E2B介绍与示例

很多人看完 E2B 的介绍之后，仍然不知道Agent 到底什么时候会调用 E2B。

下面用一个完整的真实 Agent Workflow来说明。

---

场景：AI 数据分析 Agent

假设你开发了一个类似 ChatGPT Data Analysis（以前叫 Code Interpreter）的 Agent。

用户上传一个 Excel。

然后说：

"请分析一下近三年的销售数据，并生成一份 PDF 报告，同时预测 2027 年销售额。"

这个需求看起来只有一句话，但对于 Agent 来说，需要经过很多步骤。

---

第一步：LLM 理解需求（Plan）

LLM 首先不会写代码，而是规划任务。

用户需求：

分析销售数据
↓

拆解任务：

① 读取 Excel

② 数据清洗

③ 统计各地区销售额

④ 绘制趋势图

⑤ 建立预测模型

⑥ 输出 PDF

这里还没有调用 E2B。

---

第二步：Agent 判断需要使用什么 Tool

Agent 内部维护了一张 Tool List。

例如：

Available Tools

✓ Browser

✓ Search

✓ Python Sandbox（E2B）

✓ Email

✓ SQL

LLM 推理：

这个任务需要执行 Python。

于是：

Tool Selected：

Python Sandbox

这里：

Python Sandbox 实际上就是 E2B。

---

第三步：Agent 调用 E2B

这时候 Agent 不会：

exec(code)

而是：

Agent Runtime
      │
      ▼
Create Sandbox
      │
      ▼
E2B 返回：

Sandbox ID

sandbox-12345

例如：

from e2b import Sandbox

sandbox = Sandbox()

这一步发生了什么？

实际上：

E2B 在云端创建了一台临时 Linux。

里面已经安装好了：

Ubuntu

Python

pip

Terminal

Filesystem

就像：

给 Agent 临时分配了一台电脑。

---

第四步：上传文件

用户上传：

sales.xlsx

Agent：

上传到 Sandbox。

Local

↓

E2B Sandbox

↓

/home/user/sales.xlsx

例如：

sandbox.files.write(
    "/home/user/sales.xlsx",
    file_bytes
)

现在：

Sandbox 已经拥有：

sales.xlsx

---

第五步：Agent 生成 Python

LLM 根据需求生成：

import pandas as pd

df = pd.read_excel("sales.xlsx")

summary = df.groupby("地区")["销售额"].sum()

print(summary)

注意：

LLM 只是生成代码。

它不会运行。

---

第六步：E2B 执行代码

Agent：

把代码发送给 Sandbox。

例如：

result = sandbox.run_code("""
import pandas as pd

df = pd.read_excel("sales.xlsx")

print(df.head())
""")

此时：

真正执行的是：

Sandbox

↓

python script.py

不是你的服务器。

---

第七步：返回执行结果

Sandbox：

返回：

stdout：

北京 3000 万

上海 2500 万

深圳 1800 万

Agent：

读取：

Observation：

已经得到统计结果

这里就是：

Observe

---

第八步：继续推理

LLM：

发现：

需要画图。

于是继续生成：

plt.plot(...)

plt.savefig("trend.png")

再次调用：

E2B

↓

run_code()

Sandbox：

生成：

trend.png

然后：

Agent

↓

拿到图片

---

第九步：生成 PDF

LLM：

再次写代码：

from reportlab...

生成 PDF

继续：

run_code()

生成：

report.pdf

然后：

Agent：

返回：

已完成分析。

整个过程中：

E2B 一共可能执行：

run_code()

↓

run_code()

↓

run_code()

↓

run_code()

↓

run_code()

而不是一次。

---

第十步：删除 Sandbox

任务结束。

Agent：

Delete Sandbox

于是：

Ubuntu

Python

文件

图片

PDF

全部删除。

这就是：

Sandbox 生命周期结束。

---

如果运行失败怎么办？

这是 E2B 最重要的价值之一。

假设：

LLM 写出了：

import panda

执行：

ModuleNotFoundError

Sandbox：

返回：

stderr：

No module named panda

Agent：

Observe：

失败

LLM：

重新思考：

哦。

应该是：

pandas

重新生成：

import pandas

再次：

run_code()

成功。

这就是：

Plan

↓

Act

↓

Observe

↓

Retry

Agent Loop。

---

再来看一个 AI Coding 的例子

用户：

帮我修这个 Python Bug。

Agent：

读取 GitHub

↓

Clone Repo

↓

进入 Sandbox（E2B）

↓

pytest

↓

失败

↓

LLM 修代码

↓

pytest

↓

失败

↓

再次修

↓

pytest

↓

全部通过

↓

Git Commit

↓

Create PR

注意：

这里：

pytest

是在：

E2B 里面运行。

不是：

LLM 自己想出来：

"测试通过了。"

而是：

真的运行：

pytest

得到：

23 passed

0 failed

Agent 才知道：

修好了。

---

一个更复杂的企业级例子：核电施工方案审核 Agent

结合你之前做过的核电施工方案生成与审核大模型项目，我们可以设计这样一个 Agent。

用户上传：

《反应堆厂房钢筋施工方案.docx》

用户要求：

请审核该施工方案是否符合规范，并生成审核意见。

Agent 的执行流程如下：

                 用户上传 DOCX
                       │
                       ▼
                Agent Planner
                       │
        ┌──────────────┴──────────────┐
        ▼                             ▼
  读取企业知识库                  判断需要解析文档
 (RAG 检索规范)                       │
                                     ▼
                             调用 E2B Sandbox
                                     │
             ┌───────────────────────┼────────────────────────┐
             ▼                       ▼                        ▼
      python-docx              提取表格                 OCR（如有扫描页）
             │                       │                        │
             └───────────────合并结构化内容───────────────────┘
                                     │
                                     ▼
                           返回文本给 LLM
                                     │
                                     ▼
                    与施工规范逐条比对（RAG）
                                     │
                                     ▼
                       生成审核意见和修改建议

这里为什么需要 E2B？

因为文档解析往往依赖大量第三方库，例如：

python-docx
pdfplumber
camelot
opencv
pytesseract

这些库需要真实执行 Python 代码，甚至调用系统命令。如果直接在生产服务器上运行，既不安全，也难以隔离不同用户的环境。而 E2B 可以为每次审核创建一个独立的沙箱，解析完成后立即销毁，既保证了安全性，也避免了环境污染。

---

最后，用一句话总结 E2B 在 Agent 中的角色

Agent 可以分为三个阶段：

LLM
负责：

思考
↓

E2B
负责：

执行
↓

LLM
负责：

根据执行结果继续思考

所以，E2B 并不会替代 LLM，它更像是 LLM 的"双手和实验室"。当 Agent 遇到需要真实运行代码、安装依赖、处理文件、执行终端命令、生成图表或验证程序行为的任务时，就会把这些工作交给 E2B；执行完成后，再将结果返回给 LLM，由 LLM 决定下一步行动。这种"思考—执行—观察—再思考"的闭环，正是现代 AI Agent 能够完成复杂任务的关键。