Python代码执行工具与计算Agent架构设计实战

1. 代码执行工具的核心设计

代码执行工具的开发远不止是调用Python内置的exec()那么简单。作为一个长期从事自动化工具开发的工程师，我深刻理解一个健壮的代码执行环境需要解决的三大核心问题。

1.1 环境隔离机制

环境隔离是代码执行工具的首要任务。我们绝对不能允许用户提交的代码影响宿主系统的稳定性。在我的实践中，主要采用以下几种隔离策略：

• 命名空间隔离：通过限制globals和locals字典，确保执行环境与主程序隔离
• 模块白名单：只允许导入预定义的safe_imports列表中的模块
• 资源限制：使用Python的resource模块限制CPU和内存使用

python复制import resource

def set_memory_limit(mb):
    """设置内存限制（MB）"""
    bytes_limit = mb * 1024 * 1024
    resource.setrlimit(resource.RLIMIT_AS, (bytes_limit, bytes_limit))

1.2 依赖管理的艺术

动态处理import语句是代码执行工具的另一个挑战。我们的解决方案是：

1. 静态分析代码中的import语句
2. 检查模块是否在白名单内
3. 对于未安装但允许的依赖，提供安全安装机制

python复制def check_imports(code: str) -> bool:
    """检查代码中的import语句"""
    import ast
    try:
        tree = ast.parse(code)
        for node in ast.walk(tree):
            if isinstance(node, ast.Import):
                for alias in node.names:
                    if alias.name not in self.safe_imports:
                        return False
            elif isinstance(node, ast.ImportFrom):
                if node.module not in self.safe_imports:
                    return False
        return True
    except SyntaxError:
        return False

1.3 安全沙箱的实现

安全沙箱需要防范的危险操作包括但不限于：

• 文件系统操作（rm, chmod等）
• 网络访问
• 系统调用
• 无限循环

我们采用多层防护策略：

1. 代码静态分析
2. 运行时监控
3. 资源限制

python复制DANGEROUS_PATTERNS = [
    'os.system',
    'subprocess.call',
    'open(',
    '__import__(',
    'eval(',
    'exec('
]

def is_dangerous(code: str) -> bool:
    """检查代码是否包含危险模式"""
    code = code.lower()
    return any(pattern in code for pattern in DANGEROUS_PATTERNS)

2. 计算Agent的架构设计

2.1 生成-执行-解释模式

一个完整的计算Agent应该实现完整的"生成-执行-解释"工作流。这种模式的核心优势在于：

1. 可解释性：用户不仅能得到结果，还能理解计算过程
2. 可调试性：当结果不符合预期时，可以检查生成的代码
3. 可扩展性：每个环节都可以独立优化

python复制class CalcAgent:
    def __init__(self):
        self.executor = CodeExecutor()
        self.memory = ConversationMemory()
    
    def solve(self, query: str):
        # 1. 问题分类
        problem_type = self.classify_problem(query)
        
        # 2. 代码生成
        code = self.generate_code(query, problem_type)
        
        # 3. 安全执行
        result = self.executor.execute_python(code)
        
        # 4. 结果解释
        explanation = self.explain_result(result, problem_type)
        
        return {
            'code': code,
            'result': result,
            'explanation': explanation
        }

2.2 上下文记忆的实现

优秀的计算Agent需要具备上下文记忆能力。我们使用简单的对话历史记录来实现：

python复制class ConversationMemory:
    def __init__(self, max_length=10):
        self.history = []
        self.max_length = max_length
    
    def add(self, role: str, content: str):
        """添加对话记录"""
        self.history.append({'role': role, 'content': content})
        if len(self.history) > self.max_length:
            se