Python Runner MCP Server

Python Runner MCP 服务

English | 中文

基于 FastMCP 框架的 Python 代码执行服务，专为数据科学和机器学习工作流设计。

🚀 功能

• 安全的 Python 代码执行：在隔离的命名空间中执行 Python 代码
• 丰富的数据科学库：预装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
• 支持 MCP 协议：完全兼容 Model Context Protocol
• 易于使用：提供简单、整洁的 API 接口

⚡ 快速开始（推荐）

使用 uvx 直接运行服务，无需安装：[TODO ..... ]

# Run directly (no pre-installation required)
uvx python-runner

在 Claude Desktop 中配置

将以下配置添加到 Claude Desktop 配置文件中：

{
  "mcpServers": {
    "python-runner": {
      "command": "uvx",
      "args": ["python-runner"]
    }
  }
}

配置文件位置：

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json

调试和测试

# Use MCP Inspector to debug the server
npx @modelcontextprotocol/inspector uvx python-runner

📦 预装库

本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）

前提条件

• Python 3.12 或更高版本
• uv 包管理器（推荐）或 pip

使用 uv 安装（推荐）

# Clone the repository
git clone <repository-url>
cd python_runner

# Install dependencies
uv sync

使用 pip 安装

# Clone the repository
git clone <repository-url>
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

在 Claude Desktop 中使用

完成配置后，即可直接在 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 服务运行

# Using uvx (recommended)
uvx python-runner

# Or run locally
python main.py

直接调用 API

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

# 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'])

# 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

返回值：

• dict：包含以下键的字典：
  • output（str）：标准输出内容
  • error（str）：错误消息（如果有）
  • success（bool）：执行是否成功

🔒 安全性

• 在隔离的命名空间中执行代码
• 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：此工具会执行任意 Python 代码。请确保在可信环境中使用。

🤝 参与贡献

欢迎提交问题和 Pull Request！

1. Fork 此仓库
2. 创建功能分支（git checkout -b feature/AmazingFeature）
3. 提交更改（git commit -m 'Add some AmazingFeature'）
4. 推送到分支（git push origin feature/AmazingFeature）
5. 提交 Pull Request

📄 许可证

本项目采用 MIT License 授权，详情请参阅 LICENSE 文件。

🙏 致谢

• FastMCP - 出色的 MCP 框架
• 所有预装开源数据科学库的维护者

---

为数据科学社区倾心打造 ❤️