示例：基于sdk的工具开发与应用实践-j9九游会登录

基于sdk的工具开发与应用实践

一、使用agentarts sdk创建沙箱。

1. 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

2. 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

3. 在您的linux服务器的终端中，运行以下命令安装必要的库，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

4. 配置环境变量。

   # === 用于通过代码创建沙箱 ===
   export huaweicloud_sdk_ak="你的华为云ak"
   export huaweicloud_sdk_sk="你的华为云sk"
   export agentarts_control_endpoint="https://agentarts.cn-southwest-2.myhuaweicloud.com"

5. 新建一个python文件，用于创建沙箱（例如sandbox.py）并填写以下代码。
   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()

6. 继续填写如下代码，用于创建沙箱工具（创建的沙箱入站身份方式为api key认证）。

   from agentarts.sdk.tools import codeinterpreter
   def create():
       print("开始创建沙箱，请稍等...")
       client = codeinterpreter(region="cn-southwest-2", auth_type="api_key")  
       code_interpreter = client.create_code_interpreter(
           name="填写一个沙箱名称",
           api_key_name="填写一个api key的名称"
       )
       print("沙箱创建成功！快去控制台刷新看看吧。")
       # 打印出创建结果的详细信息
       print(code_interpreter)
   if __name__ == '__main__':
       create()    

   代码中的沙箱名称、api key的名称需要用户自行命名，代码中的命名操作等同于在agentarts平台中的手动创建操作。

   • 沙箱名称：以小写字母开头，小写字母或数字结尾，中间可包含数字、小写字母、中划线。字符数：24/40。
   • api key名称：只能包含如下字符：英文字母、数字或特殊字符(_-)。
   图1 在agentarts平台创建沙箱
   
7. 执行python sandbox.py创建沙箱。

   代码解释器沙箱工具创建需要时间拉起，拉起时间大约为5s。创建完成后，可以在agentarts平台看到创建好的沙箱工具。

   

   图2 查看创建的沙箱工具
   

二、创建agent并测试沙箱

1. 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3 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4 urn链接
      
      图5 获取沙箱api key
      
2. 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。

   

3. 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()

4. 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 = "") -> str | none:
       """execute python code in the sandbox"""
       api_key = "替换为获取的沙箱api key" # your 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"])
   

5. 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
   """

6. 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6 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()

7. 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()

8. 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）。
9. 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 "{}"