Agent 生成代码前,先划清执行边界
文章指出,直接在业务服务器运行 Agent 生成的代码,可能暴露密钥、数据库连接和网络权限。作者提出一个不足 50 行 Python 的基础执行器,并讨论微虚拟机与容器的隔离差异。
AI 深度解读
Agent 写出了 Python,接下来该放在哪里运行?如果答案是业务服务所在的进程环境,它就可能拿到 API Key、数据库地址和网络权限。原文给出一个不到 50 行的 Python runner,用环境白名单、资源限制、超时和网络命名空间,为代码执行加上第一层约束。
这份代码值得读,但不能直接当作生产沙箱。作者展示的测试覆盖了几种常见失控方式;实现里也有几处边界需要拆开看,尤其是输出截断、断网失败和文件隔离。

先决定代码能碰什么,再决定怎么运行
作者列出的风险很具体:读取 OPENAI_API_KEY,执行 while True,启动子进程后长时间等待,把 2 GB 文件加载进内存,写入 50 MB 文件,以及向未经批准的地址发送数据。
这些问题不要求模型有恶意。一次错误生成,或者 Agent 读入文档中的提示注入,都可能触发。
代码由自己的 Agent 生成,并不等于代码值得信任。
runner 的第一步是收紧执行环境。env=SAFE_ENV 只传入 PATH、LANG、HOME 三个变量,而不是复制宿主环境后删除几个敏感字段。后者依赖开发者记住所有密钥名称,遗漏一个就可能泄漏。
Python 的 -I 则负责解释器层面的隔离:忽略 PYTHON* 环境变量和用户级 site-packages。它能减少宿主配置对执行结果的干扰,但不会建立独立文件系统,也不是阻止读取宿主文件的开关。
不到 50 行,分别限制了哪些资源
下面保留原文的核心执行部分。它解决的是把环境、资源限制和清理动作集中到一个入口;原文另外提供了测试用例。
import os, signal, resource, shutil, subprocess, sys, tempfile
LIMITS = {"cpu_s": 2, "mem_mb": 256, "file_mb": 1, "wall_s": 5, "out_kb": 8}
SAFE_ENV = {"PATH": "/usr/bin:/bin", "LANG": "C.UTF-8", "HOME": "/tmp"}
def _limit(): # 在子进程内、Agent 代码启动前执行
mb = 1024 * 1024
resource.setrlimit(resource.RLIMIT_CPU, (LIMITS["cpu_s"],) * 2)
resource.setrlimit(resource.RLIMIT_AS, (LIMITS["mem_mb"] * mb,) * 2)
resource.setrlimit(resource.RLIMIT_FSIZE, (LIMITS["file_mb"] * mb,) * 2)
os.setsid() # 创建独立进程组,超时后可一起终止
def run(code: str) -> dict:
work = tempfile.mkdtemp(prefix="agent-")
cmd = [sys.executable, "-I", "-c", code] # -I:忽略环境变量和用户级包
if shutil.which("unshare"):
cmd = ["unshare", "-rn"] + cmd # 空网络命名空间:无法访问互联网
p = subprocess.Popen(cmd, cwd=work, env=SAFE_ENV, preexec_fn=_limit, text=True,
stdout=subprocess.PIPE, stderr=subprocess.PIPE)
try:
out, err = p.communicate(timeout=LIMITS["wall_s"])
status = {0: "ok", -9: "killed"}.get(p.returncode, f"exit {p.returncode}")
except subprocess.TimeoutExpired:
os.killpg(p.pid, signal.SIGKILL) # 终止整个进程组
out, err = p.communicate()
status, err = "timeout", "killed after wall clock limit"
finally:
shutil.rmtree(work, ignore_errors=True) # 清理本次运行的工作目录
cap = LIMITS["out_kb"] * 1024
return {"status": status, "stdout": str(out)[:cap], "stderr": str(err)[-cap:]}
重点看 os.setsid() 和 os.killpg():前者建立独立进程组,后者在超时后终止整组进程。只杀父进程,可能留下它启动的 sleep 60。
资源限制由子进程启动前的 preexec_fn=_limit 设置,交给内核执行。RLIMIT_CPU 限制 CPU 时间为 2 秒,RLIMIT_AS 限制地址空间为 256 MB,RLIMIT_FSIZE 限制单个文件为 1 MB。这里的地址空间限制,不宜直接理解为精确的物理内存配额。
CPU 时间和实际经过的时间也要分开算。程序休眠或等待网络时,CPU 计时可能几乎不增长,所以还要设置 5 秒墙钟超时。
作者给出的 python sandbox.py 结果中,正常计算输出 45;密钥读取返回 no key visible;死循环被终止;休眠用例超时;内存分配触发 MemoryError;大文件写入报 OSError: [Errno 27] File too large;网络请求也失败。作者还称,运行后检查确认子进程 sleep 60 已消失。
这些是作者报告的测试结果,能说明对应样例受到约束,不能证明任意代码都无法逃逸。
临时目录和输出上限,离完整隔离还有多远
原文有几处解释比代码实际提供的保证更宽。
首先是网络。代码只检查 shutil.which("unshare")。找不到命令时,确实会直接带着宿主网络运行;但命令存在、系统禁止非特权用户命名空间时,代码没有捕获失败再回退,通常是执行直接报错。原文把这两种情况混在了一起。
作者建议在目标机器验证 unshare -rn true。这一步很关键:依赖命令存在,不能证明断网可用。这套实现也依赖 Linux 的相关能力,不能视为通用跨平台方案。
其次,临时工作目录只改变 cwd。代码仍可能访问其他路径,作者也承认它能读取机器上全局可读的文件。shutil.rmtree() 只清理指定目录,不能保证运行期间产生的所有改动都被回收。1 MB 的 RLIMIT_FSIZE 同样只约束单文件大小,不是整个目录的磁盘总配额。
最后是输出。原文设置 out_kb=8,但截断发生在 p.communicate() 完成之后。程序若打印 200 MB,父进程仍可能先把这些内容收进内存,再截取结果。由于使用 text=True,这里切片按字符计算,也不是严格的字节上限。
返回给模型的内容被截短,不代表收集输出的过程已经受限。
我的判断
我认可这篇文章的拆解方式:环境、CPU、墙钟、文件、网络和输出必须分别处理,任何一个「超时参数」都包办不了。它很适合帮助前端或全栈开发者审视 Agent 工具接口,尤其是已经把代码执行塞进后端服务的项目。
但作者认为这适用于「可信指令驱动的内部工具」,仍然属于有前提的经验判断。内部 Agent 只要读取外部文档,也可能接触提示注入;这份实现没有给出完整的文件权限、进程数量或总体资源隔离方案。
原文引用 LangChain 在 2026 年 5 月 13 日发布的 LangSmith Sandboxes 正式可用公告,强调每个沙箱使用硬件虚拟化 microVM,具有独立内核边界,并提到 monday.com 的 Sidekick 使用它。作者据此建议,允许不可信用户影响代码时,迁移到 Firecracker 风格 microVM,或评估 LangSmith Sandboxes、E2B、Modal。
这个方向有道理:普通容器与宿主共享内核,隔离边界不同。不过原文没有容器与 microVM 的逃逸对照测试,也没有启动耗时、成本和吞吐数据,不能据此给这些服务排优先级。
microVM 也不会自动替团队管理权限。作者建议继续保留环境白名单、资源限制、默认断网,并通过网络层代理注入凭证,避免代码直接持有密钥。这些约束值得保留。
能拿来做什么
- 给现有 Agent 代码工具列出明确契约:允许哪些环境变量,CPU 和墙钟分别限制多少,超时处理哪些进程,以及返回多少输出。Node 后端调用 Python 时,也应沿用这组检查项。
- 把原文的正常执行、密钥读取、死循环、子进程休眠、内存、大文件和网络样例加入部署验收,并检查运行后的残留进程与文件。
- 在目标 Linux 主机验证
unshare -rn true,明确隔离不可用时的处理策略;输出则应在读取过程中累计并限制,避免全部收集后才切片。 - 面向不可信用户开放执行前,评估具有独立内核边界的方案,并按作者建议记录每次执行的代码、限制和结果,以便回放问题。