沙盒 MCP 服务器

一个 MCP 服务器，提供隔离的 Docker 环境以执行代码。此服务器允许您：

• 使用任意 Docker 镜像创建容器

• 使用多种编程语言编写和执行代码

• 安装软件包并设置开发环境

• 在隔离的容器中运行命令

先决条件

• Python 3.9 或更高版本

• Docker 安装并运行

• uv 包管理器（推荐）

• Docker MCP 服务器（推荐）

Related MCP server: Docker MCP Server

安装

1. 克隆此存储库：

git clone <your-repo-url>
cd sandbox_server

2. 使用 uv 创建并激活虚拟环境：

uv venv
source .venv/bin/activate # On Unix/MacOS
# Or on Windows:
# .venv\Scripts\activate

3. 安装依赖项：

uv pip install .

与 Claude Desktop 集成

1. 打开Claude Desktop的配置文件：

• macOS： ~/Library/Application Support/Claude/claude_desktop_config.json

• Windows： %APPDATA%\Claude\claude_desktop_config.json

2. 添加沙盒服务器配置：

{
 "mcpServers": {
 "sandbox": {
 "command": "uv",
 "args": [
 "--directory",
 "/absolute/path/to/sandbox_server",
 "run",
 "sandbox_server.py"
 ],
 "env": {
 "PYTHONPATH": "/absolute/path/to/sandbox_server"
 }
 }
 }
}

将/absolute/path/to/sandbox_server替换为项目目录的实际路径。

3. 重启Claude桌面

使用示例

基本用法

一旦连接到 Claude Desktop，您可以：

1. 创建 Python 容器：

Could you create a Python container and write a simple hello world program?

2. 以不同的语言运行代码：

Could you create a C program that calculates the fibonacci sequence and run it?

3. 安装包并使用它们：

Could you create a Python script that uses numpy to generate and plot some random data?

保存和重现环境

服务器提供了几种保存和重现开发环境的方法：

创建持久容器

创建容器时，您可以使其持久化：

Could you create a persistent Python container with numpy and pandas installed?

这将创建一个容器：

• Claude Desktop 关闭后仍继续运行

• 可以通过Docker直接访问

• 保留所有已安装的软件包和文件

服务器将提供以下说明：

• 直接访问容器（ docker exec ）

• 停止和启动容器

• 不再需要时删除

保存容器状态

设置好环境后，您可以将其保存为 Docker 镜像：

Could you save the current container state as an image named 'my-ds-env:v1'?

这将：

1. 创建一个新的 Docker 镜像，其中包含以下内容：

   • 已安装的软件包

   • 创建的文件

   • 配置更改

2. 提供重复使用环境的说明

然后，您可以共享此图像或将其用作新容器的起点：

Could you create a new container using the my-ds-env:v1 image?

生成 Dockerfile

为了使您的环境完全可重现，您可以生成一个 Dockerfile：

Could you export a Dockerfile that recreates this environment?

生成的 Dockerfile 将包括：

• 基础镜像规范

• 创建的文件

• 附加设置步骤的模板

您可以使用此 Dockerfile 来执行以下操作：

1. 与他人共享您的环境设置

2. 版本控制您的开发环境

3. 修改和定制构建过程

4. 部署到不同的系统

推荐的工作流程

对于可重复的开发环境：

1. 创建持久容器：

Create a persistent Python container for data science work

2. 安装所需的软件包并设置环境：

Install numpy, pandas, and scikit-learn in the container

3. 测试您的设置：

Create and run a test script to verify the environment

4. 保存状态：

Save this container as 'ds-workspace:v1'

5. 导出 Dockerfile：

Generate a Dockerfile for this environment

这为您提供了重新创建环境的多种选择：

• 直接使用保存的Docker镜像

• 通过修改 Dockerfile 进行构建

• 如果需要，可以访问原始容器

安全说明

• 所有代码都在隔离的 Docker 容器中执行

• 容器使用后自动移除

• 容器之间的文件系统是隔离的

• 主机系统访问受到限制

项目结构

sandbox_server/
├── sandbox_server.py # Main server implementation
├── pyproject.toml # Project configuration
└── README.md # This file

可用工具

该服务器提供三个主要工具：

1. create_container_environment ：使用指定的镜像创建一个新的 Docker 容器

2. create_file_in_container ：在容器中创建文件

3. execute_command_in_container ：在容器中运行命令

4. save_container_state ：将容器状态保存到持久容器

5. export_dockerfile ：导出docker文件以创建持久环境

6. exit_container ：完成后关闭容器以清理环境

Maintenance

Resources

• GitHub Repository
Need Help?
• Reddit Discussion
Related Servers