agent MCP sandbox

MCPAI代理

提供方 ChenBarryHu

AI代理 stdio · 本地进程 API Key 社区 / 第三方
查看接入方式

一款基于MCP协议设计的LLM代理性能分析工具,用于测量代理在机密虚拟机和标准虚拟机中的延迟、吞吐量和效率。

一句话选型结论

按资料字段整理

agent MCP sandbox 属于AI代理类 MCP 服务器,stdio · 本地进程,API Key,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权API Key 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

性能分析Python本地部署LLM代理MCP协议虚拟机测试系统开销测量

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
python visualize.py --std profile_std.json --cvm profile_cvm.json

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
agent MCP sandbox当前 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方ChenBarryHu上游标注的维护方 ChenBarryHu
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

10.2 KB
来自项目仓库与上游目录的原文,未做删改

MCP代理分析器

注意:我们的组织允许出于评估目的向审阅者发布演示代码,但不允许向公众发布。谢谢你的理解。

一个演示代码,旨在使用 模型上下文协议(MCP)此工具专门评估代理在机密VM和标准VM中规划、与本地文件系统交互以及处理大型上下文返回的速度。此外,我们测量了Llama防火墙(基于deberta和llm的护栏)引入的系统开销,以便更好地了解护栏对系统效用的影响。我们的代码将在CPU上运行。


🚀 概述

分析器实现了 SimpleAgent 它与MCP服务器连接以执行文件系统操作。它将代理工作流程分解为三个可测量的阶段:

  1. 规划阶段:LLM生成初始工具调用所需的时间。
  2. 工具执行阶段:MCP服务器与操作系统交互以获取数据的延迟。
  3. 处理阶段:LLM在摄取工具输出(预填充)和生成最终响应(解码)时的性能。

📋 系统先决条件

要启用AMD SEV SNP机密VM,请按照此处的说明操作:https://github.com/SNPGuard/snp-guard

1.我们的硬件环境(主机)

  • CPU: AMD EPYC 7443P 24核处理器(米兰)
  • 核心: 24芯/48线
  • 架构: x86_64 (43位物理,48位虚拟)
  • 虚拟化: 启用了SEV、SEV-ES和SEV-SNP支持的AMD-V。

2.我们的软件栈

组件 版本/内部版本
主机操作系统 Ubuntu 22.04.5 LTS
主机内核 6.16.0-snp-host-68799c0277b2
客户操作系统 Ubuntu 22.04.5 LTS
访客内核 6.16.0-snp-guest-038d61fd6422
QEMU 10.0.0

3.运行机密VM和标准VM:

运行机密VM```bash
sudo /qemu-system-x86_64 -enable-kvm -cpu EPYC-v4,phys-bits=48 -machine q35 -smp 4,maxcpus=48 -m 10240M,slots=5,maxmem=20480M -no-reboot -bios /OVMF.fd -netdev user,id=vmnic,hostfwd=tcp::8765-:22 -device virtio-net-pci,disable-legacy=on,iommu_platform=true,netdev=vmnic,romfile= -drive file=/disk-ubuntu-22.04.qcow2,if=none,id=disk0,format=qcow2 -device virtio-scsi-pci,id=scsi0,disable-legacy=on,iommu_platform=true -device scsi-hd,drive=disk0 -machine confidential-guest-support=sev0,vmport=off -object memory-backend-memfd,id=ram1,size=10240M,share=true,prealloc=false -machine memory-backend=ram1 -object sev-snp-guest,id=sev0,policy=0x30000,cbitpos=51,reduced-phys-bits=1 -nographic -monitor pty -monitor unix:monitor,server,nowait


您可以通过发出dmesg来验证sev-snp的启用:```bash
# Inside Confidential VM
(sandbox) ~/sandbox$ sudo dmesg | grep -i -e sev -i -e snp
[    0.000000] Linux version 6.16.0-snp-guest-038d61fd6422 ...(gcc (Ubuntu 11.4.0-1ubuntu1~22.04.2) 11.4.0, GNU ld (GNU Binutils for Ubuntu) 2.38) #2 SMP Thu Jan 22 14:27:24 CET 2026
[    0.000000] Command line: BOOT_IMAGE=/vmlinuz-6.16.0-snp-guest-038d61fd6422 root=/dev/mapper/ubuntu--vg-ubuntu--lv ro console=ttyS0
[    0.296060] Kernel command line: BOOT_IMAGE=/vmlinuz-6.16.0-snp-guest-038d61fd6422 root=/dev/mapper/ubuntu--vg-ubuntu--lv ro console=ttyS0
[    0.296116] Unknown kernel command line parameters "BOOT_IMAGE=/vmlinuz-6.16.0-snp-guest-038d61fd6422", will be passed to user space.
[    2.816629] Memory Encryption Features active: AMD SEV SEV-ES SEV-SNP
[    2.817767] SEV: Status: SEV SEV-ES SEV-SNP
[    3.231942] SEV: APIC: wakeup_secondary_cpu() replaced with wakeup_cpu_via_vmgexit()
[    4.985266] SEV: Using SNP CPUID table, 28 entries present.
[    4.985550] SEV: SNP running at VMPL0.
[    5.316846] SEV: SNP guest platform devices initialized.
[    5.954784]     BOOT_IMAGE=/vmlinuz-6.16.0-snp-guest-038d61fd6422
[    7.315495] systemd[1]: Hostname set to .
[    7.885051] sev-guest sev-guest: Initialized SEV guest driver ...

运行标准VM```bash
sudo /qemu-system-x86_64 -enable-kvm -cpu EPYC-v4,phys-bits=48 -machine q35 -machine vmport=off -machine memory-backend=ram1 -smp 4,maxcpus=48 -m 10240M,slots=5,maxmem=20480M -no-reboot -bios /OVMF.fd -netdev user,id=vmnic,hostfwd=tcp::8766-:22 -device virtio-net-pci,disable-legacy=on,netdev=vmnic,romfile= -drive file=/disk-ubuntu-standard-22.04.qcow2,if=none,id=disk0,format=qcow2 -device virtio-scsi-pci,id=scsi0,disable-legacy=on -device scsi-hd,drive=disk0 -object memory-backend-memfd,id=ram1,size=10240M,share=true,prealloc=false -nographic -monitor unix:monitor-std,server,nowait


______________________________________________________________________

## 📋 软件先决条件(在机密VM和标准VM上安装)

### 1.安装VLLM并在本地托管

要在CPU上托管vLLM,请检查 `vllm_install\build_vllm_cpu.md`

### 2.安装货物和mcp服务器

1. 安装铁锈和货物:```bash
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh
  1. 重新启动终端或运行以下命令:```bash
    source "$HOME/.cargo/env"

3. 安装MCP文件系统服务器```bash
cargo install mcp-server-filesystem --version 0.1.2
  1. 验证安装```bash
    which mcp-server-filesystem

5. **更新 `.env` 文件**```bash
echo "MCP_FILESYSTEM_BINARY=$(which mcp-server-filesystem)" >> .env

确保项目文件夹中的.env具有正确的MCP_FILESYSTEM_BINARY路径

3.python包的安装

此项目使用 紫外线.要安装uv:```bash
curl -LsSf https://astral.sh/uv/install.sh | sh
source ~/.bashrc


然后安装python依赖项:```bash
# Install dependencies and create virtual environment for this agent environment
uv sync --locked
source .venv/bin/activate

4.环境配置

使用本地路径和vLLM配置更新根目录中的.env文件,请填写 , 和 ``:```bash

.env

VLLM_BASE_URL=http://localhost:8005/v1
VLLM_API_KEY=empty
TARGET_DIRECTORY=
MCP_FILESYSTEM_BINARY=/.cargo/bin/mcp-server-filesystem
HF_TOKEN=""


______________________________________________________________________

## 🚀 用法-对代理进行基准测试,论文中的图2

1. 开 **机密VM**,运行:```bash
MCP_USE_ANONYMIZED_TELEMETRY=false python benchmark.py --env cvm --iters 10
  • --env:测试环境的字符串标签(影响输出文件名)。
  • --iters:要执行的基准周期数(默认值:10)。

A. profile_cvm.json 将在上的此项目库文件夹中生成 机密VM.

  1. 开 标准VM,运行:```bash
    MCP_USE_ANONYMIZED_TELEMETRY=false python benchmark.py --env std --iters 10

A. `profile_std.json` 将在上的此项目库文件夹中生成 **标准VM**.

1. 收集 `profile_cvm.json` (从 **机密VM**)以及 `profile_std.json` (从 **标准VM**),并运行可视化脚本(默认情况下,pdf是在 `pdfs/cvm_dashboard.pdf`):```bash
python visualize.py --std  profile_std.json  --cvm profile_cvm.json

🚀 使用方法-将护栏顶置基准,如图3、4所示

我们使用Llama-Prompt-Guard-2-86M进行此基准测试,请确保您已在 .env 并已请求访问https://huggingface.co/meta-llama/Llama-Prompt-Guard-2-86M.
运行脚本时,Llama-Prompt-Guard-2-86M模型重量将被下载、缓存和使用。

  1. 对于图3 机密VM,基准护栏(deberta检查执行轨迹):```bash
    MCP_USE_ANONYMIZED_TELEMETRY=false OPENAI_API_KEY=empty python benchmark_llamafirewall.py --env cvm --iters 10 --firewall --firewall-trace-type deberta

A. `logs/firewall_llama_True_profile_cvm_deberta.json` 将生成,并可视化护栏头顶(默认情况下,在以下条件下生成论文中的图3 `pdfs/firewall_latency_drilldown_cvm_deberta.pdf`):```bash
# visualize guardrail overhead (deberta to filter tool output)
python visualize_firewall_overhead.py --input_file logs/firewall_llama_True_profile_cvm_deberta.json --output_file pdfs/firewall_latency_drilldown_cvm_deberta.pdf --alignment_check deBERTa
  1. 如图4所示。上 机密VM,基准护栏(用llm检查执行痕迹):

(感谢其中一位审阅者的宝贵反馈,我们添加了以下说明。)

在运行任何东西之前,我们首先需要确保Llamafounder的跟踪检查器AlignmentCheck(https://github.com/meta-llama/PurpleLlama/blob/main/LlamaFirewall/src/llamafirewall/scanners/experimental/alignmentcheck_scanner.py),配置为使用我们的本地LLM,以便基准测试结果有意义。由于Llamafirewall目前被硬编码为together.ai,我们需要修改AlignmentCheck实现,以指向我们本地托管的vLLM实例。

引导到 .venv/lib/python3.11/site-packages/llamafirewall/scanners/experimental/alignmentcheck_scanner.py (或安装Llamafirewall软件包的相应路径)。找到 AlignmentCheckScanner 类并修改其 __init__ 方法如下:```python
class AlignmentCheckScanner(CustomCheckScanner[AlignmentCheckOutputSchema]):
"""
A scanner that detect misalignment between original user intention and current thought trajectory.
"""

def init(
self,
scanner_name: str = "AlignmentCheck Scanner",
) -> None:
"""
Initialize a new AlignmentCheckScanner.

Args:
scanner_name: Name of the scanner
block_threshold: Threshold for blocking content
model_name: Name of the LLM model to use
api_base_url: Base URL for the API
api_key_env_var: Environment variable name containing the API key
temperature: Temperature setting for the LLM
"""
super().init(
scanner_name=scanner_name,
system_prompt=SYSTEM_PROMPT,
output_schema=AlignmentCheckOutputSchema,
model_name="Qwen/Qwen2.5-0.5B-Instruct", # Updated here: name of the locally deployed llm
api_base_url="http://localhost:8005/v1", # Updated here: url of the vllm exposed API access point
api_key_env_var="VLLM_API_KEY" # Updated here: fake API key
)
self.require_full_trace = True


现在我们可以运行实际的基准测试:```bash
MCP_USE_ANONYMIZED_TELEMETRY=false OPENAI_API_KEY=empty python benchmark_llamafirewall.py --env cvm --iters 10 --firewall --firewall-trace-type llm

A. logs/firewall_llama_True_profile_cvm_llm.json 将生成,并可视化护栏头顶(默认情况下,在以下条件下生成论文中的图4 pdfs/firewall_latency_drilldown_cvm_llm.pdf):```bash

visualize guardrail overhead (use LLM to filter tool output)

python visualize_firewall_overhead.py --input_file logs/firewall_llama_True_profile_cvm_llm.json --output_file pdfs/firewall_latency_drilldown_cvm_LLM.pdf --alignment_check LLM
```

常见问题

7 问
答案由本站依据条目字段整理,不引用上游原文
agent MCP sandbox 怎么安装?

在客户端按下面的安装命令接入:python visualize.py --std profile_std.json --cvm profile_cvm.json。装完在客户端配置里引用同一个包或端点。

agent MCP sandbox 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

agent MCP sandbox 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

agent MCP sandbox 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

agent MCP sandbox 能提供哪些能力?

资料显示能力标签包括 性能分析、Python、LLM代理。具体工具清单以官方文档为准。

agent MCP sandbox 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

agent MCP sandbox 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。