python-session-mcp

在保持存活的会话中运行 Python，并通过模型上下文协议将其暴露给 LLM 客户端。

作者：Dr Merwan Roudane

它有何不同

会话持久存在。 一次调用中加载的 DataFrame 在下一次调用中仍然存在，因此分析可以逐步构建，而不是每次都整体重新发送。

你的解释器，而非服务器的。 服务器可能安装在没有 pandas 的裸 Python 下。运行你的代码的解释器是单独选择的：当存在 conda 或 Anaconda 安装时，会优先使用它们，而 PYTHON_MCP_INTERPRETER 会覆盖该选择。

一次崩溃只损失一个进程。 代码在 worker 中运行，而不是在服务器中。耗尽内存、调用 sys.exit、崩溃 C 扩展——worker 会被替换，服务器继续运行。这也使你的代码远离服务器的 stdin，而在 MCP 下，stdin 就是 JSON-RPC 流本身。

Related MCP server: LLM Python Code Sandbox

安装

pip install python-session-mcp

库使用

from python_mcp import PythonRunner

with PythonRunner() as py:
    py.run("import pandas as pd, statsmodels.api as sm")
    py.run("df = pd.read_csv('macro.csv')")
    print(py.run("df.describe()"))

    py.run("m = sm.OLS(df['y'], sm.add_constant(df[['x','z']])).fit()")
    print(py.run("m.summary()"))
    print(py.value("m.params.to_dict()"))    # a real Python dict

最终表达式会像 REPL 那样显示，因此单独的 df.head() 就会显示数据框，而无需 print()。

MCP 服务器使用

{
  "mcpServers": {
    "python": {
      "command": "python-session-mcp",
      "env": { "PYTHON_MCP_INTERPRETER": "C:\\Users\\you\\anaconda3\\python.exe" }
    }
  }
}

工具

会话

运行代码

数据

估计

图表

错误

失败会指出异常和你的代码的行号，并保持会话不变：

Python error: NameError on line 2: name 'undefined_name' is not defined

失败前打印的任何内容都会随失败一起报告，因为那些输出往往能解释失败的原因。

图形

图形无法以文本形式返回。先绘制，然后保存：

py.run("import matplotlib; matplotlib.use('Agg')")
py.run("import matplotlib.pyplot as plt; plt.plot(df['x'], df['y'], 'o')")
py.save_figure("figures/scatter.png")     # missing folders are created

值得了解

• 解释器与服务器的是分开的。 在依赖某个包存在之前，请检查 python_status。

• 状态既是便利也是风险。 名称会持久存在，因此早期步骤中的过时变量可能会悄悄影响后续步骤。开始新任务时使用 reset_namespace。

• run_python 会执行它收到的任何内容，在你的环境中，使用你的文件访问权限。这正是它的意义所在，值得慎重对待。

• 最终表达式会被回显。 除非你进行切片，否则长 DataFrame 会完整打印。

测试

python tests/test_live.py     # 41 tests

它们涵盖了持久性、带行号的错误报告、JSON 往返、图形写入、用户代码直接杀死工作进程后的恢复，以及针对已知系数生成的数据对每个数据和估计工具的测试。

在与 EViews 相同的数据上进行核对，回归结果与每个打印的数字一致——系数、R 平方、Durbin-Watson 统计量，以及 Breusch-Godfrey 和 Jarque-Bera 统计量。

许可证

MIT. Copyright (c) 2026 Merwan Roudane.