🚀 MCP Sandbox 环境搭建与使用指南

MCP Sandbox 是一个基于 Python 的沙盒环境工具，可在安全隔离的环境中执行 Python 代码。它借助 Docker 容器技术，让每个任务都在独立环境运行，避免恶意代码破坏主机系统。

🚀 快速开始

MCP Sandbox 是一个强大的工具，能让你在安全的环境中运行 Python 代码。以下是使用该工具的基本步骤：

1. 克隆项目仓库到本地。
2. 创建虚拟环境并同步依赖。
3. 启动服务器，通过指定链接连接和使用工具。

✨ 主要特性

• Docker 隔离：每个沙盒环境都在独立的 Docker 容器中运行，确保任务之间互不影响。
• 包管理：支持在指定沙盒中安装第三方 Python 包，例如 numpy、pandas 等。
• 文件生成与访问：所有生成的文件（如图像、CSV）都会通过 HTTP 链接提供直接访问，便于展示和嵌入。

📦 安装指南

克隆仓库

使用 Git 命令克隆 MCP Sandbox 项目到本地：

git clone https://github.com/your-username/mcp-sandbox.git

创建虚拟环境并同步依赖

进入项目目录后，安装 UV 包管理器并同步依赖：

uv create venv --name mcp-sandbox
cd venv && uv sync

启动服务器

启动 MCP Sandbox 服务器：

uv run main:app

之后，你可以通过访问 http://localhost:8000/sse 来连接和使用 MCP Sandbox 工具。

💻 使用示例

基础用法

工作流程

1. 创建或选择沙盒

mcp_sandbox list_sandboxes

如果没有可用沙盒，创建新的：

mcp_sandbox create_sandbox

2. 安装必要包 安装所需包到指定沙盒：

mcp_sandbox install_package --sandbox_id <your-sandbox-id> --package numpy

3. 执行 Python 代码 在沙盒中运行 Python 代码：

mcp_sandbox execute_python_code --sandbox_id <your-sandbox-id> --code "import pandas as pd; print(pd.__version__)"

4. 查看结果与文件 执行后的输出、错误信息及生成的文件链接将直接返回，便于进一步处理和展示。

高级用法

示例代码

以下是一个完整的示例：

import pandas as pd

# 读取数据并保存为 CSV
data = {'A': [1, 2, 3], 'B': [4, 5, 6]}
df = pd.DataFrame(data)
df.to_csv('output.csv', index=False)

# 使用 plt.savefig() 保存图像
import matplotlib.pyplot as plt
plt.plot([1, 2, 3], [4, 5, 6])
plt.savefig('graph.png')

📚 详细文档

MCP 配置示例

对 Claude 的配置

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

在线演示配置

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

⚠️ 重要提示

请根据你的环境调整 serverUrl 参数。