E2B：为 AI 智能体打造的云端代码沙箱基础设施

E2B：为AI智能体打造的轻量级代码执行沙箱

E2B 解决了一个具体问题：让 AI 智能体（Agent）能以每秒级速度启动一个隔离的、可编程的云端环境，并安全地执行任意代码、读写文件、运行命令，用完就销毁。它省掉了自己维护 Kubernetes + 容器安全策略 + 资源调度的负担，把“给 Agent 一个临时电脑”变成了一次 API 调用。

GitHub 数据

项目背景

E2B 团队最初在做 AI 编程助手和代码解释器时发现：每次让模型运行代码都像在冒险。直接调本地 subprocess 不可控，扔给 Docker 容器启动太重（数百毫秒到数秒），而常见的“代码解释器”只支持纯 Python 且无法装自定义依赖。Agent 需要的不只是“跑一段代码”，而是一个真正可控的执行环境——能跑 Shell、能安装软件、有持久化文件系统，又能安全回收。

于是他们开发了 E2B：一个专门面向 LLM Agent 的云端沙箱基础设施。通过将执行环境作为一等公民预置在远端，模型通过 SDK 即可立即获得一个完整、隔离、可交互的 Linux 环境。

核心功能解析

瞬时启动的沙箱实例

每个沙箱是一个微型虚拟机（基于 Firecracker），带独立内核网络。最关键的是预置镜像与持久化加密磁盘，使秒级启动成为可能。

# 启动一个沙箱（默认 Python + Node 环境）
from e2b_code_interpreter import Sandbox

sandbox = Sandbox(timeout=300)   # 5 分钟无活动自动销毁
print(sandbox.info.id)           # 直接获得可用的沙箱 ID

代码与命令执行

支持异步流式返回 stdout/stderr，也可以直接执行 Shell。这比普通 API 返回最终结果的方式更适合生成式 Agent 的逐步推理。

# 在沙箱里跑 bash
exec = sandbox.run_code("""
import subprocess
result = subprocess.run(["pip", "install", "numpy"], capture_output=True, text=True)
print(result.stdout)
""")
print(exec.stdout) # 实时看到安装日志

文件系统与生命周期管理

可以上传/下载文件，或者通过 filesystem API 在沙箱内操作文件。会话状态可持久化，下次创建时恢复现场。

sandbox.filesystem.write("/tmp/data.json", '{"key": "value"}')
content = sandbox.filesystem.read("/tmp/data.json")

# 保存当前快照
# snapshot_id = sandbox.snapshot()  # 下次可用该快照恢复状态

快速上手

先注册获取 API Key（匿名试用用 E2B_API_KEY），然后安装官方 SDK：

# 安装 SDK
pip install e2b_code_interpreter

# 环境变量
export E2B_API_KEY="你的key"

# 最小示例
from e2b_code_interpreter import Sandbox

sb = Sandbox()
result = sb.run_code("print('hello from agent sandbox')")
print(result.stdout)   # hello from agent sandbox
sb.close()

也可以快速尝试 CLI（需要安装 Node）：

npx e2b sandbox spawn --template typescript

技术亮点

架构上最大胆的取舍是“基于微虚拟机而非容器”。E2B 没有选择 Docker/containerd，而是基于 Firecracker 实现每个实例独立 VM。这带来了三个直接收益：

1. 安全边界硬：Agent 可能执行任意恶意代码，VM 从内核层面隔离，攻击面远小于共享容器的 user-space 隔离。即使逃逸也只是落到一个临时 VM 中。
2. 细粒度资源控制：每个沙箱有独立 CPU/内存配额，不会出现“某个疯狂 Agent 把宿主机 CPU 占满”的列车事故。配额在启动时直接指定。
3. 快速冷启：Firecracker 的启动开销极低（通常 100-200ms），配合为 Agent 场景预绘制的根文件系统与内存页面缓存，实际端到端启动能维持在 200-500ms 内，远快于传统 KVM 或 Docker 通常更重的初始类型下。

另一个设计取舍是 执行会话采用“长连接”模型：SDK 会维持一个 WebSocket 连接，将代码提交、文件读写、进程内信号转发都封装为同一协议。这样 Agent 可以通过一次步骤向同一个沙箱发多条指令，保持环境上下文，避免每次都重新初始化依赖。这种有状态沙箱与 LLM 多轮推理是天然搭配。

E2B 还引入了“一次性沙箱”和“持久沙箱”的语义分离。前者适合纯无状态代码执行，后者用于需要跨多轮交互保留工作目录状态的任务。你在代码中只需改动一个参数，底层由宿主机调度器优化资源复用。

此外，它把沙箱控制平面单独做成 Go 服务，SDK 只负责连接与消息序列化。这使服务端升级不破坏客户端兼容，也让官方 SDK（Python/JS/Go）可统一复用同一套协议。

同类对比

总结

一句话：如果你正在构建一个需要自主执行代码的 AI Agent——比如编程助手、数据分析机器人、自动化测试 Agent，并且你不想重复造轮子来解决“在隔离环境中安全跑代码”这个脏活，那 E2B 值得直接接上。它目前虽处于快速迭代阶段，但架构方向清晰，文档可读性好，完全可以在生产项目里认真考虑。