跳到主要内容

智能体框架与 SDK

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。

维护方
E2B
集成方式
沙箱作为图中的工具
软件包
e2b-code-interpreter
语言
Python

配置

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. 1.使用项目的包管理器安装 e2b-code-interpreter。
  2. 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. 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. 4.运行一次图,并展示来自沙箱的输出。

或自行配置

  1. 1. 安装依赖

    pip install langgraph langchain langchain-openai e2b-code-interpreter
  2. 2. 设置 API 密钥

    export E2B_API_KEY="e2b_***"
    export OPENAI_API_KEY="sk-***"
  3. 3. 添加代码执行工具

    from dataclasses import dataclass
    
    from e2b_code_interpreter import Sandbox
    from langchain.agents import create_agent
    from langchain.tools import ToolRuntime, tool
    from langchain_openai import ChatOpenAI
    
    
    @dataclass
    class Context:
        sandbox: Sandbox
    
    
    @tool
    def run_python(code: str, runtime: ToolRuntime[Context]) -> str:
        """Run Python in a Jupyter kernel. Returns stdout, the last result, or the error."""
        execution = runtime.context.sandbox.run_code(code)
        if execution.error:
            return f"{execution.error.name}: {execution.error.value}"
        return "".join(execution.logs.stdout) + (execution.text or "")
    
    
    agent = create_agent(
        ChatOpenAI(model="gpt-5.6-luna", use_responses_api=True, reasoning={"effort": "high"}),
        tools=[run_python],
        system_prompt="Answer by running Python. Check the tool result for an error before answering.",
        context_schema=Context,
    )
  4. 4. 每次运行使用一个沙箱

    sandbox = Sandbox.create(timeout=600)
    try:
        result = agent.invoke(
            {"messages": [("human", "How many r's are in 'strawberry'? Use code.")]},
            context=Context(sandbox=sandbox),
        )
        print(result["messages"][-1].text)
    finally:
        sandbox.kill()

安全

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。

  • 代码模型编写的 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。
  • 状态每次运行一个沙箱: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。
  • 生命周期默认超时为 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。
  • 密钥主机上的 API 密钥留在图中,除非任务需要它们。请在 finally 块中终止沙箱。

已启动 30亿+ 个沙箱

为每个智能体 配一台机器