MCP Sandbox

欢迎尝试 mcp sandbox

中文文档 | English

演示

Python MCP Sandbox 是一个交互式的 Python 代码执行工具，允许用户和 LLM 在隔离的 Docker 容器中安全地执行 Python 代码并安装包。

Viby

Viby 与 mcp sandbox 配合使用

功能

• 🐳 Docker 隔离：在隔离的 Docker 容器中安全地运行 Python 代码
• 📦 包管理：轻松安装和管理 Python 包
• 📊 文件生成：支持生成文件并通过网页链接访问

安装

bash

克隆仓库

git clone https://github.com/JohanLi233/python-mcp-sandbox.git
cd python-mcp-sandbox

uv venv
uv sync

启动服务器

uv run main.py

默认的 SSE 端点是 http://localhost:8000/sse，你可以通过 MCP Inspector 或任何支持 SSE 连接的客户端与其交互。

可用工具

1. create_sandbox: 创建一个新的 Python Docker 沙箱，并返回其 ID 以便后续代码执行和包安装
2. list_sandboxes: 列出所有现有的沙箱（Docker 容器）以供重用
3. execute_python_code: 在指定的 Docker 沙箱中执行 Python 代码
4. install_package_in_sandbox: 在指定的 Docker 沙箱中安装 Python 包
5. check_package_installation_status: 检查 Docker 沙箱中是否已安装某个包或其安装状态
6. execute_terminal_command: 在指定的 Docker 沙箱中执行终端命令。参数：sandbox_id (字符串), command (字符串)。返回 stdout, stderr, exit_code。
7. upload_file_to_sandbox: 将本地文件上传到指定的 Docker 沙箱。参数：sandbox_id (字符串), local_file_path (字符串), dest_path (字符串, 可选, 默认: /app/results)。

项目结构

python-mcp-sandbox/
├── main.py # 应用程序入口
├── requirements.txt # 项目依赖
├── Dockerfile # Python 容器的 Docker 配置
├── results/ # 生成文件的目录
├── mcp_sandbox/ # 主包目录
│ ├── init.py
│ ├── models.py # Pydantic 模型
│ ├── api/ # API 相关组件
│ │ ├── init.py
│ │ └── routes.py # API 路由定义
│ ├── core/ # 核心功能
│ │ ├── init.py
│ │ ├── docker_manager.py # Docker 容器管理
│ │ └── mcp_tools.py # MCP 工具
│ └── utils/ # 实用工具
│ ├── init.py
│ ├── config.py # 配置常量
│ ├── file_manager.py # 文件管理
│ └── task_manager.py # 周期性任务管理
└── README.md # 项目文档

示例提示

我已经为你配置了一个 Python 代码执行沙箱。你可以按照以下步骤运行 Python 代码：

1. 首先，使用 "list_sandboxes" 工具查看所有现有的沙箱（Docker 容器）。

   • 如果存在沙箱，可以重用现有的 sandbox_id，不要创建新的。
   • 如果需要新的沙箱，请使用 "create_sandbox" 工具。
   • 每个沙箱都是一个独立的 Python 环境，后续操作都需要 sandbox_id。

2. 如果需要安装包，请使用 "install_package_in_sandbox" 工具

   • 参数：sandbox_id 和 package_name（例如 numpy, pandas）
   • 这将启动异步安装并立即返回状态

3. 安装包后，可以使用 "check_package_installation_status" 工具检查安装状态

   • 参数：sandbox_id 和 package_name（要检查的包名）
   • 如果包仍在安装中，你需要再次使用此工具进行检查

4. 使用 "execute_python_code" 工具运行你的代码

   • 参数：sandbox_id 和 code（Python 代码）
   • 返回输出、错误和生成文件的链接
   • 所有生成的文件都存储在沙箱内，file_links 是直接的 HTTP 链接，可以在浏览器中内联查看

示例工作流程：

• 使用 list_sandboxes 检查可用的沙箱，如果没有可用的沙箱，则使用 create_sandbox 创建一个新的 → 获取 sandbox_id
• 使用 install_package_in_sandbox 安装必要的包（如 pandas, matplotlib），使用 sandbox_id 参数
• 使用 check_package_installation_status 验证包安装，使用相同的 sandbox_id 参数
• 使用 execute_python_code 运行你的代码，使用 sandbox_id 参数

代码执行在一个安全的沙箱中进行。生成的文件（图像、CSV 等）将以直接的 HTTP 链接形式提供，可以直接在浏览器中查看。

请记住不要在你的 Python 代码中使用 plt.show()。对于可视化：

• 使用 plt.savefig() 保存图形，而不是 plt.show()
• 对于数据，使用 df.to_csv() 或 df.to_excel() 等方法保存为文件
• 所有保存的文件将在结果中自动显示为 HTTP 链接，可以直接打开或嵌入。## MCP 示例配置

以下是针对 claude 的示例配置：

json
{
"mcpServers": {
"mcpSandbox": {
"command": "npx",
"args": ["-y", "supergateway", "--sse", "http://localhost:8000/sse"]
}
}
}

在线演示的 MCP 示例配置

json
{
"mcpServers": {
"mcpSandbox": {
"command": "npx",
"args": ["-y", "supergateway", "--sse", "http://115.190.87.78/sse?api_key=<API_KEY>"]
}
}
}

根据您的环境需要修改 serverUrl。