MCP Code Executor MCP Server

Wat doet de “MCP Code Executor” MCP Server?

De MCP Code Executor is een MCP (Model Context Protocol) server die taalmodellen (LLM’s) in staat stelt Python-code uit te voeren binnen een aangewezen Python-omgeving, zoals Conda, virtualenv of UV virtualenv. Door AI-assistenten te verbinden met echte, uitvoerbare Python-omgevingen, kunnen ze een breed scala aan ontwikkelingstaken uitvoeren die code-uitvoering, pakketbeheer en dynamische omgevingsopbouw vereisen. Deze server ondersteunt incrementele codegeneratie om tokenlimieten te omzeilen, maakt het mogelijk om afhankelijkheden direct te installeren en faciliteert runtimeconfiguratie van de uitvoeringsomgeving. Ontwikkelaars kunnen deze tool inzetten om code automatisch te evalueren, te experimenteren met nieuwe pakketten en berekeningen te beheren binnen een gecontroleerde en veilige omgeving.

Lijst van Prompts

Er zijn geen expliciete prompt-sjablonen vermeld in de repository of documentatie.

Lijst van Resources

Er zijn geen specifieke resources beschreven in de repository of documentatie.

Lijst van Tools

• execute_code
  • Voert Python-code uit in de geconfigureerde omgeving. Geschikt voor het draaien van korte codefragmenten en scripts.
• install_dependencies
  • Installeert opgegeven Python-pakketten in de huidige omgeving, waardoor dynamische toevoeging van libraries mogelijk is.
• check_installed_packages
  • Controleert welke Python-pakketten momenteel in de omgeving zijn geïnstalleerd.

Gebruiksdoeleinden van deze MCP Server

• Geautomatiseerde Code Evaluatie
  • LLM’s kunnen direct Python-codefragmenten uitvoeren en testen, wat nuttig is in educatieve, review- of debug-contexten.
• Dynamisch Afhankelijkhedenbeheer
  • Installeert benodigde pakketten direct, waardoor LLM’s de uitvoeringsomgeving kunnen aanpassen voor specifieke taken of libraries.
• Omgeving-Isolatie
  • Voert code uit binnen geïsoleerde Conda- of virtualenv-omgevingen, waarmee reproduceerbaarheid gegarandeerd wordt en afhankelijkheidsconflicten worden voorkomen.
• Incrementele Codegeneratie
  • Ondersteunt incrementele codeuitvoering, zodat grote codeblokken die de tokenlimiet in één enkele LLM-respons overschrijden, verwerkt kunnen worden.
• Data Science en Analyse
  • Maakt het AI-agenten mogelijk data-analyses uit te voeren, simulaties te draaien of resultaten te visualiseren door code uit te voeren met veelgebruikte wetenschappelijke Python-libraries.

Hoe stel je het in

Windsurf

1. Zorg dat Node.js geïnstalleerd is.
2. Clone de MCP Code Executor repository en bouw het project.
3. Zoek je MCP servers-configuratiebestand.
4. Voeg de MCP Code Executor-server toe met het volgende JSON-fragment:

   {
     "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"
         }
       }
     }
   }
   

5. Sla het bestand op en herstart Windsurf. Controleer of de server bereikbaar is.

API-sleutels beveiligen (voorbeeld omgevingsvariabelen)

{
  "mcpServers": {
    "mcp-code-executor": {
      "env": {
        "CODE_STORAGE_DIR": "/path/to/code/storage",
        "ENV_TYPE": "conda",
        "CONDA_ENV_NAME": "your-conda-env",
        "MY_SECRET_API_KEY": "${MY_SECRET_API_KEY}"
      },
      "inputs": {
        "apiKey": "${MY_SECRET_API_KEY}"
      }
    }
  }
}

Claude

1. Zorg dat Node.js geïnstalleerd is.
2. Bouw de MCP Code Executor volgens de repository-instructies.
3. Open het configuratiebestand voor Claude’s MCP-servers.
4. Voeg de volgende configuratie toe:

   {
     "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"
         }
       }
     }
   }
   

5. Sla op en herstart Claude. Controleer of de server is opgenomen.

Cursor

1. Installeer Node.js.
2. Clone en bouw de MCP Code Executor repository.
3. Bewerk de MCP-configuratie van Cursor.
4. Voeg toe:

   {
     "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"
         }
       }
     }
   }
   

5. Sla op en herstart Cursor. Test door een voorbeeldcode uit te voeren.

Cline

1. Zorg dat Node.js beschikbaar is.
2. Bouw de MCP Code Executor met behulp van de README-instructies.
3. Zoek het configuratiebestand van Cline voor MCP-servers.
4. Voeg toe:

   {
     "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"
         }
       }
     }
   }
   

5. Sla op en herstart Cline. Controleer of de MCP-server actief is.

Opmerking: Je kunt ook Docker gebruiken. Het bijgevoegde Dockerfile is getest voor het venv-uv omgevingstype:

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

Hoe gebruik je deze MCP binnen flows

MCP gebruiken in FlowHunt

Om MCP-servers in je FlowHunt-werkstroom te integreren, voeg je de MCP-component toe aan je flow en verbind je deze met je AI-agent:

Klik op de MCP-component om het configuratiepaneel te openen. In het systeem-MCP-configuratiegedeelte voeg je je MCP-servergegevens toe met dit JSON-formaat:

{
  "mcp-code-executor": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Zodra geconfigureerd, kan de AI-agent deze MCP nu gebruiken als tool met toegang tot alle functies en mogelijkheden. Vergeet niet “mcp-code-executor” te veranderen naar de daadwerkelijke naam van jouw MCP-server en de URL te vervangen door die van jouw eigen MCP-server.

Overzicht

Onze mening

Deze MCP-server biedt essentiële en robuuste functionaliteit voor code-uitvoering met LLM-integratie, samen met duidelijke installatie-instructies en tooling. Er ontbreken echter prompt-sjablonen, expliciete resources en informatie over roots of sampling-ondersteuning. Voor een MCP gericht op code-uitvoering is het echter zeer solide, scoort het hoog op praktische bruikbaarheid en eenvoudige integratie, maar verliest het enkele punten op het gebied van geavanceerde MCP-features en volledigheid van documentatie.

MCP Score