MCP 服务器

CodeBox-AI

一个安全可靠的 Python 代码执行服务，旨在与 GPT 和 Claude 等大型语言模型集成，提供一个自托管的替代方案，以取代 OpenAI 的 Code Interpreter。现在支持 MCP 服务器。

tomconte

开发者工具

README

CodeBox-AI

一个安全的 Python 代码执行服务，提供 OpenAI 的 Code Interpreter 的自托管替代方案。它基于 FastAPI 和 IPython 内核构建，支持基于会话的代码执行，并与 LLM 函数调用集成。现在还支持模型上下文协议 (MCP)，以便与 LLM 应用程序无缝集成。

特性

在 Docker 容器中基于会话的 Python 代码执行
IPython 内核，支持丰富的输出
具有安全控制的动态包安装
- 包允许列表/阻止列表系统
- 针对安全漏洞的版本控制
- 支持 pip 和 conda 安装
执行之间的状态持久性
支持绘图和可视化
代码安全验证
- 基于 AST 的代码分析
- 防止危险的导入和操作
- 支持 Jupyter magic 命令和 shell 操作

MCP 服务器 (模型上下文协议)

CodeBox-AI 现在支持模型上下文协议 (MCP)，允许 LLM 应用程序（如 Claude Desktop）以标准化方式与您的代码执行服务交互。

运行 MCP 服务器

您可以通过以下几种方式运行 MCP 服务器：

独立运行（适用于 MCP 客户端或 Claude Desktop）：
```
uv run mcp dev mcp_server.py
```
这将在开发模式下启动 MCP 服务器，用于本地测试和调试。
注册到 Claude Desktop：
```
uv run mcp install mcp_server.py --name "CodeBox-AI"
```
这将使您的服务器作为自定义工具提供给 Claude Desktop。
组合的 FastAPI + MCP 服务器：
```
python run.py
```
这将同时启动 FastAPI API 和 MCP 服务器（MCP 可在 /mcp 访问）。
仅 MCP 服务器：
```
python run.py --mode mcp
```

MCP 特性

execute_code: 执行 Python 代码并返回结果
session://{session_id}: 获取有关会话的信息
sessions://: 列出所有活动会话

示例：使用 MCP Inspector 进行测试

启动 MCP 服务器：
```
uv run mcp dev mcp_server.py
```
打开 MCP Inspector 并连接到您的本地服务器。

示例：注册到 Claude Desktop

启动服务器：

uv run mcp install mcp_server.py --name "CodeBox-AI"

打开 Claude Desktop 并将您的服务器添加为自定义工具。

前提条件

Python 3.9+
Docker
uv - 快速 Python 包安装程序和解析器

安装

克隆存储库：

git clone https://github.com/yourusername/codebox-ai.git
cd codebox-ai

使用 uv 安装依赖项：

# 如果您还没有 uv，请安装它
curl -LsSf https://astral.sh/uv/install.sh | sh

# 创建虚拟环境并在一步中安装依赖项
uv sync

# 或者安装开发依赖项
uv sync --extra dev

启动服务器：

uv run -m codeboxai.main

API 将在 http://localhost:8000 上可用

开发设置

对于开发，请安装开发 extras：

uv sync --extra "dev docs"

Docker "file not found" 错误

如果在 MacOS 上运行服务器时遇到 "file not found" DockerException，您可能需要设置 DOCKER_HOST 环境变量。首先，通过运行以下命令找出您正在使用的上下文：

docker context ls

然后将 DOCKER_HOST 环境变量设置为正确的端点：

export DOCKER_HOST="unix:///Users/tconte/.docker/run/docker.sock"

用法

直接 API 用法

创建一个新会话：

curl -X POST http://localhost:8000/sessions \
  -H "Content-Type: application/json" \
  -d '{
    "dependencies": ["numpy", "pandas"]
  }'

在会话中执行代码：

curl -X POST http://localhost:8000/execute \
  -H "Content-Type: application/json" \
  -d '{
    "code": "x = 42\nprint(f\"Value of x: {x}\")",
    "session_id": "YOUR_SESSION_ID"
  }'

检查执行状态：

curl -X GET http://localhost:8000/execute/YOUR_REQUEST_ID/status

获取执行结果：

curl -X GET http://localhost:8000/execute/YOUR_REQUEST_ID/results

在同一会话中执行更多代码：

curl -X POST http://localhost:8000/execute \
  -H "Content-Type: application/json" \
  -d '{
    "code": "print(f\"x is still: {x}\")",
    "session_id": "YOUR_SESSION_ID"
  }'

OpenAI GPT 集成示例

提供了一个示例脚本来演示与 OpenAI 的 GPT 模型集成。

在项目根目录中创建一个 .env 文件：

AZURE_OPENAI_ENDPOINT=https://xxx.cognitiveservices.azure.com/
AZURE_OPENAI_API_KEY=foo
AZURE_OPENAI_DEPLOYMENT=gpt-4o
OPENAI_API_VERSION=2024-05-01-preview

安装其他要求：

uv sync --extra "examples"

运行示例：

uv run examples/example_openai.py

这将启动一个交互式会话，您可以在其中与 GPT-4 聊天并让它执行 Python 代码。该脚本在执行之间保持状态，因此变量和导入在交互过程中保持不变。

Demo screencast

API 端点

POST /sessions - 创建一个新会话
POST /execute - 在会话中执行代码
GET /execute/{request_id}/status - 获取执行状态
GET /execute/{request_id}/results - 获取执行结果
DELETE /sessions/{session_id} - 清理会话

安全注意事项

代码执行使用 Docker 进行容器化
每个会话都在隔离的环境中运行
实施了基本资源限制
网络访问可用，但可以限制
实施了输入代码验证以实现基本安全性

许可证

MIT 许可证 - 有关详细信息，请参见 LICENSE 文件。

关于作者的说明

此代码是与 Claude 3.5 Sonnet 配对编程的（是的，一个 AI 帮助构建其他 AI 的工具 - 非常元）。虽然我处理了产品决策和架构审查，但 Claude 在代码生成和文档方面做了大部分繁重的工作。甚至这个 README 也是由 Claude 编写的，这使得这种致谢有点像 AI 编写关于 AI 编写关于 AI 工具的文章……我们需要更深入 🤖✨

在开发过程中，人类（主要）在场。在此项目的制作过程中，没有 AI 受到伤害，尽管有些 AI 可能会因递归而感到轻微头晕。

一个原型实现，未经额外的安全措施，不适用于生产用途。