MCP Code Executor專案

MCP工具

MCP Code Executor專案

mcp_code_executor 是一個模型內容協定 (Model Context Protocol, MCP) 伺服器，其核心功能是賦予大型語言模型 (LLM) 一項至關重要的能力：在一個安全、隔離且可配置的 Python 環境中，實際執行程式碼。

這個專案的價值在於，它徹底打通了從「生成程式碼」到「執行程式碼並獲得結果」的閉環。它不再讓 AI 助理僅僅是一個會寫程式碼的「理論家」，而是讓它變成一個能夠動手解決問題、進行資料分析、執行自動化腳本的「實踐者」。

核心價值：為你的 AI 助理提供一個功能完備的程式碼沙箱

透過 mcp_code_executor，AI 助理可以執行以往無法完成的任務：

• 「幫我用 pandas 分析這個 CSV 檔案的數據，並畫出一個長條圖。」
• 「我需要一個 Python 腳本來自動整理下載資料夾中的檔案，請幫我編寫並執行它。」
• 「請檢查我的環境中是否安裝了 tensorflow，如果沒有，請幫我安裝。」

主要功能與特色

此專案提供了一套非常完整且考慮周到的工具集，專為程式碼執行場景設計：

1. 安全的執行環境:

   • 程式碼在一個指定的、與主系統隔離的環境中執行，支援多種主流的 Python 虛擬環境方案，包括 Conda, virtualenv, 以及新興的快速管理器 UV virtualenv。
   • 這確保了 AI 執行的程式碼不會影響到使用者的系統環境，提供了關鍵的安全性。

2. 完善的環境與套件管理:
   AI 不僅能執行程式碼，還能管理自己的工作環境：

   • install_dependencies: 可以在執行前，動態安裝所需的 Python 套件（如 numpy, pandas）。
   • check_installed_packages: 可以先檢查環境中是否已存在某個套件，避免重複安裝。
   • configure_environment: 可以在對話中動態切換要使用的 Conda 或虛擬環境。
   • get_environment_config: 可以查詢當前的工作環境設定。

3. 巧妙的增量式程式碼生成 (Incremental Code Generation):
   這是此專案最具遠見的功能之一。大型語言模型有其上下文權杖 (token) 的限制，無法一次性生成非常長的複雜程式碼。此專案透過一套「組合拳」工具完美地解決了這個問題：

   • initialize_code_file: 首先，讓 AI 建立一個新的程式碼檔案，並寫入基礎架構。
   • append_to_code_file: 接著，可以多次呼叫此工具，像「接龍」一樣不斷地向檔案中追加新的程式碼片段。
   • read_code_file: 在追加過程中，AI 可以隨時讀取檔案的完整內容，確保自己沒有「忘記」前面寫了什麼。
   • execute_code_file: 當所有程式碼都寫入完畢後，最後呼叫此工具來執行整個完整的 Python 檔案。

安裝與設定

此專案是基於 Node.js 開發的，設定過程清晰：

1. 前置準備: 使用者需要先在本地準備好一個 Python 環境（如 Conda）。
2. 安裝: 複製專案庫，並透過 npm install 和 npm run build 完成安裝與建置。
3. 設定: 在 AI 助理的 MCP 設定檔中，指向建置好的 index.js 檔案，並透過環境變數進行核心配置：
   • CODE_STORAGE_DIR: 指定一個資料夾，用來存放 AI 生成的所有程式碼檔案。
   • ENV_TYPE: 指定環境類型 (conda, venv 或 venv-uv)。
   • CONDA_ENV_NAME / VENV_PATH: 指定要使用的具體環境名稱或路徑。
4. Docker 支援: 專案也提供了 Dockerfile，簡化了在容器化環境中的部署。

總結來說，mcp_code_executor 是一個基礎但極其強大的 MCP 工具。它為 AI 助理提供了一個不可或缺的「程式碼執行沙箱」，不僅安全可靠，其增量式生成功能更是解決了大型專案開發的現實痛點，極大地擴展了 AI 在程式設計、資料科學和自動化領域的實用能力。

• MCP平台來源: github
• 連結: https://github.com/bazinga012/mcp_code_executor

立即試用MCP工具