OpenAI Agents SDK集成CubeSandbox实战：为Agent装上安全代码执行器-开发者社区

OpenAI Agents SDK集成CubeSandbox实战：为Agent装上安全代码执行器

【免费下载链接】CubeSandboxInstant, Concurrent, Secure & Lightweight Sandbox for AI Agents.项目地址: https://gitcode.com/GitHub_Trending/cu/CubeSandbox

想让 AI Agent 真正"动手"跑代码？OpenAI Agents SDK 提供了官方的 Sandbox 抽象，而开源项目CubeSandbox正是为 AI Agent 打造的即时、并发、安全且轻量级的代码执行沙箱——它兼容 E2B API，能在 60ms 内拉起一个硬件级隔离的沙箱，让 Agent 生成的 Python 代码在独立 MicroVM 中安全执行，从根源上避免"LLM 生成恶意指令直接污染宿主机"的风险。

上图是典型的 Agent 代码执行闭环：用户提出需求 → AI Agent 调用 LLM 生成代码 → 在 CubeSandbox 沙箱中创建执行 → 把图表、PDF 等结果返回给用户。本文将带你用 4 步把 OpenAI Agents SDK 接入 CubeSandbox，并跑通一个"数据分析 + 自动画图"的 Code Interpreter 实战。

为什么 Agent 需要一个安全代码执行器？

AI Agent 最"危险"的动作就是执行 LLM 生成的代码：

直接在本机exec()运行 → 一条rm -rf或数据外传就可能毁掉宿主机；
用传统 QEMU 虚拟机隔离 → 冷启动要 2~3 秒，Agent 每一步都要等，体验极差；
用容器隔离 → 共享内核，逃逸面大，难以抵御有"意图"的 Agent 输出。

CubeSandbox 基于RustVMM + KVM构建，每个沙箱都是一个运行独立 Linux 内核的 MicroVM：既做到硬件级隔离，又把冷启动压到毫秒级、内存开销控制在 5MB 左右，天然适合高并发、高密度的 Agent 工作负载。

整体架构：控制面与执行面如何分工

在跑 Demo 之前，先花 1 分钟看懂架构总览：

对 Agent 开发者来说，只需关心两个角色：

角色	组件	职责
控制面	CubeAPI+ CubeMaster	CubeAPI 提供E2B 兼容 API，负责鉴权与调度
执行面	Cubelet / CubeShim /CubeHypervisor	在计算节点拉起 MicroVM 沙箱并管理生命周期

关键点：OpenAI Agents SDK 的E2BSandboxClient指向 CubeAPI 就能工作——你不需要自己写任何 Provider，改一个环境变量即可完成从 E2B 云到自建 CubeSandbox 的切换。

快速上手：四步跑通 Agent 沙箱集成

示例代码位于 examples/openai-agents-code-interpreter/，官方还准备了详细的集成指南。

第 1 步：安装 Python 依赖

需要 Python 3.10+，执行：

pip install -r requirements.txt

第 2 步：配置环境变量

复制.env.example为.env并填写：

变量	说明
`E2B_API_URL`	CubeAPI 地址，如`http://<cube-host>:3000`
`E2B_API_KEY`	CubeAPI 鉴权密钥
`CUBE_TEMPLATE_ID`	沙箱模板 ID
`CUBE_SSL_CERT_FILE`	（可选）CubeSandbox CA 证书路径
`OPENAI_API_KEY`/`OPENAI_BASE_URL`	任意 OpenAI 兼容 LLM 服务的密钥与端点

第 3 步：创建沙箱模板

用仓库自带的cubemastercli从镜像创建模板（Code Interpreter 形态需要暴露 49983 与 49999 两个端口）：

cubemastercli template create-from-image \ --image cube-sandbox-image.tencentcloudcr.com/demo/e2b-code-interpreter:v1.1-data \ --writable-layer-size 1Gi \ --expose-port 49983 --expose-port 49999 \ --probe 49983

把输出的模板 ID 填入CUBE_TEMPLATE_ID。

第 4 步：运行 Agent

python code_interpreter_demo_ci.py # 或指定问题 python code_interpreter_demo_ci.py --question "Plot units sold per product as a bar chart."

沙箱创建后，Manifest会自动把sales.csv等种子文件写入工作区，Agent 随即开始多轮代码执行。

两种代码执行模式怎么选？

示例目录提供了功能等价的两个入口，差异只在 Python 执行后端：

维度	通用 E2B 模式	Code Interpreter 模式
执行方式	`session.write()`+`exec("python ...")`	`sandbox.run_code()`（Jupyter kernel）
会话状态	每次 exec 都是新进程	变量 / DataFrame 跨轮保留
图像捕获	需手动`plt.savefig()`	自动从执行结果解码保存
错误信息	完整 stderr 流	结构化异常（name/traceback）
适用模板	任意装了 python 的模板	需预装 code-interpreter runtime（多一个 49999 端口）

📌 选型建议：想要"类 Jupyter、上下文连续"的分析体验 → 选code_interpreter_demo_ci.py；模板环境简单、只求兼容 → 选code_interpreter_demo.py。

实战演示：Agent 自动完成数据分析与画图

以默认问题为例——"分析 sales.csv：计算收入、画月度趋势图、输出 Top-3 产品表格、给出总结"。一次典型运行的输出如下（节选）：

[python] running 121 bytes in kernel [python] (14, 4) [python] saved output/figure_01.png (32115 bytes) [python] | Product | Total Revenue | [python] | Gamma Gizmo | 2178 | [python] Total revenue: $7,007.40 ================================================================ **Top-3 Products by Total Revenue** | Gamma Gizmo | 2,178.00 | | Beta Gadget | 2,156.00 | | Alpha Widget | 1,512.40 | ================================================================

全程无需人工干预：Agent 自己加载数据、计算units * unit_price、用 matplotlib 画折线图（自动落盘到output/figure_01.png）、汇总 Markdown 表格，最后给出两句话的管理摘要。整个过程发生在 CubeSandbox 的 MicroVM 内，宿主机与外网均受沙箱网络策略约束。

CubeSandbox 凭什么"又快又安全"？

⚡ 毫秒级冷启动：预快照模板 + RustVMM 恢复路径，跳过传统虚拟机的全部冷启动开销：

🔒 低内存开销、高密度部署：Hypervisor 自身开销仅约 5MB，可以在单机上高密度地并发运行大量 Agent 沙箱：

🛡️ 零信任出口：沙箱的所有出站流量都经过 CubeEgress 七层代理，域名必须显式放行——Agent 即使"想"泄露数据也出不去。更多架构细节可阅读架构总览。

进阶玩法：暂停/恢复与 SWE-bench 调试

暂停/恢复（Pause/Resume）：加--pause-on-exit参数，Agent 退出时沙箱不被销毁而是暂停，之后可凭状态直接恢复——配合 CubeSandbox 的快照能力，长任务的中间状态（文件、内存）完整保留；
SWE-bench 场景：main.py 是一个完整的 SWE-bench Agent，在沙箱中自主定位 Django 的django__django-13447bug、分析根因并给出修复方案，内置 LLM 连通性预检、流式输出与端到端追踪；
最小 Shell 示例：只想验证链路是否打通？simple_demo.py 用--sandbox-only即可只创建/销毁沙箱做连通性测试。