在AWS裸金属实例上安装Cubesandbox并集成PydanticAI进行数据分析的实践

zhojiew2026-05-30 8:45

Cubesandbox 是腾讯开源的代码沙箱运行时 ，对外暴露 E2B 兼容的 REST API。其核心定位：

  • API 协议层 ：与 E2B 完全兼容，应用层代码（包括 e2b-code-interpreter Python SDK）无需改动 ，只换 E2B_API_URL
  • 执行隔离层 ：每个 sandbox 是一个独立的 KVM MicroVM（不是 Docker 容器），有自己的 kernel、CPU 配额、网络命名空间
  • 典型用途：让 LLM Agent 安全地执行用户/模型生成的代码，避免容器逃逸或副作用

为了理解之后的步骤，我们先来梳理cudesandbox的组件依赖关系，其中包含两条关键链路：

  1. API 链：SDK → cube-api(:3000) → cubemaster(:8089) → cubelet(:9999) → 创建 MicroVM
  2. 数据链：SDK 拿到 sandbox-id 后，访问 https://<sandbox-id>-<port>.cube.app → cube-proxy → MicroVM 内的服务

#mermaid-svg-2gOFto9nS1xVAFRJ{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-2gOFto9nS1xVAFRJ .error-icon{fill:#552222;}#mermaid-svg-2gOFto9nS1xVAFRJ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-2gOFto9nS1xVAFRJ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-2gOFto9nS1xVAFRJ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-2gOFto9nS1xVAFRJ .marker.cross{stroke:#333333;}#mermaid-svg-2gOFto9nS1xVAFRJ svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-2gOFto9nS1xVAFRJ p{margin:0;}#mermaid-svg-2gOFto9nS1xVAFRJ .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster-label text{fill:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster-label span{color:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster-label span p{background-color:transparent;}#mermaid-svg-2gOFto9nS1xVAFRJ .label text,#mermaid-svg-2gOFto9nS1xVAFRJ span{fill:#333;color:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ .node rect,#mermaid-svg-2gOFto9nS1xVAFRJ .node circle,#mermaid-svg-2gOFto9nS1xVAFRJ .node ellipse,#mermaid-svg-2gOFto9nS1xVAFRJ .node polygon,#mermaid-svg-2gOFto9nS1xVAFRJ .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-2gOFto9nS1xVAFRJ .rough-node .label text,#mermaid-svg-2gOFto9nS1xVAFRJ .node .label text,#mermaid-svg-2gOFto9nS1xVAFRJ .image-shape .label,#mermaid-svg-2gOFto9nS1xVAFRJ .icon-shape .label{text-anchor:middle;}#mermaid-svg-2gOFto9nS1xVAFRJ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-2gOFto9nS1xVAFRJ .rough-node .label,#mermaid-svg-2gOFto9nS1xVAFRJ .node .label,#mermaid-svg-2gOFto9nS1xVAFRJ .image-shape .label,#mermaid-svg-2gOFto9nS1xVAFRJ .icon-shape .label{text-align:center;}#mermaid-svg-2gOFto9nS1xVAFRJ .node.clickable{cursor:pointer;}#mermaid-svg-2gOFto9nS1xVAFRJ .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-2gOFto9nS1xVAFRJ .arrowheadPath{fill:#333333;}#mermaid-svg-2gOFto9nS1xVAFRJ .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-2gOFto9nS1xVAFRJ .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-2gOFto9nS1xVAFRJ .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-2gOFto9nS1xVAFRJ .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-2gOFto9nS1xVAFRJ .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-2gOFto9nS1xVAFRJ .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster text{fill:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ .cluster span{color:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-2gOFto9nS1xVAFRJ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-2gOFto9nS1xVAFRJ rect.text{fill:none;stroke-width:0;}#mermaid-svg-2gOFto9nS1xVAFRJ .icon-shape,#mermaid-svg-2gOFto9nS1xVAFRJ .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-2gOFto9nS1xVAFRJ .icon-shape p,#mermaid-svg-2gOFto9nS1xVAFRJ .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-2gOFto9nS1xVAFRJ .icon-shape .label rect,#mermaid-svg-2gOFto9nS1xVAFRJ .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-2gOFto9nS1xVAFRJ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-2gOFto9nS1xVAFRJ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-2gOFto9nS1xVAFRJ :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} Docker_Compose
宿主进程
HTTP
gRPC
gRPC :9999
启动时初始化网络
sandbox URL

*.cube.app
network-agent

unix:///tmp/cube/network-agent-grpc.sock
cubemaster

tcp :8089
cube-api

tcp :3000

E2B 兼容 REST
cubelet

tcp :9999 :9998
MySQL :3306
Redis :6379
cube-proxy

:443 :80
cube-proxy-coredns

cube.app 域名解析
E2B Python SDK

环境初始化

本次测试环境为AL2023操作系统（上游为Fedora系统），我们启动m5系列的裸金属实例完成本次测试。

首先，验证 KVM 与 CPU 虚拟化能力，如果/dev/kvm 缺失则需要停机检查环境，停止后续的步骤。

bash 复制代码 
$ ls -la /dev/kvm
crw-rw-rw-. 1 root kvm 10, 232 ...

$ lscpu | grep -iE "Architecture|Virtualization|CPU\(s\):"
Architecture:        x86_64
CPU(s):              96
Virtualization:      VT-x # 具备VT-x

/dev/kvm 不存在的环境跑不了 Cubesandbox bare-metal，需另寻支持嵌套，PVM或物理机的环境，具体的判断逻辑如下
#mermaid-svg-JoscSlkllugSPONh{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-JoscSlkllugSPONh .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-JoscSlkllugSPONh .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-JoscSlkllugSPONh .error-icon{fill:#552222;}#mermaid-svg-JoscSlkllugSPONh .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-JoscSlkllugSPONh .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-JoscSlkllugSPONh .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-JoscSlkllugSPONh .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-JoscSlkllugSPONh .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-JoscSlkllugSPONh .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-JoscSlkllugSPONh .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-JoscSlkllugSPONh .marker{fill:#333333;stroke:#333333;}#mermaid-svg-JoscSlkllugSPONh .marker.cross{stroke:#333333;}#mermaid-svg-JoscSlkllugSPONh svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-JoscSlkllugSPONh p{margin:0;}#mermaid-svg-JoscSlkllugSPONh .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-JoscSlkllugSPONh .cluster-label text{fill:#333;}#mermaid-svg-JoscSlkllugSPONh .cluster-label span{color:#333;}#mermaid-svg-JoscSlkllugSPONh .cluster-label span p{background-color:transparent;}#mermaid-svg-JoscSlkllugSPONh .label text,#mermaid-svg-JoscSlkllugSPONh span{fill:#333;color:#333;}#mermaid-svg-JoscSlkllugSPONh .node rect,#mermaid-svg-JoscSlkllugSPONh .node circle,#mermaid-svg-JoscSlkllugSPONh .node ellipse,#mermaid-svg-JoscSlkllugSPONh .node polygon,#mermaid-svg-JoscSlkllugSPONh .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-JoscSlkllugSPONh .rough-node .label text,#mermaid-svg-JoscSlkllugSPONh .node .label text,#mermaid-svg-JoscSlkllugSPONh .image-shape .label,#mermaid-svg-JoscSlkllugSPONh .icon-shape .label{text-anchor:middle;}#mermaid-svg-JoscSlkllugSPONh .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-JoscSlkllugSPONh .rough-node .label,#mermaid-svg-JoscSlkllugSPONh .node .label,#mermaid-svg-JoscSlkllugSPONh .image-shape .label,#mermaid-svg-JoscSlkllugSPONh .icon-shape .label{text-align:center;}#mermaid-svg-JoscSlkllugSPONh .node.clickable{cursor:pointer;}#mermaid-svg-JoscSlkllugSPONh .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-JoscSlkllugSPONh .arrowheadPath{fill:#333333;}#mermaid-svg-JoscSlkllugSPONh .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-JoscSlkllugSPONh .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-JoscSlkllugSPONh .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-JoscSlkllugSPONh .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-JoscSlkllugSPONh .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-JoscSlkllugSPONh .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-JoscSlkllugSPONh .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-JoscSlkllugSPONh .cluster text{fill:#333;}#mermaid-svg-JoscSlkllugSPONh .cluster span{color:#333;}#mermaid-svg-JoscSlkllugSPONh div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-JoscSlkllugSPONh .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-JoscSlkllugSPONh rect.text{fill:none;stroke-width:0;}#mermaid-svg-JoscSlkllugSPONh .icon-shape,#mermaid-svg-JoscSlkllugSPONh .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-JoscSlkllugSPONh .icon-shape p,#mermaid-svg-JoscSlkllugSPONh .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-JoscSlkllugSPONh .icon-shape .label rect,#mermaid-svg-JoscSlkllugSPONh .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-JoscSlkllugSPONh .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-JoscSlkllugSPONh .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-JoscSlkllugSPONh :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 裸金属直接跑
经 Hypervisor 一层

Hypervisor 暴露 vmx 给 Guest
Guest 内仍可见 vmx
Hypervisor 不支持嵌套
物理 CPU

Intel VT-x / AMD-V
/dev/kvm 可用
嵌套虚拟化
/dev/kvm 不可用
Cubesandbox 可跑
Cubesandbox 跑不起来

安装 Docker

bash 复制代码 
sudo dnf install -y docker
sudo systemctl enable --now docker
sudo docker version

安装 Cubesandbox

cubesandbox 安装脚本的 lib/common.sh 假设 yum 系发行版必有 EPEL 仓库。但是AL2023 是 Fedora 派生 ，但不预装 EPEL ，且默认仓库不带 ripgrep 包。此外，安装脚本会检查是否存在ripgrep和docker compose命令，因此需要提前安装好

shell 复制代码 
curl -fSL https://github.com/BurntSushi/ripgrep/releases/download/14.1.1/ripgrep-14.1.1-x86_64-unknown-linux-musl.tar.gz \
  -o /tmp/rg.tar.gz
tar -xzf /tmp/rg.tar.gz -C /tmp/
sudo cp /tmp/ripgrep-14.1.1-x86_64-unknown-linux-musl/rg /usr/local/bin/rg
sudo chmod +x /usr/local/bin/rg

# 2) docker compose v2 plugin
sudo mkdir -p /usr/local/lib/docker/cli-plugins
sudo curl -fSL \
  https://github.com/docker/compose/releases/download/v2.30.3/docker-compose-linux-x86_64 \
  -o /usr/local/lib/docker/cli-plugins/docker-compose
sudo chmod +x /usr/local/lib/docker/cli-plugins/docker-compose
sudo ln -sf /usr/local/lib/docker/cli-plugins/docker-compose /usr/local/bin/docker-compose

在 root 用户下执行官方文档命令中的如下命令

bash 复制代码 
curl -sL https://cnb.cool/CubeSandbox/CubeSandbox/-/git/raw/master/deploy/one-click/online-install.sh | MIRROR=cn bash

依赖装齐后重跑 install.sh，服务看起来都起来了

复制代码 
[one-click-runtime] started network-agent pid=43031
[one-click-runtime] started cubemaster pid=43032
[one-click-runtime] started cube-api pid=43033
[one-click-runtime] started cubelet pid=43034

但是此时创建模板会立即失败

复制代码 
status: FAILED
phase: DISTRIBUTING
error: artifact distribution failed on all 1 nodes:
       rpc error: code = Unimplemented
       desc = unknown service cubelet.services.images.v1.Images

检查/data/log/Cubelet/Cubelet-req.log发现如下错误日志

复制代码 
[INFO]  network plugin init begin
[INFO]  tap plugin init: enable_network_agent=true
        endpoint=grpc+unix:///tmp/cube/network-agent-grpc.sock
[WARN]  network-agent not ready yet, retry_interval=1s err=context deadline exceeded
[WARN]  network-agent not ready yet, retry_interval=1s err=context deadline exceeded
... 
[FATAL] plugin network init failed: network-agent health check failed at init,
        waited 30s for network-agent readiness: context deadline exceeded
[WARN]  failed to load plugin {"type":"io.cubelet.internal.v1"}
[FATAL] plugin workflow init fail: failed to get internal plugin: network-agent health check failed
[FATAL] plugin gc-service init fail: ...
[FATAL] plugin cubebox-service init fail: ...
[WARN]  failed to load plugin {"type":"io.cubelet.images-service.v1"}
[INFO]  cubelet successfully booted in 31.374417s
[ERROR] cubelet successfully booted in 31.374456s

日志表明，cubelet 启动时等待30 秒才去 connect /tmp/cube/network-agent-grpc.sock，但是 network-agent 真正 listen 的时刻晚于 cubelet 30s 超时点，导致cubelet 等不及就 FATAL。此时cubelet 进程虽然没有完全退出，但 Images / Workflow / Cubebox-Service 等关键服务全部加载失败，时序图如下：
cubelet 进程 "/tmp/cube/network-agent-grpc.sock" network-agent 进程 up.sh cubelet 进程 "/tmp/cube/network-agent-grpc.sock" network-agent 进程 up.sh #mermaid-svg-BFIKvjfqBvmf9gQw{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-BFIKvjfqBvmf9gQw .error-icon{fill:#552222;}#mermaid-svg-BFIKvjfqBvmf9gQw .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-BFIKvjfqBvmf9gQw .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-BFIKvjfqBvmf9gQw .marker{fill:#333333;stroke:#333333;}#mermaid-svg-BFIKvjfqBvmf9gQw .marker.cross{stroke:#333333;}#mermaid-svg-BFIKvjfqBvmf9gQw svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-BFIKvjfqBvmf9gQw p{margin:0;}#mermaid-svg-BFIKvjfqBvmf9gQw .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-BFIKvjfqBvmf9gQw text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-BFIKvjfqBvmf9gQw .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-BFIKvjfqBvmf9gQw .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-BFIKvjfqBvmf9gQw #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-BFIKvjfqBvmf9gQw .sequenceNumber{fill:white;}#mermaid-svg-BFIKvjfqBvmf9gQw #sequencenumber{fill:#333;}#mermaid-svg-BFIKvjfqBvmf9gQw #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-BFIKvjfqBvmf9gQw .messageText{fill:#333;stroke:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-BFIKvjfqBvmf9gQw .labelText,#mermaid-svg-BFIKvjfqBvmf9gQw .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .loopText,#mermaid-svg-BFIKvjfqBvmf9gQw .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-BFIKvjfqBvmf9gQw .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-BFIKvjfqBvmf9gQw .noteText,#mermaid-svg-BFIKvjfqBvmf9gQw .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-BFIKvjfqBvmf9gQw .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-BFIKvjfqBvmf9gQw .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-BFIKvjfqBvmf9gQw .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-BFIKvjfqBvmf9gQw .actorPopupMenu{position:absolute;}#mermaid-svg-BFIKvjfqBvmf9gQw .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-BFIKvjfqBvmf9gQw .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-BFIKvjfqBvmf9gQw .actor-man circle,#mermaid-svg-BFIKvjfqBvmf9gQw line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-BFIKvjfqBvmf9gQw :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 进程启动但还在做 初始化 ~60s 累计 30s 超时 但 cubelet 不会重新 init 插件 nohup network-agent & nohup cubelet & (立即) connect (尝试 1) ENOENT sleep 4s, retry (×8) FATAL: network plugin init failed 后续依赖网络的插件全部失败 终于 listen 上 (晚了)

解决方法很简单，因为 network-agent 早已就绪，直接单独重启 cubelet即可

bash 复制代码 
sudo pkill -9 -f "/Cubelet/bin/cubelet"
sleep 2
sudo ls -la /tmp/cube/network-agent-grpc.sock

sudo bash -c "nohup /usr/local/services/cubetoolbox/Cubelet/bin/cubelet \
  --config /usr/local/services/cubetoolbox/Cubelet/config/config.toml \
  --dynamic-conf-path /usr/local/services/cubetoolbox/Cubelet/dynamicconf/conf.yaml \
  > /var/log/cube-sandbox-one-click/cubelet.log 2>&1 < /dev/null &"

之后我们运行官方的 Python 测试代码如下（具体步骤和CUBE_TEMPLATE_ID见模板创建部分）

python 复制代码 
with Sandbox.create(template=os.environ["CUBE_TEMPLATE_ID"]) as sandbox:
    result = sandbox.run_code("print('Hello')")  # 这里抛错

出现如下报错，检查Sandbox.create() 本身成功了（拿到了 sandbox-id）。问题出在 run_code 时 SDK 通过 https://<sandbox-id>-49999.cube.app 访问 sandbox 内服务，域名解析失败。

复制代码 
httpcore.ConnectError: [Errno -2] Name or service not known

进一步检查发现install.sh脚本设置了 cube-dns0 link 给 systemd-resolved，但没有改 nsswitch.conf 让 NSS（ Name Service Switch） 也走 systemd-resolved。/etc/resolv.conf 直接指向上游 DNS（不是 systemd-resolved 的 stub 127.0.0.53），导致大部分应用绕过 resolved。

我们把 resolve NSS 模块加进 hosts 解析链，强制让系统所有应用先问 systemd-resolved，再走传统 DNS

bash 复制代码 
sudo sed -i.bak \
  's/^hosts:.*/hosts:      files resolve [!UNAVAIL=return] dns myhostname/' \
  /etc/nsswitch.conf

[!UNAVAIL=return] 的语义：如果 resolve（systemd-resolved）返回 NXDOMAIN，直接返回 ，不再 fallback 到 dns（上游 DNS）。这样 *.cube.app 走 systemd-resolved，其他域名走 systemd-resolved 失败再走上游 DNS。

模板创建与 SDK 验证

创建模板

cubelet 就绪后直接创建模板成功

bash 复制代码 
sudo cubemastercli tpl create-from-image \
  --image cube-sandbox-cn.tencentcloudcr.com/cube-sandbox/sandbox-code:latest \
  --writable-layer-size 1G \
  --cpu 2000 --memory 4000 \
  --expose-port 49999 \
  --expose-port 49983 \
  --probe 49999

参数说明如下，更多参数

参数 含义
--image 源 OCI 镜像。
--writable-layer-size 1G sandbox 可写层大小（overlay 上层），决定 sandbox 可写多少数据
--expose-port 49999/49983 镜像内监听的端口（sandbox-code 镜像约定）
--probe 49999 健康探针端口；模板就绪条件就是这个 HTTP GET 通

执行成功后会输出模板id，总耗时约 40 秒（镜像 layer 已被预拉到 docker 内）。

复制代码 
job_id: <JOB_ID>
template_id: <TEMPLATE_ID>
status: PENDING
phase: PULLING
...
status: READY
phase: READY
progress: 100%
distribution: 1/1 ready, 0 failed

如要监控较长任务可以通过如下命令完成

bash 复制代码 
sudo cubemastercli tpl watch --job-id <JOB_ID>

E2B SDK 代码

安装 SDK

bash 复制代码 
sudo dnf install -y python3 python3-pip
pip3 install e2b-code-interpreter

准备 mkcert CA：

bash 复制代码 
sudo cp /root/.local/share/mkcert/rootCA.pem /tmp/cube-rootCA.pem
sudo chmod 644 /tmp/cube-rootCA.pem

设置环境变量，其中**SSL_CERT_FILE 必须设置。sandbox URL 是 HTTPS（https://*.cube.app），证书由 cubesandbox 自带的 mkcert 本地 CA 签发。SDK 走 Python httpx（基于 httpcore + 系统 OpenSSL），不会自动信任这个 CA，必须显式指向 rootCA.pem。

bash 复制代码 
export E2B_API_URL='http://127.0.0.1:3000'
export E2B_API_KEY='dummy'
export CUBE_TEMPLATE_ID='<TEMPLATE_ID>'
export SSL_CERT_FILE='/tmp/cube-rootCA.pem'   # mkcert 签的本地 CA

测试脚本：

python 复制代码 
import os
from e2b_code_interpreter import Sandbox

print(f'API URL:  {os.environ.get("E2B_API_URL")}')
print(f'Template: {os.environ.get("CUBE_TEMPLATE_ID")}')

with Sandbox.create(template=os.environ['CUBE_TEMPLATE_ID']) as sandbox:
    print(f'Sandbox ID: {sandbox.sandbox_id}')

    # 1) 基础打印
    r1 = sandbox.run_code("print('Hello from Cube Sandbox, safely isolated!')")
    print('stdout:', r1.logs.stdout)

    # 2) 隔离性验证
    r2 = sandbox.run_code('''
import platform, os, sys, socket
print(f"Python: {sys.version.split()[0]}")
print(f"Hostname: {platform.node()}")
print(f"Kernel: {platform.release()}")
print(f"CPU count: {os.cpu_count()}")
print(f"IP: {socket.gethostbyname(socket.gethostname())}")
''')
    print('stdout:', r2.logs.stdout)

    # 3) 计算
    r3 = sandbox.run_code('print(sum(range(1_000_000)))')
    print('stdout:', r3.logs.stdout)

实际测试输出，宿主机内核版本为6.1.x-amzn2023，sandbox内核版本6.6.1199-0009-03_2.0.1，看到独立内核版本说明VM生效

复制代码 
=== Test 1: Hello world ===
stdout: ['Hello from Cube Sandbox, safely isolated!\n']

=== Test 2: Compute (verify isolation) ===
stdout: ['Python: 3.12.12
         Hostname: tpl-XXXX
         Kernel: 6.6.1199-0009-03_2.0.1
         CPU count: 2
         IP: 127.0.0.1
        ']

=== Test 3: Math ===
stdout: ['499999500000\n']

使用sandbox分析数据

接下来我们使用PydanticAI集成sandbox的能力，实现自然语言提问 ，AI 写代码 ，Cubesandbox 运行代码 ，产出图表的全过程。整体架构如下：
#mermaid-svg-PFAVMNWqx7aGkI5l{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-PFAVMNWqx7aGkI5l .error-icon{fill:#552222;}#mermaid-svg-PFAVMNWqx7aGkI5l .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-PFAVMNWqx7aGkI5l .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-PFAVMNWqx7aGkI5l .marker{fill:#333333;stroke:#333333;}#mermaid-svg-PFAVMNWqx7aGkI5l .marker.cross{stroke:#333333;}#mermaid-svg-PFAVMNWqx7aGkI5l svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-PFAVMNWqx7aGkI5l p{margin:0;}#mermaid-svg-PFAVMNWqx7aGkI5l .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster-label text{fill:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster-label span{color:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster-label span p{background-color:transparent;}#mermaid-svg-PFAVMNWqx7aGkI5l .label text,#mermaid-svg-PFAVMNWqx7aGkI5l span{fill:#333;color:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l .node rect,#mermaid-svg-PFAVMNWqx7aGkI5l .node circle,#mermaid-svg-PFAVMNWqx7aGkI5l .node ellipse,#mermaid-svg-PFAVMNWqx7aGkI5l .node polygon,#mermaid-svg-PFAVMNWqx7aGkI5l .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-PFAVMNWqx7aGkI5l .rough-node .label text,#mermaid-svg-PFAVMNWqx7aGkI5l .node .label text,#mermaid-svg-PFAVMNWqx7aGkI5l .image-shape .label,#mermaid-svg-PFAVMNWqx7aGkI5l .icon-shape .label{text-anchor:middle;}#mermaid-svg-PFAVMNWqx7aGkI5l .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-PFAVMNWqx7aGkI5l .rough-node .label,#mermaid-svg-PFAVMNWqx7aGkI5l .node .label,#mermaid-svg-PFAVMNWqx7aGkI5l .image-shape .label,#mermaid-svg-PFAVMNWqx7aGkI5l .icon-shape .label{text-align:center;}#mermaid-svg-PFAVMNWqx7aGkI5l .node.clickable{cursor:pointer;}#mermaid-svg-PFAVMNWqx7aGkI5l .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-PFAVMNWqx7aGkI5l .arrowheadPath{fill:#333333;}#mermaid-svg-PFAVMNWqx7aGkI5l .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-PFAVMNWqx7aGkI5l .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-PFAVMNWqx7aGkI5l .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-PFAVMNWqx7aGkI5l .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-PFAVMNWqx7aGkI5l .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-PFAVMNWqx7aGkI5l .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster text{fill:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l .cluster span{color:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-PFAVMNWqx7aGkI5l .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-PFAVMNWqx7aGkI5l rect.text{fill:none;stroke-width:0;}#mermaid-svg-PFAVMNWqx7aGkI5l .icon-shape,#mermaid-svg-PFAVMNWqx7aGkI5l .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-PFAVMNWqx7aGkI5l .icon-shape p,#mermaid-svg-PFAVMNWqx7aGkI5l .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-PFAVMNWqx7aGkI5l .icon-shape .label rect,#mermaid-svg-PFAVMNWqx7aGkI5l .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-PFAVMNWqx7aGkI5l .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-PFAVMNWqx7aGkI5l .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-PFAVMNWqx7aGkI5l :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 输入问题/上传 CSV
LLM 决策

写 Python 代码
工具调用

run_python / save_chart
HTTP :3000

E2B 兼容协议
执行结果

stdout/stderr/files
文字答案
读取图表
写入本地
用户
analyst.py CLI
PydanticAI Agent

claude-sonnet-4-5
E2B SDK

e2b-code-interpreter
Cubesandbox 集群
本地 ./output/

图表落盘

首先我们确认cudesandbox集群就绪

shell 复制代码 
# cube-api 在监听
sudo ss -tlnp | grep :3000

# 健康检查通过
curl -sS http://127.0.0.1:3000/health

# 模板已 READY
sudo cubemastercli tpl ls

# mkcert CA 可读
sudo cp /root/.local/share/mkcert/rootCA.pem /tmp/cube-rootCA.pem
sudo chmod 644 /tmp/cube-rootCA.pem

ls -la /tmp/cube-rootCA.pem

通过将把 E2B_API_URL 指向 E2B 沙盒，LLM 决策层和代码执行层通过 E2B SDK 完全解耦。

确认Cubesandbox 集群就绪后，准备好使用的模板 ID

bash 复制代码 
export CUBE_TEMPLATE_ID=tpl-xxxxxxxxxxxxxxxxxxxx

PydanticAI 0.8 通过 OpenAIChatModel 支持任何 OpenAI 兼容的端点。本文实测用一个 LiteLLM proxy 当 LLM 网关，模型路由到指定模型：

复制代码 
export LLM_BASE_URL='http://litellm.your.network:4000/v1'
export LLM_API_KEY='sk-xxx'
export LLM_MODEL='modelname'

模板 ID 为之前创建的模板

复制代码 
export CUBE_TEMPLATE_ID=tpl-xxxxxxxxxxxxxxxxxxxx

完整的示例代码analyst.py

py 复制代码 
"""
PydanticAI 0.8.1 + Cubesandbox + LiteLLM 数据分析助手
功能：CSV 上传 + 自然语言问答 + 错误自动重试 + 图表回传到本地
"""
import os
from dataclasses import dataclass, field
from pathlib import Path
from typing import Annotated

from pydantic import Field
from pydantic_ai import Agent, ModelRetry, RunContext
from pydantic_ai.models.openai import OpenAIChatModel
from pydantic_ai.providers.openai import OpenAIProvider
from e2b_code_interpreter import Sandbox

# ============ Cubesandbox 配置（同机直连，是与 E2B 公有云的唯一区别）============
os.environ['E2B_API_URL'] = 'http://127.0.0.1:3000'
os.environ['E2B_API_KEY'] = 'dummy'
os.environ['SSL_CERT_FILE'] = '/tmp/cube-rootCA.pem'

TEMPLATE_ID = os.environ['CUBE_TEMPLATE_ID']

# ============ LLM 后端（任何 OpenAI 兼容端点）============
LLM_BASE_URL = os.environ.get('LLM_BASE_URL', 'http://localhost:4000/v1')
LLM_API_KEY  = os.environ.get('LLM_API_KEY',  'sk-xxxxxx')
LLM_MODEL    = os.environ.get('LLM_MODEL',    'anthropic.claude-opus-4-7')

model = OpenAIChatModel(
    LLM_MODEL,
    provider=OpenAIProvider(base_url=LLM_BASE_URL, api_key=LLM_API_KEY),
)

# ============ Agent 依赖：跨工具调用共享 sandbox + 上传清单 ============
@dataclass
class Deps:
    sandbox: Sandbox
    uploaded_files: dict = field(default_factory=dict)


# ============ Agent 定义 ============
agent = Agent(
    model,
    deps_type=Deps,
    system_prompt="""你是数据分析助手。

可用工具：
- list_uploaded_files: 看用户上传了哪些文件（返回 sandbox 内绝对路径）
- run_python: 执行 Python 代码（pandas / matplotlib / numpy / seaborn）
- save_chart: 把 sandbox 里的图片保存到用户本地

规则：
1. 收到问题先 list_uploaded_files 看数据
2. 写代码用 sandbox 内路径（/work/data.csv，不是用户本地路径）
3. matplotlib 用 Agg 后端：plt.switch_backend('Agg')；图片存 /tmp/xxx.png 然后 save_chart
4. 报错时根据 stderr 修，不要假装成功
5. 同一 sandbox 内变量、import 跨多次 run_python 持久化
""",
    retries=3,  # ModelRetry 最多重试 3 次
)


# ============ 列出已上传文件 ============
@agent.tool
def list_uploaded_files(ctx: RunContext[Deps]) -> dict:
    """返回 {本地原路径: sandbox 内路径}"""
    return ctx.deps.uploaded_files or {"info": "未上传任何文件"}


# ============ 执行 Python 代码（核心，带自动重试）============
@agent.tool
def run_python(
    ctx: RunContext[Deps],
    code: Annotated[str, Field(description="Python 代码")]
) -> str:
    """在 sandbox 执行 Python，返回 stdout。出错时触发 LLM 自我修正。"""
    r = ctx.deps.sandbox.run_code(code)

    # 报错ModelRetry把错误回传给 LLM，然后改代码再调
    if r.error:
        raise ModelRetry(
            f"代码报错：{r.error.name}: {r.error.value}
"
            f"stderr: {''.join(r.logs.stderr)}"
        )

    out = r.logs.stdout
    return ''.join(out) if isinstance(out, list) else (out or '(无 stdout)')

# ============ 把 sandbox 内的图表传回本地 ============
@agent.tool
def save_chart(ctx: RunContext[Deps], sandbox_path: str) -> str:
    """读取 sandbox 内的图片，保存到本地 ./output/ 目录"""
    try:
        content = ctx.deps.sandbox.files.read(sandbox_path, format='bytes')
    except Exception as e:
        raise ModelRetry(f"读取失败：{e}")

    out_dir = Path('./output')
    out_dir.mkdir(exist_ok=True)
    local = out_dir / Path(sandbox_path).name
    local.write_bytes(content)
    return f"图表已保存到本地：{local.absolute()}"

# ============ 主程序 ============
def main():
    with Sandbox.create(template=TEMPLATE_ID, timeout=1800) as sandbox:
        print(f"sandbox: {sandbox.sandbox_id}")

        deps = Deps(sandbox=sandbox)

        # 文件上传循环
        while True:
            f = input("上传文件 (留空跳过): ").strip()
            if not f:
                break
            p = Path(f).expanduser()
            if not p.exists():
                print(f"  ! 文件不存在")
                continue
            sb_path = f"/work/{p.name}"
            sandbox.files.write(sb_path, p.read_bytes())
            deps.uploaded_files[str(p)] = sb_path
            print(f"  ✓ 上传到 {sb_path}")

        # 对话循环（message_history 保留多轮上下文）
        history = []
        print("输入 'exit' 退出")
        while True:
            q = input("你: ").strip()
            if q in ('exit', 'quit', ''):
                break
            try:
                result = agent.run_sync(q, deps=deps, message_history=history)
                history = result.all_messages()
                print(f"AI: {result.output}")
            except Exception as e:
                print(f"出错: {type(e).__name__}: {e}")

if __name__ == '__main__':
    main()

以上示例中，sandbox 单例实现跨调用持久化

py 复制代码 
with Sandbox.create(template=TEMPLATE_ID, timeout=1800) as sandbox:
    deps = Deps(sandbox=sandbox)
    while True:
        agent.run_sync(...)

每次新建 sandbox 有 1-3 秒开销，以上代码整个对话只用一个 sandbox。之后第一次工具调用 import pandas as pd; df = pd.read_csv('/work/sales.csv') 之后，后续工具调用都能直接用 df 。LLM 也知道这一点（看 system_prompt 最后那句），不会重复 import。

这里还有一个问题，文件是如何从sandbox中拷贝到宿主机的 ？即content = ctx.deps.sandbox.files.read(sandbox_path, format='bytes')检查如下源码

py 复制代码 
# e2b/sandbox_sync/filesystem/filesystem.py
def read(self, path, format="text", ...):
    params = {"path": path, "username": username}
    r = self._envd_api.get(ENVD_API_FILES_ROUTE, params=params, ...)
    if format == "bytes":
        return bytearray(r.content)

通过 HTTP GET URL 子域名编码端口和 sandbox-id来实现文件读取

复制代码 
https://49983-993e9bbbff29496a8737ce04fda56341.cube.app/files?path=/tmp/x.png
       └────┘ └────────────────────────────────────────┘
       端口   sandbox_id

请求会被转发到MicroVM 内 的envd，它是sandbox 内的 daemon，监听 :49983，提供 REST API如下

路由 功能
GET /files?path=... 读文件
POST /files?path=... 写文件
POST /commands 执行命令
GET /processes 列进程
POST /init 初始化（envvars / cwd / mount）

env收到 GET /files?path=/tmp/x.png 请求后执行文件 IO open(path,'rb').read()。因此SDK 只是 HTTP 客户端的封装

启动与文件上传

准备一个测试 CSV：

shell 复制代码 
cat > /tmp/sales.csv <<'EOF'
order_id,product,amount,region,date
1,iPhone 15,8999,华东,2024-09-01
2,MacBook Air,9999,华北,2024-09-02
3,iPhone 15,8999,华东,2024-09-03
4,AirPods,1899,华南,2024-09-05
5,iPhone 15 Pro,11999,华西,2024-09-06
6,iPhone 15,8999,华北,2024-09-08
7,MacBook Pro,18999,华东,2024-09-10
8,AirPods,1899,华东,2024-09-11
9,iPhone 15 Pro,11999,华南,2024-09-12
10,iPad Air,4799,华东,2024-09-15
EOF

启动分析应用python3 analyst.py

复制代码 
=== 数据分析助手 (PydanticAI 0.8.1 + Cubesandbox + LiteLLM) ===
sandbox: 9e7db5f7a959431cb92edc0c941849ff

上传文件 (留空跳过): /tmp/sales.csv
  ✓ 上传到 /work/sales.csv
上传文件 (留空跳过): 

输入 'exit' 退出

你:

真实对话示例

下面是 4 轮真实对话的完整 transcript。每轮 AI 内部都会自动调用 list_uploaded_files、run_python、save_chart 等工具。

Q1：基本的数据内容查看

复制代码 
你: 数据共多少行？什么列？日期范围多大？

AI: 数据基本情况如下：

**📊 sales.csv 概览**

| 项目 | 值 |
|------|-----|
| **行数** | 10 行 |
| **列数** | 5 列 |

**列结构：**
- `order_id` (int) --- 订单 ID
- `product` (str) --- 产品名（如 iPhone 15、MacBook Air）
- `amount` (int) --- 金额
- `region` (str) --- 区域（华东、华北等）
- `date` (date) --- 日期

**日期范围：** 2024-09-01 ～ 2024-09-15，跨度 14 天

数据规模比较小（只有 10 条订单）。需要我接着做哪方面分析？比如：
- 按产品/区域汇总销售额
- 每日销售趋势图
- TOP 产品排名

Q2 ：同时触发 run_python + save_chart 两个工具：

复制代码 
你: 按产品统计销售额排行榜，画柱状图保存到 /tmp/top_products.png，用 save_chart 传出

AI: 完成 ✅

**📊 产品销售额排行榜**

| 排名 | 产品 | 销售额 |
|------|------|--------:|
| 🥇 1 | iPhone 15 | 26,997 |
| 🥈 2 | iPhone 15 Pro | 23,998 |
| 🥉 3 | MacBook Pro | 18,999 |
| 4 | MacBook Air | 9,999 |
| 5 | iPad Air | 4,799 |
| 6 | AirPods | 3,798 |

**洞察：**
- **iPhone 15** 系列（标准版 + Pro）合计 50,995，是绝对主力，占总销售额 ~53%
- **MacBook 系列** 合计 28,998，排第二梯队
- **配件类**（iPad Air、AirPods）销售额较低，可考虑捆绑促销

柱状图已保存到本地 `/tmp/output/top_products.png`，可直接查看。

Q3：继承上下文，复用已加载的 DataFrame：

复制代码 
你: 华东区每个产品的总销售额？给出表格

AI: ## 📊 华东区产品销售额明细

| 排名 | 产品 | 销售额 | 订单数 | 占比 |
|:---:|------|--------:|:---:|:---:|
| 🥇 1 | MacBook Pro | 18,999 | 1 | 43.48% |
| 🥈 2 | iPhone 15 | 17,998 | 2 | 41.19% |
| 🥉 3 | iPad Air | 4,799 | 1 | 10.98% |
| 4 | AirPods | 1,899 | 1 | 4.35% |

**汇总：**
- 华东区总销售额：**43,695**
- 华东区总订单数：**5 单**
- 客单价：**8,739**

**洞察：**
- 华东区 **MacBook Pro 单笔贡献最高**（43.48%），高客单价产品表现突出
- **iPhone 15** 走量优势明显（2 单），是华东最受欢迎产品
- 高端产品（MacBook Pro + iPhone 15）合计占华东 ~85%，消费力较强

统计图结果如下

Q4：用 seaborn 画热力图：

复制代码 
你: 用 seaborn 画一个产品×区域的销售额热力图（plt.switch_backend Agg），保存到 /tmp/heatmap.png 并 save_chart 传出

AI: 完成 ✅ 热力图已传出到本地 `/tmp/output/heatmap.png`。

**📊 产品 × 区域 销售额矩阵**

| 产品 \ 区域 | East 华东 | North 华北 | South 华南 | West 华西 |
|------|--------:|--------:|--------:|--------:|
| iPhone 15 | **17,998** | 8,999 | 0 | 0 |
| iPhone 15 Pro | 0 | 0 | **11,999** | **11,999** |
| MacBook Pro | **18,999** | 0 | 0 | 0 |
| MacBook Air | 0 | **9,999** | 0 | 0 |
| iPad Air | 4,799 | 0 | 0 | 0 |
| AirPods | 1,899 | 0 | 1,899 | 0 |

**洞察：**
- 🔥 **华东是核心市场**：覆盖 iPhone 15 / MacBook Pro / iPad Air / AirPods 4 个品类
- 📱 **iPhone 15 Pro 偏南/西**：标准版主攻北方，Pro 版主攻南方/西部，定位差异明显
- 💻 **MacBook 区域分布单一**：Pro 仅华东、Air 仅华北，覆盖面偏窄
- ⚪ **数据稀疏**：矩阵里大量 0 值，反映样本量小（只有 10 单）

附注：因 sandbox 默认字体不支持中文，区域名做了英文映射（华东→East、华北→North、华南→South、华西→West），避免图上出现方块。

退出后查看本地落盘：

复制代码 
$ ls -la ./output/
-rw-rw-r--. 1 ec2-user ec2-user 52649 May 29 03:41 heatmap.png
-rw-rw-r--. 1 ec2-user ec2-user 45826 May 29 03:40 top_products.png

$ file ./output/*.png
./output/heatmap.png:      PNG image data, 960 x 720, 8-bit/color RGBA, non-interlaced
./output/top_products.png: PNG image data, 1080 x 600, 8-bit/color RGBA, non-interlaced

热力图结果

错误重试

LM 写错代码是常态。传统做法是写一堆 try/except + 手动构造 follow-up prompt。PydanticAI 的优雅写法：

py 复制代码 
if result.error:
    raise ModelRetry(f"代码报错: {result.error.value}\nstderr: ...")

retries 次数要合理，如果设太大可能让 LLM 在错误里打转消耗不必要的token。

抛 ModelRetry 后框架自动：

  1. 把错误信息作为新的工具调用结果塞回对话历史
  2. 让 LLM 看到错误并产出新的工具调用
  3. 最多重试 Agent(retries=N) 次
  4. 用户视角：只看到最终成功的输出

在运行过程中，第 2 题和第 4 题各遇到一次 save_chart 偶发失败（cube-proxy DNS 还没完全就绪），LLM 表现：

  • ModelRetry 在 3 次重试后仍失败，PydanticAI 把异常抛给应用层

  • 但 LLM 没有崩溃，它知道数据已经在 sandbox 算好了，照常返回完整文字答案，只是诚实地说图传不出来

  • ModelRetry 设计的优势让重试链中得到的中间结果（已算好的数字）不丢失，最终回答仍然有用

    AI: 图已经成功生成（63KB），但 save_chart 一直报 DNS 错误（Name or service not known），
    看起来是上传服务暂时连不上，不是代码问题。

    [销售额排行表 + 数据洞察 ...]

    图片保存在 sandbox 的 /tmp/top_products.png。save_chart 这边是后台传输服务的问题，
    麻烦你过一会儿让我重试一次，或者刷新一下会话再试。要我现在再试一次吗？

第二次跑（连接已 warm up）就完全正常了。

cubemastercli 视角

cubemastercli 是 Cubesandbox 自带的 CLI 工具，用于管理模板、Sandbox 和节点。PydanticAI agent跟cubemastercli能看到同一件事的两个角度。可以清楚看到 sandbox 生命周期。cubemastercli 与 E2B SDK 的关系如下图所示，两者最终都通过 cubemaster 操作 cubelet，底层执行路径一致：
#mermaid-svg-9bzK5sAwoMshP21f{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9bzK5sAwoMshP21f .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9bzK5sAwoMshP21f .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9bzK5sAwoMshP21f .error-icon{fill:#552222;}#mermaid-svg-9bzK5sAwoMshP21f .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9bzK5sAwoMshP21f .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9bzK5sAwoMshP21f .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9bzK5sAwoMshP21f .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9bzK5sAwoMshP21f .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9bzK5sAwoMshP21f .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9bzK5sAwoMshP21f .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9bzK5sAwoMshP21f .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9bzK5sAwoMshP21f .marker.cross{stroke:#333333;}#mermaid-svg-9bzK5sAwoMshP21f svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9bzK5sAwoMshP21f p{margin:0;}#mermaid-svg-9bzK5sAwoMshP21f .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-9bzK5sAwoMshP21f .cluster-label text{fill:#333;}#mermaid-svg-9bzK5sAwoMshP21f .cluster-label span{color:#333;}#mermaid-svg-9bzK5sAwoMshP21f .cluster-label span p{background-color:transparent;}#mermaid-svg-9bzK5sAwoMshP21f .label text,#mermaid-svg-9bzK5sAwoMshP21f span{fill:#333;color:#333;}#mermaid-svg-9bzK5sAwoMshP21f .node rect,#mermaid-svg-9bzK5sAwoMshP21f .node circle,#mermaid-svg-9bzK5sAwoMshP21f .node ellipse,#mermaid-svg-9bzK5sAwoMshP21f .node polygon,#mermaid-svg-9bzK5sAwoMshP21f .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9bzK5sAwoMshP21f .rough-node .label text,#mermaid-svg-9bzK5sAwoMshP21f .node .label text,#mermaid-svg-9bzK5sAwoMshP21f .image-shape .label,#mermaid-svg-9bzK5sAwoMshP21f .icon-shape .label{text-anchor:middle;}#mermaid-svg-9bzK5sAwoMshP21f .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9bzK5sAwoMshP21f .rough-node .label,#mermaid-svg-9bzK5sAwoMshP21f .node .label,#mermaid-svg-9bzK5sAwoMshP21f .image-shape .label,#mermaid-svg-9bzK5sAwoMshP21f .icon-shape .label{text-align:center;}#mermaid-svg-9bzK5sAwoMshP21f .node.clickable{cursor:pointer;}#mermaid-svg-9bzK5sAwoMshP21f .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9bzK5sAwoMshP21f .arrowheadPath{fill:#333333;}#mermaid-svg-9bzK5sAwoMshP21f .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9bzK5sAwoMshP21f .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9bzK5sAwoMshP21f .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9bzK5sAwoMshP21f .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9bzK5sAwoMshP21f .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9bzK5sAwoMshP21f .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9bzK5sAwoMshP21f .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9bzK5sAwoMshP21f .cluster text{fill:#333;}#mermaid-svg-9bzK5sAwoMshP21f .cluster span{color:#333;}#mermaid-svg-9bzK5sAwoMshP21f div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9bzK5sAwoMshP21f .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9bzK5sAwoMshP21f rect.text{fill:none;stroke-width:0;}#mermaid-svg-9bzK5sAwoMshP21f .icon-shape,#mermaid-svg-9bzK5sAwoMshP21f .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9bzK5sAwoMshP21f .icon-shape p,#mermaid-svg-9bzK5sAwoMshP21f .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9bzK5sAwoMshP21f .icon-shape .label rect,#mermaid-svg-9bzK5sAwoMshP21f .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9bzK5sAwoMshP21f .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9bzK5sAwoMshP21f .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9bzK5sAwoMshP21f :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} REST
内部 API
gRPC
应用代码

e2b-code-interpreter SDK
cubemaster

:8089 内部 gRPC

:3000 E2B 兼容 REST
cubemastercli

命令行管理
cubelet

:9999

我们运行一个定时1s循环脚本查看sandbox详情

复制代码 
# 列出sandbox的ID
cubemastercli ls -q

# 查看sandbox的详细info
cubemastercli info -s "$SBID" 2>/dev/null)

同时运行agent和脚本，跑完后提取关键事件时间线如下

  1. 从 Sandbox.create() 到 cubemastercli ls 能看到sandbox 创建过程很快
  2. 192.168.0.11 是 sandbox 内部 tap 网络的 IP。每次新建 sandbox 都从一个内网池分配
  3. status=running 全程不变 ，即使 LLM 那边在等模型响应，cubelet 视角下 sandbox 是 idle 但 running，等待下一个 run_code 调用
  4. Q1 → Q2 跨 37 秒，期间 cubemastercli 看到的就是同一个 sandbox，一次会话只有一个 sandbox，所有工具调用都打到它
shell 复制代码 
[05:25:19 CLI] cubemastercli ls -> 0 sandbox                          # analyst.py 启动前
[05:25:20 APP] sandbox: 9aed036150994045bf5609c4096fc83d              # Sandbox.create() 完成
[05:25:20 APP] 上传文件 (留空跳过):   ✓ 上传到 /work/sales.csv          # files.write() 完成
[05:25:20 CLI] cubemastercli ls -> 9aed036150994045bf5609c4096fc83d  status=running sandbox_ip=192.168.0.11 # 立即观察到sandbox创建
[05:25:21 CLI] cubemastercli ls -> 9aed036150994045bf5609c4096fc83d  status=running sandbox_ip=192.168.0.11
[05:25:22 CLI] cubemastercli ls -> 9aed036150994045bf5609c4096fc83d  status=running sandbox_ip=192.168.0.11
[05:25:23 CLI] cubemastercli ls -> 9aed036150994045bf5609c4096fc83d  status=running sandbox_ip=192.168.0.11
...
[05:25:44 APP] AI: `sales.csv` 数据概况：                               # 第 1 个回答 (24s 后)
[05:26:21 APP] AI: 完成 ✅                                              # 第 2 个回答 (37s 后)
                  - sandbox: `/tmp/q1.png`                             #   图表已生成本地

其他常用的cubemastercli命令如下

shell 复制代码 
# 节点
$ sudo cubemastercli node ls

# 模板
$ sudo cubemastercli tpl create-from-image --image <ref> --writable-layer-size 1G --expose-port 49999 --probe 49999
$ sudo cubemastercli tpl status --job-id <job>
$ sudo cubemastercli tpl watch --job-id <job>

$ sudo cubemastercli tpl ls

$ sudo cubemastercli tpl info --template-id <id>
$ sudo cubemastercli tpl info --template-id <id> --json
{
    "ret": { "ret_code": 200, "ret_msg": "success" },
    "template_id": "tpl-6f3b0a181586406db7620784",
    "instance_type": "cubebox",
    "version": "v2",
    "status": "READY",
    "replicas": [
        {
            "node_id": "172.31.24.141",
            "node_ip": "172.31.24.141",
            "instance_type": "cubebox",
            "spec": "cpu=2000m,mem=2000Mi",
            "snapshot_path": "/usr/local/services/cubetoolbox/cube-snapshot/cubebox/tpl-.../2C2000M",
            "status": "READY",
            "phase": "READY"
        }
    ]
}

$ sudo cubemastercli tpl redo --template-id <id> --failed-only --wait # 重试失败模板
$ sudo cubemastercli tpl delete --template-id <id> # 删除模板

# Sandbox 
$ sudo cubemastercli ls

$ sudo cubemastercli ls -w # 详细视图（含 template_id、annotations 等）

$ sudo cubemastercli ls -q # 只输出 sandbox_id

$ sudo cubemastercli ls --filter "status=running"

$ sudo cubemastercli info -s <sandbox-id> # 查 sandbox 详情
SANDBOX_ID        2c6ca28b2feb4abfbe8fe376c2f85754
STATUS            running
HOST_ID           172.31.24.141
HOST_IP           172.31.24.141
SANDBOX_IP        192.168.0.4
TEMPLATE_ID       tpl-6f3b0a181586406db7620784
NAMESPACE         default
ANNOTATIONS       {"cube.master.appsnapshot.template.id":"tpl-..."}
LABELS            {"cube.numa_node":"1","cube.master.instance.type":"cubebox",...}
CONTAINERS        1

$ sudo cubemastercli cubebox destroy <sandbox-id>
2026/05/29 03:28:01 doDestroySandbox RequestId:28a680fe-..., code:200, message:Success, cost:510
2026/05/29 03:28:01 destroyed: 2c6ca28b2feb4abfbe8fe376c2f85754
相关推荐
Aloudata1 小时前
语义层 vs 数据中台：轻量语义架构与重型中台路线的深度对比与选型建议
大数据·数据分析·agent·指标平台·数据中台
我爱cope1 小时前
【Agent智能体10 | 反思设计模式-AI数据分析的可视化实战】
人工智能·设计模式·数据分析
FIT2CLOUD飞致云1 小时前
加强安全防护，图表与仪表板功能优化，DataEase开源BI工具v2.10.23 LTS版本发布
数据分析·开源·数据可视化·dataease·bi
yyuuuzz1 小时前
aws亚马逊云上运维常见问题梳理
运维·服务器·网络·云计算·aws
imbackneverdie15 小时前
深耕医学科研智能化十年，MedPeer打造新一代AI生物医学科研操作系统
大数据·人工智能·ai·信息可视化·数据分析·aigc·科研
小白学大数据18 小时前
Playwright 爬虫：Python 爬取 JS 渲染的 JSP 网站
开发语言·javascript·爬虫·python·数据分析
AKAMAI19 小时前
针对 Akamai Cloud 上的 NVIDIA RTX Pro 6000 Blackwell 进行基准测试
云计算·gpu
亚林瓜子20 小时前
AWS S3日志桶常用过期文件生命周期策略
云计算·生命周期·aws·s3·过期·glacier
这个DBA有点耶20 小时前
数据库管理工具+开发工具的融合：AI如何重塑DBA工作流？
开发语言·数据库·人工智能·sql·云计算·dba
热门推荐
01GitHub 镜像站点02DeepSeek V4 + Claude Code thinking mode 400 错误修复方案03【AI】2026 年具身智能模型和世界模型总结04Codex 接入 DeepSeek API 完整配置文档05【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法06裂开！ChatGPT 居然开始要手机号验证，附详细解决方法07CC-Switch & Claude 基于 Linux 服务器安装使用指南08CC-Switch 全平台下载、安装与使用全指南（Windows/macOS/Linux）09几个好用的ip纯净度检测网站10API Key 登录 Codex 也能用插件了，还支持会话删除和导出