MCP Code Demo

MCPAI代理

提供方 sarahcstringer

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

通过分离上下文与执行环境,使AI代理在数据处理任务中更高效且成本更低。

一句话选型结论

按资料字段整理

MCP Code Demo 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 5 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

AI代理Python本地部署代码执行数据处理协议优化效率提升

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 -m venv venv

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
MCP Code Demo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sarahcstringer上游标注的维护方 sarahcstringer
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

6.1 KB
来自项目仓库与上游目录的原文,未做删改

使用MCP执行代码

此存储库演示了传统工具调用和代码执行之间的关键区别 模型上下文协议(MCP)它展示了将上下文与执行环境分离如何使AI代理在数据繁重的任务中更高效、更具成本效益。

此演示基于以下博客文章 Anthropic 和 云耀 关于使用MCP执行代码。

这里的示例使用本地MCP服务器来演示完整的MCP+代码执行堆栈。MCP服务器模拟延迟并提供合成数据。运行下面的演示或阅读 完整报道 了解有关概念的更多详细信息。

运行演示

此演示显示了传统工具调用的示例和使用MCP执行代码的更新示例。

本地MCP服务器(mcpservers/data_mcp_server.py)获取关于合成用户活动的分页数据,并引入人工延迟(100-200ms)来模拟真实API中的延迟。

先决条件

  • Python 3.10+
  • 无烟煤API密钥(在 console.anthropic.com)

安装

以下命令执行以下操作:

  • 克隆存储库
  • 安装依赖项
  • 复制 .env.example 到 .env
  • 您必须将ANTHROPIC_API_KEY添加到 .env 文件
  • 为代码执行MCP示例生成MCP工具包装器```bash

Clone this repository

git clone https://github.com/sarahcstringer/mcp-code-demo
cd mcp-code-demo

Create a virtual environment

python -m venv venv
source venv/bin/activate # On Windows: venv\Scripts\activate

Install dependencies

pip install -r requirements.txt

Set up your API key

cp .env.example .env

Edit .env and add your ANTHROPIC_API_KEY

Generate MCP tool wrappers (required for Example 2)

python generate_wrappers.py


> MCP工具包装器用于代码执行MCP示例。

### 例子

### 示例1:传统MCP工具调用```bash
python examples/traditional_tool_calling.py

此示例演示了传统的MCP工具调用,其中所有工具结果都通过上下文窗口传递。代理通过从MCP服务器获取用户活动数据来分析分页的API日志。

MCP服务器公开:

  • get_total_pages() -返回总页数(30)
  • get_data_chunk(page) -返回包含10条用户活动记录的dict

每条记录包含:```json
{
"id": 1,
"user_id": "user_3",
"activity": "login",
"timestamp": "2024-01-01T00:00:00Z",
"metadata": {
"duration_seconds": 45,
"success": true
}
}


**任务:** 计算失败的活动总数,确定最活跃的用户,并计算平均持续时间。

**发生了什么:**

- 所有MCP工具描述在开始时都加载到上下文窗口中。
- 客服电话 `get_total_pages()` → gets `30`.
- 呼叫 `get_data_chunk(1)`, `get_data_chunk(2)`, ...,对于所有30页,每次向上下文中添加10条记录。
- 所有300条记录都累积在上下文窗口中。
- 代理在上下文中处理所有内容(统计故障、查找最活跃的用户、计算平均持续时间)。
- 每次工具调用都会将数据添加到上下文中,为中间数据使用大量令牌。

### 示例2:使用MCP执行代码```bash
python examples/code_execution.py

> 备注:您必须生成 mcp_tools/ 首先运行目录 python generate_wrappers.py

此示例执行与前一个示例相同的任务,但使用代码执行而不是传统的工具调用。随之而来 人类学模式 用于使用MCP执行代码。

发生了什么:

  • 代理使用bash工具访问代码执行环境。
  • 代理不是直接获取MCP工具,而是通过探索文件系统来发现它们(找到 mcp_tools/ 目录并读取其Python包装器)。
  • 代理为任务编写Python代码,直接在执行环境中调用MCP工具。
  • 所有300条记录都保留在执行环境中,永远不会进入上下文窗口。只有最后的总结被发回。

核心见解

传统工具调用 将所有MCP工具描述、参数模式、返回类型和使用说明预先加载到上下文窗口中。然后,当代理逐一协调工具调用时,它会通过LLM的上下文窗口发送所有中间结果。

代码执行 允许动态发现——代理探索文件系统以查找可用工具并读取其实现。它在单独的执行环境中运行处理,只将最终结果发送回上下文。

这可以显著减少数据繁重任务的令牌使用,同时启用轮询、等待和有状态处理等新功能。

实施说明: 现代代理框架,如 克劳德代码 和 Cloudflare代理 提供内置的代码执行环境。但是,您可以通过为LLM提供一个执行命令的bash工具来实现相同的模式——这是这些示例中使用的方法。

安全考虑: 在赋予LLM执行代码的能力时,应实施适当的防护措施,如沙盒、敏感操作的人在环验证、执行前的代码审查以及限制文件系统/网络访问。仅在可以验证和信任所执行内容的环境中运行代码。

令牌使用可变性

即使使用相同的任务和模型,令牌的使用情况也会因运行而异。在这个演示的测试中,我看到了以下结果:

  • 传统工具调用:通常为50000-73000个代币
  • 代码执行:通常为9500-10000个代币
  • 代币减少:80-87%取决于跑步情况

项目结构```

mcp-code/
├── examples/ # Runnable examples
│ ├── traditional_tool_calling.py # Example 1: Traditional MCP tool calling
│ └── code_execution.py # Example 2: Code execution + MCP (file system wrappers)
├── mcp_servers/ # MCP server for demo
│ └── data_mcp_server.py # MCP server: paginated data fetching tools
├── mcp_tools/ # Auto-generated Python wrappers (run generate_wrappers.py)
│ ├── init.py # Package exports
│ ├── mcp_client.py # Handles actual MCP communication
│ └── data_tools.py # Wrappers for data_tools MCP server
├── generate_wrappers.py # Script to generate mcp_tools/ from MCP servers
├── WRITEUP.md # Writeup of the demo and my thoughts on the concepts
├── README.md # This file
└── requirements.txt # Python dependencies
```

了解更多

  • 阅读全文 -概念的详细解释

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
MCP Code Demo 怎么安装?

在客户端按下面的安装命令接入:python -m venv venv。装完在客户端配置里引用同一个包或端点。

MCP Code Demo 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。

MCP Code Demo 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。

MCP Code Demo 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。

MCP Code Demo 能提供哪些能力?

资料显示能力标签包括 AI代理、代码执行、Python、数据处理、效率提升。具体工具清单以官方文档为准。

MCP Code Demo 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。

MCP Code Demo 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。