Agent 怎么连沙箱:写在沙箱里,还是把沙箱当工具
Agent 怎么连沙箱:写在沙箱里,还是把沙箱当工具
沙箱给 agent 的是一台隔离的电脑,真正的架构分歧在于:agent 自己住进去,还是站在外面按需调用它。
越来越多的 agent 需要一个工作区:一台能跑代码、装依赖、读写文件的电脑。这台电脑必须隔离,agent 不能碰到你的凭证、文件和网络。沙箱通过在 agent 环境与宿主机之间划一条边界来提供隔离。做这类 agent 的团队面对的问题从来不是「要不要用沙箱」,而是「怎么把它接进 agent 架构」。
本文是 LangChain 创始人 Harrison Chase 于 2026 年 2 月 10 日发布的原文译文,文末致谢 Witan Labs 的 Nuno Campos、E2B 的 Tomas Beran 与 Mikayel Harutyunyan、Runloop 的 Jonathan Wall、Zo Computer 的 Ben Guo 参与审阅。
本文提纲
- 前提:为什么 agent 需要一台隔离的电脑
- 模式一:agent 跑在沙箱里面
- 模式二:沙箱当成一个工具
- 怎么选:四类场景对照
- 实现示例:deepagents 的两种接法
先看结论
- 越来越多 agent 需要工作区:能跑代码、装依赖、访问文件,沙箱提供这台电脑。
- agent 与沙箱的集成有两条架构路径:
- 模式一(Agent IN Sandbox):agent 跑在沙箱内部,你通过网络跟它通信。好处是贴近本地开发体验、agent 与执行环境紧耦合。
- 模式二(Sandbox as Tool):agent 跑在本地或你的服务器上,需要执行时远程调用沙箱。好处是 agent 逻辑随时可改、API key 留在沙箱外、职责分离更干净。
- LangChain 的开源 agent 框架 deepagents 用简单配置同时支持这两种模式。
两种模式的差别,一句话概括就是 agent 的运行时和代码的运行时谁包着谁:
MERMAID_BLOCK_0
顺带界定一下范围:原文讨论的是给 agent 一整台「电脑」的沙箱,也就是 Docker 容器或虚拟机这种完整执行环境。进程级沙箱(如 bubblewrap)和语言级沙箱(如 Pyodide)不在其中。
模式一:Agent 跑在沙箱里
这个模式下,agent 住在沙箱内部,你通过网络与它通信。
实际长什么样
你先构建一个预装了 agent 框架的 Docker 或 VM 镜像,把它跑在沙箱里,再从外部连进去发消息。agent 对外暴露一个 API 端点(通常是 HTTP 或 WebSocket),你的应用跨过沙箱边界与它通信。
收益
这套结构几乎一比一复刻本地开发:你在终端里怎么跑 deepagents,在沙箱里就跑同一条命令。agent 直接拿到文件系统访问权,能改自己的环境。当 agent 与执行环境紧密绑定时这个优势最大,比如 agent 需要跟特定库打交道,或者要维护复杂的运行状态。
代价
跨沙箱边界的通信要靠基建。部分厂商在自家 SDK 里把这块包了,例如 OpenCode 这类 agent 会在沙箱里起一个服务器,E2B 这类厂商能通过干净的 API 把它暴露出来。厂商不提供的话,WebSocket 或 HTTP 层就得自己搭,连带会话管理和错误处理一起做。
agent 要做推理调用,API key 就必须放进沙箱。一旦沙箱被攻破,无论是因为隔离技术本身的漏洞,还是提示词注入导致凭证外泄,这都是实打实的风险。原文提到 E2B 和 Runloop 正在做 secret vault 能力,专门对付这个问题。
改代码要重建镜像再部署,开发期的迭代速度会被拖慢。
还有一个容易忽略的下行面:沙箱得先恢复运行,agent 才活过来,这段逻辑通常需要额外处理。
在意 agent 知识产权的团队还要多想一层,agent 跑在沙箱里,整套代码和提示词的外泄门槛会低很多。
Witan Labs 的 Nuno Campos 补充了另一种安全风险:
我还会说 agent in sandbox 的另一个下行面:你的 agent 里没有任何部分能拥有比 bash 工具更高的权限。比如你想要一个既有 bash 工具、又有网页搜索或网页抓取工具的 agent,那么 LLM 生成的代码就能发起无限量的网页请求(这是很大的安全风险)。换成 sandbox as tool,你可以轻松给工具更高的权限,而不必把这些权限交给 LLM 生成的代码,因为安全边界画在 bash 工具周围,而不是整个 agent 周围。
模式二:沙箱当成一个工具
这个模式下,agent 跑在你的机器或服务器上。需要执行代码时,它通过 API 调用远程沙箱。
实际长什么样
agent 在本地(或服务器)运行,一旦生成需要执行的代码,就调用沙箱厂商的 API,比如 E2B、Modal、Daytona 或 Runloop。通信细节由厂商 SDK 处理。站在 agent 的视角,沙箱只是一个普通工具。
收益
agent 代码改完立刻生效,不用重建容器镜像,开发期迭代快。API key 留在沙箱外,只有执行动作发生在隔离环境里。职责分离也更干净:agent 状态(对话历史、推理链、记忆)待在 agent 运行的地方,与沙箱分开。沙箱挂了不会丢 agent 状态,换沙箱后端也不影响 agent 的核心逻辑。
E2B 的 Tomas Beran 补充了两个好处:
- 可以同时在多个远程沙箱里并行跑任务;
- 只在执行代码时为沙箱付费,而不是为整个进程运行时长付费。
Zo Computer 的 Ben Guo 则从运行时分离的角度给了另一种理由:
我们选模式二既是因为你提到的这些,也是为了准备一种未来:把 agent harness 跑在 GPU 机器上变得合理。整体上感觉持久沙箱和推理 harness 的环境需求会越来越分叉。
代价
主要代价是网络延迟。每次执行都要跨一次网络边界,小执行密集的工作负载上,这些往返会累积。
不少沙箱厂商提供有状态会话,变量、文件和已安装的包在同一次会话的多次调用之间保持。这能减少往返次数,把一部分延迟问题压下去。
怎么选
选模式一,当:
- agent 与执行环境紧耦合,比如 agent 需要持久访问特定库或复杂的环境状态;
- 你希望生产环境和本地开发高度一致;
- 厂商 SDK 已经帮你把通信层处理掉了。
选模式二,当:
- 开发期需要快速迭代 agent 逻辑;
- 你想把 API key 放在沙箱之外;
- 你倾向于让 agent 状态和执行环境有更清晰的分离。
实现示例
为了把两种模式落到实处,原文用 deepagents 给了示例。这是 LangChain 的开源 agent 框架,内置沙箱支持,换成别的框架,思路一样成立。
模式一:Agent IN Sandbox
先构建一个预装 agent 的镜像:
FROM python:3.11
RUN pip install deepagents-cli
然后在沙箱里跑起来。完整实现还需要额外的基建来支撑应用与沙箱内 agent 的通信,包括 WebSocket 或 HTTP 服务器、会话管理、错误处理,这些超出原文篇幅,作者说后续会写专门的文章展开。
模式二:Sandbox as Tool
from daytona import Daytona
from langchain_anthropic import ChatAnthropic
from deepagents import create_deep_agent
from langchain_daytona import DaytonaSandbox
# 换成 E2B、Runloop、Modal 也是同一套写法
sandbox = Daytona().create()
backend = DaytonaSandbox(sandbox=sandbox)
agent = create_deep_agent(
model=ChatAnthropic(model="claude-sonnet-4-20250514"),
system_prompt="You are a Python coding assistant with sandbox access.",
backend=backend,
)
result = agent.invoke(
{
"messages": [
{
"role": "user",
"content": "Run a small python script",
}
]
}
)
sandbox.stop()
这段代码运行时发生的事:
- agent 在本地规划;
- 生成解决该问题的 Python 代码;
- 调用沙箱 API(原文此处写的是 Runloop,示例代码用的是 Daytona,两者是同一类 provider),代码在远程沙箱执行;
- 沙箱返回结果;
- agent 看到输出,继续在本地推理。
结论
agent 需要安全地在隔离环境里执行代码。两种架构路径摆在面前:agent 跑进沙箱(复刻本地开发,紧耦合),或者把沙箱当工具(易更新,密钥留在外面)。取舍取决于你的需求。
deepagents 用简单配置同时支持两者,可以拿它分别跑一遍,看哪种更适合自己的场景。
参考文档与链接
- 原文:The two patterns by which agents connect sandboxes(Harrison Chase,2026-02-10)
- deepagents 文档:Overview
- deepagents 仓库:langchain-ai/deepagents
- 沙箱厂商:E2B、Modal、Daytona、Runloop
- 进程级与语言级沙箱对照:bubblewrap、Pyodide
- 延伸阅读:Agent 越跑越笨?Deep Agents 上下文工程的检索与记忆 — 本站文章,同一个 deepagents 框架的另一面
你的 agent 现在是住进沙箱,还是把沙箱当工具调?踩过哪种坑?评论区聊聊。觉得有用点个赞。
作者: itech001
来源: 公众号:AI人工智能时代(the-ai-era)
网站: https://www.theaiera.top/
关注每日最新AI新闻和技术博客,主页有更多的文章的AI 技术参考:https://www.theaiera.top
本文首发于 AI人工智能时代,转载请注明出处。

浙公网安备 33010602011771号