MCP Sandbox

# MCP Sandbox <p align="center"> <img src="assets/mcp_logo.svg" alt="MCP Sandbox Logo" width="120" height="120" /> </p> # 在线使用 [mcp sandbox](http://www.mcpsandbox.xyz/) [](https://www.python.org/downloads/release/python-3120/) [](https://opensource.org/licenses/Apache-2.0) [](https://github.com/astral-sh/uv) [](https://github.com/estitesc/mission-control-link) 中文 | [English](README.md) # 演示 <p align="center"> <img src="assets/demo.gif" alt="demo" width="1280"/> </p> Python MCP Sandbox是一个交互式Python代码执行环境，允许用户和LLM在隔离的Docker容器中安全地执行Python代码和安装包。 ## 功能特点 - 🐳 **Docker隔离**：在隔离的Docker容器中安全运行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络链接访问 ## 安装 ```bash # 克隆仓库 git clone https://github.com/JohanLi233/python-mcp-sandbox.git cd python-mcp-sandbox # 创建并激活虚拟环境 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沙盒，并返回其ID，用于后续的代码执行和包安装 2. **list_sandboxes**：列出所有已存在的沙盒（Docker容器），可复用已有的sandbox_id 3. **execute_python_code**：在指定的Docker沙盒中执行Python代码 4. **install_package_in_sandbox**：在指定的Docker沙盒中安装Python包 5. **check_package_installation_status**：检查Docker沙盒中包的安装状态 6. **execute_terminal_command**：在指定的 Docker 沙盒中执行终端命令。参数：sandbox_id（字符串），command（字符串）。返回 stdout、stderr、exit_code。 7. **upload_file_to_sandbox**：上传本地文件到指定的 Docker 沙盒。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 # 应用程序入口点 ├── 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 ``` ## 示例提示词 ``` 我已为你配置了一个Python代码执行沙盒。你可以按照以下步骤运行Python代码： 1. 首先，使用"list_sandboxes"工具查看所有已存在的沙盒（Docker容器）。 - 你可以复用已有的sandbox_id，如果已有沙盒，则不要创建。 - 如需新建沙盒，请使用"create_sandbox"工具。 - 每个沙盒都是独立的Python环境，sandbox_id是后续所有操作的必需参数。 2. 如果需要安装包，使用"install_package_in_sandbox"工具 - 参数：sandbox_id和package_name（例如，numpy, pandas） - 这会启动异步安装，并立即返回状态 3. 安装包后，你可以使用"check_package_installation_status"工具检查其安装状态 - 参数：sandbox_id和package_name（要检查的包名） - 如果包仍在安装中，你需要使用此工具再次检查 4. 使用"execute_python_code"工具运行代码 - 参数：sandbox_id和code（Python代码） - 返回输出、错误和任何生成文件的链接 - 所有生成的文件都存储在沙盒内，file_links字段为直接HTTP链接 工作流示例： - 先用list_sandboxes查看可用沙盒，如果没有可用沙盒，使用create_sandbox新建 → 获取sandbox_id - 使用install_package_in_sandbox安装必要的包（如pandas、matplotlib），带sandbox_id参数 - 使用check_package_installation_status验证包安装，带相同的sandbox_id参数 - 使用execute_python_code运行代码，带sandbox_id参数 代码执行发生在安全的沙盒中。生成的文件（图像、CSV等）会作为HTTP链接提供，可直接浏览器访问或嵌入，无需下载。 注意不要在Python代码中直接使用plt.show()。对于可视化： - 保存图形到文件请用plt.savefig()，不要用plt.show() - 数据请用df.to_csv()、df.to_excel()等方法保存为文件 - 所有保存的文件都会自动作为HTTP链接出现在结果中，可直接打开或嵌入 ``` ## MCP 配置示例 以下为示例Claude配置： ```json { "mcpServers": { "mcpSandbox": { "command": "npx", "args": ["-y", "supergateway", "--sse", "http://localhost:8000/sse"] } } } ``` ## MCP 在线配置示例 ```json { "mcpServers": { "mcpSandbox": { "command": "npx", "args": ["-y", "supergateway", "--sse", "http://115.190.87.78/sse?api_key=<API_KEY>"] } } } ``` 请根据实际情况修改 `serverUrl` 地址。