Исполнитель кода MCP

MCP Code Executor — это сервер MCP, который позволяет LLM выполнять код Python в указанной среде Python. Это позволяет LLM запускать код с доступом к библиотекам и зависимостям, определенным в среде. Он также поддерживает инкрементальную генерацию кода для обработки больших блоков кода, которые могут превышать ограничения токенов.

Функции

• Выполнение кода Python из подсказок LLM

• Поддержка инкрементальной генерации кода для преодоления ограничений токенов

• Запустить код в указанной среде (Conda, virtualenv или UV virtualenv)

• Устанавливайте зависимости при необходимости

• Проверьте, установлены ли уже пакеты

• Динамически настраивать среду во время выполнения

• Настраиваемый каталог хранения кодов

Related MCP server: PRIMS – Python Runtime Interpreter MCP Server

Предпосылки

• Node.js установлен

• Один из следующих вариантов:

  • Conda установлена с созданием желаемой среды Conda

  • Виртуальное окружение Python

  • УФ виртуальное окружение

Настраивать

1. Клонируйте этот репозиторий:

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

2. Перейдите в каталог проекта:

cd mcp_code_executor

3. Установите зависимости Node.js:

npm install

4. Создайте проект:

npm run build

Конфигурация

Чтобы настроить сервер MCP Code Executor, добавьте следующее в файл конфигурации серверов MCP:

Использование 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"
      }
    }
  }
}

Использование Докера

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

Примечание: Dockerfile был протестирован только с типом среды venv-uv. Другие типы среды могут потребовать дополнительной настройки.

Переменные среды

Требуемые переменные

• CODE_STORAGE_DIR : Каталог, в котором будет сохранен сгенерированный код.

Тип среды (выберите одну настройку)

• Для Конды:

  • ENV_TYPE : Установить значение conda

  • CONDA_ENV_NAME : Имя используемой среды Conda

• Для стандартного Virtualenv:

  • ENV_TYPE : Установить на venv

  • VENV_PATH : Путь к каталогу virtualenv

• Для UV Virtualenv:

  • ENV_TYPE : Установить venv-uv

  • UV_VENV_PATH : Путь к каталогу UV virtualenv

Доступные инструменты

MCP Code Executor предоставляет следующие инструменты для LLM:

1. execute_code

Выполняет код Python в настроенной среде. Лучше всего подходит для коротких фрагментов кода.

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

2. install_dependencies

Устанавливает пакеты Python в среду.

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

3. check_installed_packages

Проверяет, установлены ли уже пакеты в среде.

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

4. configure_environment

Динамически изменяет конфигурацию среды.

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

5. get_environment_config

Получает текущую конфигурацию среды.

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

6. initialize_code_file

Создает новый файл Python с начальным содержимым. Используйте это как первый шаг для более длинного кода, который может превысить лимиты токенов.

{
  "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

Добавляет содержимое к существующему файлу кода Python. Используйте это, чтобы добавить больше кода в файл, созданный с помощью 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

Выполняет существующий файл Python. Используйте это как последний шаг после создания кода с помощью initialize_code_file и append_to_code_file.

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

9. read_code_file

Читает содержимое существующего файла кода Python. Используйте это для проверки текущего состояния файла перед добавлением дополнительного содержимого или его выполнением.

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

Использование

После настройки MCP Code Executor позволит LLM выполнять код Python, генерируя файл в указанном CODE_STORAGE_DIR и запуская его в настроенной среде.

LLM могут генерировать и выполнять код, ссылаясь на этот сервер MCP в своих подсказках.

Обработка больших блоков кода

Для более крупных блоков кода, которые могут превысить ограничения токенов LLM, используйте подход инкрементной генерации кода:

1. Инициализируйте файл с базовой структурой, используя initialize_code_file

2. Добавьте больше кода в последующие вызовы с помощью append_to_code_file

3. При необходимости проверьте содержимое файла с помощью read_code_file

4. Выполните весь код с помощью execute_code_file

Такой подход позволяет LLM писать сложный, многокомпонентный код, не сталкиваясь с ограничениями токенов.

Обратная совместимость

Этот пакет поддерживает обратную совместимость с более ранними версиями. Пользователи предыдущих версий, которые указали только среду Conda, продолжат работать без каких-либо изменений в своей конфигурации.

Внося вклад

Вклады приветствуются! Пожалуйста, откройте тему или отправьте запрос на извлечение.

Лицензия

Данный проект лицензирован по лицензии MIT.