Python运行程序MCP服务器
英语 | 中文
基于FastMCP框架的Python代码执行服务器，专为数据科学和机器学习工作流程而设计。
🚀 特性
- 安全的Python代码执行：在隔离的命名空间中执行Python代码
- 丰富的数据科学图书馆：预装了常用的数据科学和机器学习软件包
- 实时输出捕获：捕获标准输出、错误输出和返回值
- MCP协议支持：与模型上下文协议完全兼容
- 易于使用：提供简单干净的API接口
⚡ 快速入门（推荐）
使用 uvx 无需安装即可直接运行服务器：[TODO….]```bash
Run directly (no pre-installation required)
uvx python-runner
### 在Claude桌面中配置
将以下配置添加到您的Claude Desktop配置文件中：```json
{
"mcpServers": {
"python-runner": {
"command": "uvx",
"args": ["python-runner"]
}
}
}
配置文件位置：
- macOS:
~/Library/Application Support/Claude/claude_desktop_config.json - 视窗:
%APPDATA%\Claude\claude_desktop_config.json
调试和测试```bash
Use MCP Inspector to debug the server
npx @modelcontextprotocol/inspector uvx python-runner
## 📦 预装库
此项目预装了以下常用的数据科学和机器学习库：
- **数据处理**: `numpy`, `pandas`, `scipy`
- **机器学习**: `scikit-learn`
- **数据可视化**: `matplotlib`, `seaborn`, `plotly`
- **科学计算**: `sympy`
- **图像处理**: `pillow`
- **网络分析**: `networkx`
- **交互式开发**: `jupyter`
- **HTTP请求**: `requests`
## 🛠️ 手动安装（用于开发）
### 先决条件
- Python 3.12或更高版本
- uv包管理器（推荐）或pip
### 使用紫外线进行安装（推荐）```bash
# Clone the repository
git clone
cd python_runner
# Install dependencies
uv sync
使用pip安装```bash
Clone the repository
git clone
cd python_runner
Create virtual environment
python -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
Install dependencies
pip install -e .
## 🚀 用法
### 与Claude Desktop一起使用
配置后，您可以直接在Claude Desktop中使用Python代码执行功能：```
Please help me execute this Python code:
import pandas as pd
import numpy as np
# Create sample data
data = pd.DataFrame({
'sales': [100, 150, 200, 120, 180],
'profit': [20, 30, 50, 25, 40]
})
print("Sales data statistics:")
print(data.describe())
作为独立MCP服务器运行```bash
Using uvx (recommended)
uvx python-runner
Or run locally
python main.py
### API直接调用```python
from main import execute_python
# Execute simple Python code
result = execute_python("""
print("Hello, World!")
x = 1 + 2
print(f"Result: {x}")
""")
print(result)
# Output:
# {
# 'output': 'Hello, World!\nResult: 3\n',
# 'error': '',
# 'success': True
# }
数据科学示例```python
Data analysis example
code = """
import pandas as pd
import numpy as np
Create sample data
data = pd.DataFrame({
'x': np.random.randn(100),
'y': np.random.randn(100)
})
print(f"Data shape: {data.shape}")
print(f"Statistical summary:\n{data.describe()}")
"""
result = execute_python(code)
print(result['output'])
``````python
Machine learning example
code = """
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
Generate sample data
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
Train model
clf = RandomForestClassifier(random_state=42)
clf.fit(X_train, y_train)
Predict and evaluate
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f"Model accuracy: {accuracy:.4f}")
"""
result = execute_python(code)
print(result['output'])
```
📋 api参考
execute_python(code: str) -> dict
执行Python代码并返回结果。
参数：
code（str）：要执行的Python代码字符串
退货：
dict：包含以下键的词典：output（str）：标准输出内容error（str）：错误消息（如果有的话）success（bool）：执行是否成功
🔒 安全
- 代码在隔离的命名空间中执行
- 捕获并重定向标准输出和错误输出
- 提供详细的错误跟踪信息
⚠️ 警告：此工具执行任意Python代码。请确保您在受信任的环境中使用它。
🤝 贡献
欢迎问题和拉取请求！
- 分叉此存储库
- 创建要素分支(
git checkout -b feature/AmazingFeature) - 提交您的更改(
git commit -m 'Add some AmazingFeature') - 推到分支(
git push origin feature/AmazingFeature) - 打开拉取请求
📄 许可证
此项目根据MIT许可证获得许可-请参阅 许可证 文件以获取详细信息。
🙏 致谢
- FastMCP -优秀的MCP框架
- 预装开源数据科学库的所有维护者
由以下材料制成❤️ 面向数据科学界
