示例：基于控制台的工具开发与应用实践-j9九游会登录

基于控制台的工具开发与应用实践

1. 登录。
2. 在左侧导航栏选择“开发中心 > 组件库 ”，单击“沙箱工具”页签，进入沙箱工具界面。
3. 单击右上角“创建代码解释器”，参考图1配置后单击“立即创建”。

   表1 代码解释器配置说明

   参数	说明
   名称	可自定义。
   描述（可选）	可自定义。
   委托（可选）	不填写。
   入站身份认证	选择“api key认证”。
   api key名称	可自定义。
   日志记录	选择开启。
   出网网络配置	选择“公网访问”。

   图1 创建代码解释器
   
4. 代码解释器创建完成后，在列表可查看已创建的代码解释器的名称。记录该名称，并获取该沙箱工具的域名、api key。

   沙箱工具的域名、api key获取方法如下：

   1. 单击沙箱工具名称。
   2. 进入“配置信息”页面后，获取域名。
      图2 获取沙箱域名
      
   3. 单击“urn”链接，在弹出的窗口中获取沙箱的api key。
      图3 urn链接
      
      图4 获取沙箱api key
      
5. 安装python：请确保python 3.10及以上版本已安装。

   大多数linux发行版（如ubuntu）都预装了python，您可以先通过python3 --version检查。如未安装，可以使用如下命令安装：

   sudo apt update
   sudo apt install python3

6. 执行以下命令创建虚拟环境（建议在python虚拟环境中安装，以避免与系统包产生冲突）。

   # 创建并激活虚拟环境 (linux) 
   python3 -m venv venv 
   source venv/bin/activate

7. 在您的linux服务器的终端中，执行以下命令安装agentarts-sdk，langgraph，langchain_openai包。

   # 安装agentarts-sdk包
   pip install agentarts-sdk
   # 安装langgraph包
   pip install langgraph
   # 安装langchain_openai包
   pip install langchain-openai

8. 配置环境变量。

   export agentarts_codeinterpreter_data_endpoint="http://您的沙箱域名"
   export model_api_key="你的大模型api密钥"
   export base_url="https://api.modelarts-maas.com/openai/v1"

   其中，agentarts_codeinterpreter_data_endpoint请配置为http://{沙箱域名}，获取方法请参考前面的步骤。

   由于示例中使用华为云maas服务中的模型，因此需要创建api key。

   https://api.modelarts-maas.com/openai/v1表示使用openai兼容接口。

   

9. 新建一个python代码文件（例如app.py）将以下步骤的代码脚本按照顺序组合进去。
   导入代码解释器及其它包。

   import json
   import os
   from typing import annotated, typeddict
   from langchain_core.messages import aimessage, basemessage, humanmessage, systemmessage
   from langchain_core.tools import tool
   from langchain_openai import chatopenai
   from langgraph.graph import end, stategraph
   from langgraph.graph.message import add_messages
   from langgraph.prebuilt import toolnode
   from agentarts.sdk import agentartsruntimeapp
   from agentarts.sdk.tools import code_session
   app = agentartsruntimeapp()

10. 代码文件中填写如下脚本。用于将“连接沙箱并执行代码”这一操作包装成一个标准的函数工具。当agent中的大模型发现需要执行代码时，会将写好的代码传递给这个工具，工具帮把代码发送到沙箱运行，再把结果拿回来给大模型。

    @tool
    def execute_python_tool(code: str, description: str = ""):
        """execute python code in the sandbox"""    
        api_key = "替换为获取的沙箱api key"
        with code_session("cn-southwest-2", "替换为创建的沙箱名称", api_key=api_key) as code_client:
            response = code_client.invoke(
                operate_type="execute_code",
                api_key=api_key,
                arguments={
                    "code": code,
                    "language": "python",
                    "clear_context": false
                }
            )
        return json.dumps(response["result"])
        

11. 代码文件中添加如下代码，用于编写系统提示词。

    system_prompt = """你是一个ai助手，可以使用python代码执行工具来解决问题。
    可用工具：
    - execute_python_tool(code: str, description: str): 执行python代码
    使用原则：
    1. 仅在需要精确计算或复杂逻辑时使用工具
    2. 简单问题直接回答，无需工具验证
    3. 工具调用最多1-2次，避免重复验证
    4. 获得结果后立即返回答案
    """

12. 代码文件中添加如下代码，用于定义一个agent并集成沙箱。

    示例中使用deepseek-v4-flash模型，如果需要更换其他模型，请，获取模型接口的model参数值（注意代码使用了openai格式的调用方法，需获取对应格式的model参数值）。

    图5 获取maas服务model参数值
    

    # 创建agent
    llm = chatopenai(
        model="deepseek-v4-flash",
        api_key=os.environ.get("model_api_key", ""),
        base_url=os.environ.get("base_url", ""),
        max_tokens=1000,
        temperature=0.7,
    )
    # 创建工具列表
    tools = [execute_python_tool]
    # 工具绑定agent
    llm = llm.bind_tools(tools)
    # 定义graph状态
    class agentstate(typeddict):
        messages: annotated[list[basemessage], add_messages]
    def call_model(state: agentstate):
        """调用模型并返回响应"""
        if not state["messages"] or all(
            not isinstance(msg, systemmessage) for msg in state["messages"]
        ):
            messages = [systemmessage(content=system_prompt)]   state["messages"]
        else:
            messages = state["messages"]
        response = llm.invoke(messages)
        return {"messages": [response]}
    def should_continue(state):
        """判断是否继续使用工具"""
        last_message = state["messages"][-1]
        if isinstance(last_message, aimessage):
            has_tool_calls = bool(last_message.tool_calls)
            if has_tool_calls:
                return "tools"
        return end
    # 创建langgraph工作流
    workflow = stategraph(agentstate)
    workflow.add_node("agent", call_model)
    workflow.add_node("tools", toolnode(tools))
    # 设置入口
    workflow.set_entry_point("agent")
    # 添加边
    workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", "__end__": "__end__"})
    workflow.add_edge("tools", "agent")
    agent = workflow.compile()

13. 拼接以下代码，用于使用agent启动一个本地服务器，并提供一个对外接收提问的接口。

    @app.entrypoint
    def agent_chat(payload: dict):
        query = "告诉我1到100之间最大的质数"
        # 运行agent
        result = agent.invoke({
            "messages": [humanmessage(content=query)]
        })
        return result["messages"][-1].content
    if __name__ == '__main__':
        app.run()

14. 在服务器中执行python app.py命令运行示例代码（如果在创建python代码文件时使用了其他名称，请按实际名称执行）。
15. 打开一个新的终端窗口（保持原窗口运行），使用curl命令进行测试。测试完成后，可以使用ctrl c停止运行的进程。
    上述步骤中已经在代码里面内置了问题“告诉我1到100之间最大的质数”，agent会将该计算过程放到沙箱中运行，并返回结果。

    curl --location http://localhost:8080/invocations --data-raw "{}"