对于 AI Agent 开发者来说，E2B（e2b.dev/）是一个非常强大的沙箱执行环境。它提供了代码执行、浏览器自动化、桌面应用控制等功能，让 AI Agent 能够安全地执行各种任务。然而，E2B 作为云服务，对于需要本地化部署、数据安全控制或成本优化的企业来说，一直是一个痛点，Manus底层能力就是靠它。
现在，这个痛点彻底解决了！ Agent-Sandbox 实现了对 E2B 协议的完全兼容，让你可以：
- ✅ 零代码改动 ：直接使用 E2B 官方 SDK（
e2b-code-interpreter、e2b-desktop等） - ✅ 本地化部署：在自己的 Kubernetes 集群中运行，完全掌控数据和安全，部署非常简单，无需复杂配置
什么是 E2B？
E2B 是一个为 AI Agent 设计的云原生执行环境，提供了：
- 代码执行沙箱：安全执行 Python、Node.js 等代码
- 浏览器自动化：完整的浏览器控制能力
- 桌面应用控制：启动和控制桌面应用程序
- 文件系统操作：完整的文件读写能力
- 端口转发：访问沙箱内运行的服务
E2B 通过统一的 API 和 SDK，让 AI Agent 能够轻松创建、管理和使用这些执行环境。而且E2B的生态很好，有很多文章和资源可以参考。
Agent-Sandbox 的 E2B 协议兼容实现
Agent-Sandbox 完全实现了 E2B 的 API 协议，包括：
核心 API 端点
POST /e2b/v1/sandboxes- 创建沙箱GET /e2b/v1/sandboxes/{sandboxID}- 获取沙箱信息GET /e2b/v1/v2/sandboxes- 列出所有沙箱DELETE /e2b/v1/sandboxes/{sandboxID}- 删除沙箱POST /e2b/v1/sandboxes/{sandboxID}/connect- 连接沙箱
支持本地路由
Agent-Sandbox 实现了两种路由方式，完美兼容 E2B SDK 的连接需求：
-
路径路由模式 （适用于无 HTTPS 和通配符域名的环境）： your-domain.com/sandboxes/r...
-
原生路由模式（适用于有通配符域名的生产环境）： https://{port}-{sandboxID}.your-domain.com/
这种设计让 Agent-Sandbox 能够适应各种部署环境，从本地开发到生产环境都能无缝工作。
快速开始：3 步实现本地化部署
步骤 1：部署 Agent-Sandbox
在你的 Kubernetes 集群中部署 Agent-Sandbox（需要 Kubernetes 1.26+）：
bash
kubectl create namespace agent-sandbox
kubectl apply -n agent-sandbox -f install.yaml步骤 2：配置 Ingress（可选）
如果需要从外部访问，配置 Ingress：
yaml
apiVersion: networking.k8s.io/v1
kind: Ingress
metadata:
name: agent-sandbox
namespace: agent-sandbox
annotations:
nginx.ingress.kubernetes.io/proxy-body-size: 1024M
spec:
ingressClassName: nginx
rules:
- host: "*.your-domain.com" # 通配符域名支持
http:
paths:
- backend:
service:
name: agent-sandbox
port:
number: 80
path: /
pathType: ImplementationSpecific步骤 3：使用 E2B SDK
现在你可以直接使用 E2B 的官方 SDK，无需任何修改！
示例 1：代码执行沙箱
python
from e2b_code_interpreter import Sandbox
import os
# 配置 Agent-Sandbox 端点
os.environ['E2B_API_URL'] = 'http://your-domain.com/e2b/v1'
os.environ['E2B_API_KEY'] = 'testuser-aef134ef-7aa1-945e-9399-7df9a4ad0c3f'
os.environ['E2B_DOMAIN'] = 'your-domain.com'
# 创建沙箱（与 E2B 完全相同的 API）
sbx = Sandbox.create()
# 执行代码
execution = sbx.run_code("print('Hello from Agent-Sandbox!')")
print(execution.logs)
# 文件操作
files = sbx.files.list("/")
print(files)
# 上传文件
with open("local_file.txt", "rb") as file:
sbx.files.write("/home/user/remote_file.txt", file)示例 2：桌面应用控制
python
from e2b_desktop import Sandbox
import os
# 配置 Agent-Sandbox 端点
os.environ['E2B_API_URL'] = 'http://your-domain.com/e2b/v1'
os.environ['E2B_API_KEY'] = 'testuser-aef134ef-7aa1-945e-9399-7df9a4ad0c3f'
os.environ['E2B_DOMAIN'] = 'your-domain.com'
# 创建桌面沙箱
desktop = Sandbox.create()
# 启动应用
desktop.launch('google-chrome')
# 控制应用
desktop.write('https://google.com')
desktop.press('enter')
# 截图
image = desktop.screenshot(format="bytes")实际应用场景
场景 1：AI Agent 代码执行
python
from e2b_code_interpreter import Sandbox
sbx = Sandbox.create()
# Agent 生成的代码可以直接执行
code = """
import pandas as pd
import matplotlib.pyplot as plt
data = pd.DataFrame({'x': [1, 2, 3], 'y': [4, 5, 6]})
plt.plot(data['x'], data['y'])
plt.savefig('/home/user/plot.png')
"""
execution = sbx.run_code(code)
print(execution.logs)场景 2：Web 自动化
python
from e2b_desktop import Sandbox
desktop = Sandbox.create()
desktop.launch('google-chrome')
desktop.write('https://example.com')
desktop.press('enter')
desktop.wait(5000)
# 截图保存结果
screenshot = desktop.screenshot(format="bytes")
with open("result.png", "wb") as f:
f.write(screenshot)场景 3：数据分析工作流
python
from e2b_code_interpreter import Sandbox
sbx = Sandbox.create()
# 上传数据文件
with open("data.csv", "rb") as file:
sbx.files.write("/home/user/data.csv", file)
# 执行分析
analysis_code = """
import pandas as pd
df = pd.read_csv('/home/user/data.csv')
print(df.describe())
print(df.head())
"""
execution = sbx.run_code(analysis_code)
print(execution.logs)总结
Agent-Sandbox 对 E2B 协议的完全支持，为 AI Agent 开发者带来了简单灵活的本地部署方案：
- 🎯 零成本迁移：直接使用 E2B SDK，无需修改代码
- 🏢 企业级部署：在自己的基础设施上运行，完全掌控
- 💰 成本优化：无需按使用量付费，充分利用现有资源
- 🔒 数据安全：数据完全在本地，满足合规要求
- 🚀 开箱即用：简单配置即可使用，降低运维成本