【MCP 工具名 / 配置】 yzfly/mcp-python-interpreter

【应用场景分类】 开发工具

【功能与使用方法】

功能特性：

环境管理: 列出和使用不同的Python环境（系统和conda）

代码执行: 在任何可用环境中运行Python代码或脚本

包管理: 列出已安装的包并安装新包

文件操作: 读写任何类型的文件（文本、源代码、二进制）

Python提示: 常见Python任务的模板，如函数创建和调试

配置方法：

1.安装Claude Desktop（或其他支持MCP的客户端）

2.打开Claude Desktop，点击菜单，然后设置

3.转到开发者选项卡，点击"编辑配置"

4.在claude_desktop_config.json中添加以下配置：

JSON

{ "mcpServers": { "mcp-python-interpreter": { "command": "uvx", "args": [ "mcp-python-interpreter", "--dir", "/path/to/your/work/dir", "--python-path", "/path/to/your/python" ], "env": { "MCP_ALLOW_SYSTEM_ACCESS": 0 }, } } }

操作步骤与工具组合逻辑： 该工具通过MCP协议，允许AI模型（如Claude）直接与Python环境交互。用户可以在AI助手中通过自然语言指令，让AI执行Python代码、管理包、读写文件等。例如：

执行Python代码： 用户可以直接在聊天界面输入“运行这段Python代码：print("Hello, MCP!")”，AI将调用run_python_code工具在指定的Python环境中执行。

读取文件内容： 用户可以指令“读取我的data.json文件内容”，AI将调用read_file工具获取文件内容并返回。

创建Python文件： 用户可以要求“创建一个名为hello.py的Python文件，其中包含一个打印‘Hello’的函数”，AI将调用write_python_file工具完成操作。

提示词示例：

"请列出我系统中所有可用的Python环境。"

"在我的conda-base环境中运行这段Python代码：import pandas as pd; df = pd.DataFrame({\'col1\': [1, 2], \'col2\': [3, 4]}); print(df.head())"

"创建一个新的Python文件my_script.py，内容是一个计算斐波那契数列的函数。"

"读取config.yaml文件的内容。"

"在system环境中安装requests包。"

【场景截图 / 简短录屏链接】

【推荐指数】 ⭐⭐⭐⭐⭐ (5星)

我遇到的挑战 / 痛点： 在使用AI进行开发工作时，经常需要在AI的对话界面和本地开发环境之间来回切换，手动复制粘贴代码、执行命令、查看结果，效率低下且容易出错。尤其是在需要AI辅助调试、重构代码或进行数据分析时，这种割裂的工作流严重阻碍了开发效率。

使用MCP Python Interpreter后的改善： yzfly/mcp-python-interpreter工具完美解决了这一痛点。它将Python环境直接集成到AI助手中，使得AI能够“亲自动手”执行代码、管理文件和包。这极大地提升了开发效率，让AI真正成为一个可以协同工作的“智能副驾驶”，而不是仅仅提供建议的“聊天机器人”。我可以直接通过自然语言指令，让AI完成复杂的编程任务，而无需离开AI界面，实现了真正意义上的“AI驱动开发”。