовать MCP Code Executor для производственных приложений?

Хотя MCP Code Executor в первую очередь предназначен для тестирования и разработки, его можно адаптировать для производственного использования с правильными настройками и оптимизациями.

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.