MCP 服务器

Docker MCP Server

在 Docker 容器中促进隔离的代码执行，从而实现安全的多语言脚本执行，并通过模型上下文协议与 Claude 等语言模型集成。

README

Docker MCP 服务器

一个强大的模型上下文协议 (MCP) 服务器，可在隔离的 Docker 容器中执行代码，并将结果返回给像 Claude 这样的语言模型。

特性

隔离的代码执行: 在与主系统隔离的 Docker 容器中运行代码
多语言支持: 使用 Docker 镜像执行任何语言的代码
复杂脚本支持: 运行简单的命令和完整的多行脚本
包管理: 使用 pip、npm、apt-get 或 apk 安装依赖项
容器管理: 轻松创建、列出和清理 Docker 容器
强大的错误处理: 优雅的超时管理和回退机制
彩色输出: 清晰、颜色编码的控制台反馈

要求

Python 3.9+
已安装并运行的 Docker
fastmcp 库

安装

克隆此存储库:

git clone https://github.com/yourusername/docker_mcp_server.git
cd docker_mcp_server

创建一个虚拟环境:

python -m venv venv
source venv/bin/activate  # 在 Windows 上: venv\Scripts\activate

安装所需的包:
```
pip install -r requirements.txt
```

用法

运行 MCP Inspector

要测试和探索服务器的功能:

python run_server.py

MCP Inspector 界面将在您的浏览器中打开，地址为 http://localhost:5173。

可用工具

Docker MCP 服务器提供以下工具:

1. 列出容器

列出所有 Docker 容器及其详细信息:

参数:
- show_all: (可选) 是否显示所有容器，包括已停止的容器 (默认: True)

2. 创建容器

创建并启动一个 Docker 容器，并带有可选的依赖项:

参数:
- image: 要使用的 Docker 镜像 (例如, "python:3.9-slim", "node:16")
- container_name: 容器的唯一名称
- dependencies: (可选) 以空格分隔的要安装的包列表 (例如, "numpy pandas", "express lodash")

3. 添加依赖项

在现有的 Docker 容器中安装额外的包:

参数:
- container_name: 目标容器的名称
- dependencies: 以空格分隔的要安装的包列表

4. 执行代码

在运行的 Docker 容器中执行命令:

参数:
- container_name: 目标容器的名称
- command: 要在容器内执行的命令

5. 执行 Python 脚本

在运行的 Docker 容器中执行多行 Python 脚本:

参数:
- container_name: 目标容器的名称
- script_content: 完整的 Python 脚本内容
- script_args: 传递给脚本的可选参数

6. 清理容器

停止并删除 Docker 容器:

参数:
- container_name: 要清理的容器的名称

示例

基本工作流程示例

# 1. 列出现有容器以查看已运行的内容
list_containers()

# 2. 创建一个新容器
create_container(
    image="python:3.9-slim", 
    container_name="python-example", 
    dependencies="numpy pandas"
)

# 3. 在容器中执行命令
execute_code(
    container_name="python-example", 
    command="python -c 'import numpy as np; print(\"NumPy version:\", np.__version__)'"
)

# 4. 稍后添加更多依赖项
add_dependencies(
    container_name="python-example", 
    dependencies="matplotlib scikit-learn"
)

# 5. 再次列出容器以确认状态
list_containers(show_all=False)  # 仅显示正在运行的容器

# 6. 完成后清理
cleanup_container(container_name="python-example")

Python 数据分析示例

# 1. 创建一个带有依赖项的容器
create_container(
    image="python:3.9-slim", 
    container_name="python-test", 
    dependencies="numpy pandas matplotlib"
)

# 2. 执行 Python 脚本
script = """
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 创建一些数据
data = pd.DataFrame({
    'x': np.random.randn(100),
    'y': np.random.randn(100)
})

print(f"Data shape: {data.shape}")
print(f"Data correlation: {data.corr().iloc[0,1]:.4f}")
"""
execute_python_script(container_name="python-test", script_content=script)

# 3. 如果需要，稍后添加其他依赖项
add_dependencies(container_name="python-test", dependencies="scikit-learn")

# 4. 验证容器是否正在运行
list_containers(show_all=False)

# 5. 完成后清理
cleanup_container(container_name="python-test")

Node.js 示例

# 1. 检查现有的 Node.js 容器
list_containers()

# 2. 创建一个 Node.js 容器
create_container(
    image="node:16", 
    container_name="node-test", 
    dependencies="express axios"
)

# 3. 执行 Node.js 脚本
execute_code(
    container_name="node-test", 
    command="node -e \"console.log('Node.js version: ' + process.version); console.log('Express installed: ' + require.resolve('express'));\""
)

# 4. 添加更多依赖项
add_dependencies(container_name="node-test", dependencies="lodash moment")

# 5. 完成后清理
cleanup_container(container_name="node-test")