LangGraph
为您的 LangGraph 图提供一个由 E2B 支撑的代码执行工具。模型编写的 Python 在隔离的沙箱中运行,该沙箱可跨越图的步骤、检查点和中断持续存在。
- E2B
- 沙箱作为图中的工具
- e2b-code-interpreter
- Python
快速开始
将提示词粘贴到您的编程智能体中,或按以下步骤自行配置。
粘贴到您的编程智能体中
为这个 LangGraph 项目添加 E2B 沙箱。
- 1.使用项目的包管理器安装 e2b-code-interpreter。
- 2.SDK 需要 E2B_API_KEY 环境变量。如果尚未设置,请向我索要 API 密钥(在 https://console.e2b.dev/?tab=keys 获取)。切勿将其硬编码。
- 3.按照 https://docs.e2b.dev/agents/langgraph 上的 LangGraph 指南操作。添加一个从运行时上下文读取 Sandbox 的 run_python 工具,将 sandbox_id 保存在图状态中,恢复时用 Sandbox.connect() 重新连接,并在 finally 块中终止沙箱。
- 4.运行一次图,并展示来自沙箱的输出。
或自行配置
1. 安装依赖
2. 设置 API 密钥
3. 添加代码执行工具
4. 每次运行使用一个沙箱
沙箱中运行的内容
模型编写的代码在隔离的沙箱中运行,与运行图的机器隔离。
- 模型编写的 Python,通过 run_code 在 Jupyter 内核中运行。输出和错误会回流到图状态中。
- 每次运行一个沙箱:文件和变量在节点之间保留。将它的 sandbox_id 保存在状态中,中断后用 Sandbox.connect() 重新连接。
- 默认超时为 300 秒。将 on_timeout 设为 pause 并配合 auto_resume,可让沙箱在漫长的人工审核期间保持可用。
- 主机上的 API 密钥留在图中,除非任务需要它们。请在 finally 块中终止沙箱。
