SMART-E2B

Un serveur MCP (Model Context Protocol) qui intègre E2B pour exécuter du code dans des environnements sandbox sécurisés dans le cloud, spécialement conçu pour fonctionner avec Claude AI Desktop.

Caractéristiques

• Exécution sécurisée de code JavaScript et Python dans le cloud
• Gestion de fichiers intégrée (upload, lecture, liste)
• Réutilisation intelligente des sessions sandbox pour optimiser les performances
• Gestion automatique des timeouts et des erreurs
• Compatible avec Claude AI Desktop via MCP

Prérequis

• Node.js (v16 ou supérieur)
• Clé API E2B (obtenue sur e2b.dev)
• Claude AI Desktop

Installation

# Installation globale depuis NPM
npm install -g smart-e2b

# OU installation directe depuis GitHub
npm install -g git+https://github.com/Leghis/smart-e2b.git

Configuration avec Claude AI Desktop

1. Ouvrez Claude AI Desktop
2. Allez dans les paramètres > onglet Développeur > Modifier la configuration
3. Ajoutez la configuration suivante au fichier claude_desktop_config.json :

{
  "mcpServers": {
    "smart-e2b": {
      "command": "npx",
      "args": ["-y", "smart-e2b"],
      "env": {
        "E2B_API_KEY": ""
      }
    }
  }
}

4. Redémarrez Claude AI Desktop

Utilisation

Une fois configuré, vous pourrez accéder aux outils SMART-E2B directement depuis les conversations avec Claude AI Desktop.

Outils disponibles

• executeJavaScript : Exécute du code JavaScript dans un sandbox cloud
• executePython : Exécute du code Python dans un sandbox cloud
• uploadFile : Téléverse un fichier dans le sandbox
• listFiles : Liste les fichiers dans un répertoire du sandbox
• readFile : Lit le contenu d'un fichier dans le sandbox

Exemples

Voici quelques exemples d'utilisation avec Claude AI Desktop :

Exécution de code JavaScript

Je voudrais tester ce code JavaScript :

function fibonacci(n) {
  if (n <= 1) return n;
  return fibonacci(n-1) + fibonacci(n-2);
}

console.log(fibonacci(10));

Exécution de code Python

Pourrais-tu exécuter ce code Python pour analyser des données ?

import numpy as np
import matplotlib.pyplot as plt

# Générer des données aléatoires
data = np.random.normal(0, 1, 1000)

# Calculer les statistiques
mean = np.mean(data)
std = np.std(data)

print(f"Moyenne: {mean:.4f}")
print(f"Écart-type: {std:.4f}")

# Créer un histogramme
plt.hist(data, bins=30)
plt.title('Distribution normale')
plt.savefig('histogram.png')

Développement

Pour contribuer ou modifier le projet :

# Cloner le dépôt
git clone https://github.com/Leghis/smart-e2b.git
cd smart-e2b

# Installer les dépendances
npm install

# Compiler
npm run build

# Tester localement
npm start

Licence

MIT