第 10 章

第 10 章：沙箱执行 — 让 Agent 安全地运行代码

能写文件、运行 Shell、安装依赖的 Agent，已经不只是“回答问题”的模型，而是能改变运行环境的执行者。本章把这份能力放进隔离沙箱：既让 Agent 可以编程、分析数据和运行测试，也让宿主机的文件、进程和凭证留在边界之外。

本章覆盖三层不同的能力，先分清再组合：

Deep Agents Python Backend：把远程沙箱接到 create_deep_agent()，为 Agent 提供文件系统工具与 execute。
Deep Agents Code（dcode）：命令行工具在本机运行 LLM 循环，把工具调用定向到远程沙箱。
LangSmith Sandboxes：LangSmith 提供的一方托管沙箱产品，除了 Python Backend 以外，还提供快照、服务 URL、Auth Proxy、挂载和 CLI 等资源能力。

DeepAgents 代码执行全景：Agent 位于中心，通过 Sandbox Backend、文件传输、执行工具、生命周期、依赖环境与安全边界协同完成任务到产物的流程

1. 沙箱 Backend：执行环境，而不是权限开关

在 Deep Agents 中，沙箱是一种 Backend。普通 Backend（StateBackend、FilesystemBackend、StoreBackend 等）只实现文件读写；沙箱 Backend 还实现 execute()，因此 Agent 能在隔离环境里运行 Shell 命令。

能力	普通 Backend	沙箱 Backend
文件工具	`ls`、`read_file`、`write_file`、`edit_file`、`delete`、`glob`、`grep`	同样支持
Shell 执行	不提供	`execute`
环境	Backend 指向的存储	与宿主机隔离的远程执行环境
典型任务	计划、笔记、资料读写	编码、测试、数据分析、产物生成

传入沙箱 Backend 后，Deep Agents 会在每次模型调用前检查它是否实现了 SandboxBackendProtocol；只有满足该协议，模型才会看到 execute 工具。沙箱基类会把其他文件操作构造成沙箱中的脚本执行，因此提供商接入的核心通常就是可靠地实现 execute()。

不要把 FilesystemPermission 当作沙箱内的命令隔离：它约束内置文件工具，但不约束 execute。两层能力如何组合，以及 CompositeBackend 使用沙箱默认路由时为什么只能保护已知路由，见第 11 章：文件系统权限。

代码执行的主路径：用户请求经由 Agent 规划，进入代码执行沙箱，通过 execute 产出运行结果并交付文件

`execute()` 的返回值

Agent 向 execute 传入 command 字符串，得到：

合并后的标准输出与错误输出
命令退出码
输出过大时的截断提示

过大的输出不会直接塞进模型上下文，而会保存为文件，并提示 Agent 用 read_file 分段查看。这使得编译日志、测试报告和大数据输出不会挤占上下文窗口。

应用代码也可以直接调用 Backend 的 execute()，用于健康检查或在 Agent 运行前准备环境：

from deepagents.backends.langsmith import LangSmithSandbox
from langsmith.sandbox import SandboxClient

client = SandboxClient()
sandbox = client.create_sandbox(template_name="deepagents-deploy")
backend = LangSmithSandbox(sandbox=sandbox)

try:
    result = backend.execute("python --version")
    print(result.output)
finally:
    client.delete_sandbox(sandbox.name)

2. 隔离边界：保护什么，不保护什么

所有沙箱提供商都应把 Agent 的文件系统与 Shell 操作同宿主机隔离：Agent 不能读取本地文件、访问本机环境变量，或干扰其他进程。这样，rm、安装依赖、测试失败或错误脚本都被限制在远程环境内。

但这不等于 Agent 自动可信。沙箱不能单独防御两种风险：

风险	为什么仍然存在	要做什么
上下文注入	攻击者若能影响输入，仍可诱导 Agent 在沙箱内执行命令	不把秘密放进沙箱；审查高风险工具；使用 HITL
网络外传	未限制网络时，Agent 可通过 HTTP 或 DNS 把沙箱内数据发出	不需要网络时阻断；最小化可访问数据；监控出站流量

例如 Modal 支持网络阻断配置（blockNetwork: true）；其他提供商也应优先检查自己的网络控制能力。安全目标不是“沙箱内绝不会出错”，而是让错误、恶意输入和不可信产物不能越过宿主边界。

3. 快速上手：LangSmithSandbox

LangSmith 是 Deep Agents 官方文档中的一方托管示例。安装 Python SDK：

uv add "langsmith[sandbox]"
# 或 pip install "langsmith[sandbox]"

把 SandboxClient 创建的远程环境包装为 Backend，再交给 Agent：

from deepagents import create_deep_agent
from deepagents.backends import LangSmithSandbox
from langchain_anthropic import ChatAnthropic
from langsmith.sandbox import SandboxClient

client = SandboxClient()
ls_sandbox = client.create_sandbox()
backend = LangSmithSandbox(sandbox=ls_sandbox)

agent = create_deep_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    system_prompt="You are a Python coding assistant with sandbox access.",
    backend=backend,
)

try:
    result = agent.invoke({
        "messages": [{
            "role": "user",
            "content": "Create a small Python package and run pytest",
        }]
    })
    print(result["messages"][-1].content)
finally:
    # 远程资源会持续消耗配额或费用；无论成功失败都清理。
    client.delete_sandbox(ls_sandbox.name)

这里的模型和 Agent 在宿主服务一侧；只有文件工具和 execute 通过 Provider API 落到远程沙箱。这正是后文推荐的 Sandbox as tool 模式。

4. 当前 Python 沙箱集成

下表列出当前官方 Sandboxes 文档覆盖的 Python Backend 集成。它们共享 Deep Agents 的工具语义，但创建和销毁动作属于各自 Provider，不能混用。

Provider	安装包	Backend	创建方式	清理方式
LangSmith	`langsmith[sandbox]`	`LangSmithSandbox`	`SandboxClient().create_sandbox()`	`client.delete_sandbox(name)`
AgentCore	`langchain-agentcore-codeinterpreter`	`AgentCoreSandbox`	`CodeInterpreter(...).start()`	`interpreter.stop()`
Daytona	`langchain-daytona`	`DaytonaSandbox`	`Daytona().create()`	`sandbox.stop()`
E2B	`langchain-e2b`	`E2BSandbox`	`Sandbox.create()`	`sandbox.kill()`
Modal	`langchain-modal`	`ModalSandbox`	`modal.Sandbox.create(app=...)`	`sandbox.terminate()`
NVIDIA OpenShell	`langchain-nvidia-openshell`	`OpenShellSandbox`	`openshell.Sandbox(...)`	`delete_on_exit=True` 上下文清理
Runloop	`langchain-runloop`	`RunloopSandbox`	`RunloopSDK(...).devbox.create()`	`devbox.shutdown()`
Vercel	`langchain-vercel-sandbox`	`VercelSandbox`	`Sandbox.create()`	`sandbox.stop()`

以 Daytona 为例，Provider 对象先创建远程环境，包装器负责把它适配为 Deep Agents Backend：

from daytona import Daytona
from deepagents import create_deep_agent
from langchain_anthropic import ChatAnthropic
from langchain_daytona import DaytonaSandbox

sandbox = Daytona().create()
backend = DaytonaSandbox(sandbox=sandbox)

agent = create_deep_agent(
    model=ChatAnthropic(model="claude-sonnet-4-6"),
    system_prompt="You are a Python coding assistant with sandbox access.",
    backend=backend,
)

try:
    agent.invoke({"messages": [{"role": "user", "content": "Run the test suite"}]})
finally:
    sandbox.stop()

选择 Provider 时，先确认运行区域、生命周期与回收策略、网络与凭证控制、镜像或依赖管理能力；再进入各集成的官方文档完成账号和认证配置。不要只因为某个示例能运行，就假设它满足生产数据或合规要求。

5. 两种集成模式

沙箱运行的是代码；Agent 自身可以在沙箱内，也可以在宿主服务中。两种模式的差别决定了凭证、状态和部署成本的边界。

模式	Agent 在哪里	优点	代价与适用条件
Agent in sandbox	Agent 框架和工具都在沙箱内	与本地环境接近；运行时与 Agent 紧密耦合	需要构建镜像、提供 HTTP/WebSocket 通信层，API Key 会处于沙箱内；仅在 Provider 已妥善处理通信且必须复现本地运行环境时考虑
Sandbox as tool	LLM 循环、记忆和调度在宿主；执行工具调用远程沙箱	Agent 逻辑可即时迭代；密钥和 Agent 状态留在沙箱外；可并行多个沙箱；故障不丢 Agent 状态	每次工具调用有网络延迟；多数 Deep Agents 应用的首选

Agent in sandbox 的最小镜像思路如下：

FROM python:3.11
RUN pip install deepagents-code

但镜像并不解决密钥问题：如果 Agent 能读取容器环境变量，提示注入同样可能让它外传。除非你确实需要把 Agent 运行时和执行环境打包在一起，否则优先选择 Sandbox as tool。

6. 文件有两个平面

“文件在沙箱中”并不意味着 Agent 可以访问宿主机文件。需要严格区分两个平面：

调用方	API	作用
LLM / Agent	`read_file`、`write_file`、`edit_file`、`delete`、`ls`、`glob`、`grep`、`execute`	只在沙箱内部完成任务
宿主应用	`upload_files()`、`download_files()`	用 Provider 原生文件传输跨越宿主机与沙箱边界

文件的两个平面：宿主应用通过 upload_files 在运行前传入输入，并在运行后通过 download_files 取回产物；Agent 工具始终运行在代码执行沙箱内

在运行前播种输入

upload_files() 将源代码、配置或数据放进沙箱。路径使用绝对路径，内容使用 bytes：

backend.upload_files([
    ("/src/index.py", b"print('Hello')\n"),
    ("/pyproject.toml", b"[project]\nname = 'my-app'\n"),
])

这也是预置依赖描述文件、基准数据或任务模板的正确位置；不要让模型通过猜测宿主路径寻找输入。

在运行后提取产物

download_files() 用于取回生成的代码、构建产物、报告或图表。每个文件都有独立成功/失败结果，应逐项处理：

results = backend.download_files(["/src/index.py", "/output.txt"])

for result in results:
    if result.content is not None:
        print(f"{result.path}: {result.content.decode()}")
    else:
        print(f"Failed to download {result.path}: {result.error}")

传输 API 由应用控制、走 Provider 的原生传输通道，不是 Agent 运行的一条 Shell 命令。这也是输入与产物审查的天然边界。

7. 生命周期与作用域

沙箱包含文件、安装的包、缓存与可能仍在运行的进程。创建后不清理会持续消耗资源；复用时又会引入状态累积。因此先确定作用域。

两种沙箱作用域对比：Thread-scoped 以单个 thread_id 和 TTL 管理独立沙箱；Assistant-scoped 让多个对话复用同一环境，并需要快照或重置策略

作用域	行为	适用情况	风险控制
Thread-scoped（默认）	每个对话线程一个沙箱；同一 `thread_id` 的后续轮次复用	每个用户任务独立	用 `idle_ttl_seconds` 自动回收空闲环境
Assistant-scoped	同一 Assistant 的所有线程共用一个沙箱	需要跨对话保留仓库、依赖或缓存	配置 TTL，使用快照重置，或执行周期性清理

Thread-scoped：按对话复用

在图工厂中，用稳定的 sandbox name 保存 thread_id 与沙箱的对应关系：

from deepagents import create_deep_agent
from deepagents.backends.langsmith import LangSmithSandbox
from langchain_core.runnables import RunnableConfig
from langsmith.sandbox import SandboxClient

client = SandboxClient()

async def thread_agent(config: RunnableConfig):
    thread_id = config["configurable"]["thread_id"]
    sandbox_name = f"thread-{thread_id}"
    existing = [
        sb for sb in client.list_sandboxes()
        if getattr(sb, "name", None) == sandbox_name
    ]
    ls_sandbox = existing[0] if existing else client.create_sandbox(
        name=sandbox_name,
        idle_ttl_seconds=3600,
    )
    return create_deep_agent(
        model="google_genai:gemini-3.5-flash",
        backend=LangSmithSandbox(sandbox=ls_sandbox),
    )

首次对话创建沙箱；同一线程的下一轮会找到并复用它。用户离开后由 Provider 的 TTL 删除或归档环境。

Assistant-scoped：跨对话复用

若目标是长时间维护一个代码库或已安装依赖，改用 assistant_id：

from deepagents import create_deep_agent
from deepagents.backends.langsmith import LangSmithSandbox
from langchain_core.runnables import RunnableConfig
from langsmith.sandbox import SandboxClient

client = SandboxClient()

async def assistant_agent(config: RunnableConfig):
    assistant_id = config["configurable"]["assistant_id"]
    sandbox_name = f"assistant-{assistant_id}"
    existing = [
        sb for sb in client.list_sandboxes()
        if getattr(sb, "name", None) == sandbox_name
    ]
    ls_sandbox = existing[0] if existing else client.create_sandbox(
        name=sandbox_name,
    )
    return create_deep_agent(
        model="google_genai:gemini-3.5-flash",
        backend=LangSmithSandbox(sandbox=ls_sandbox),
    )

此模式会保留文件、包和克隆的仓库，也因此不能放任增长：为 Provider 设置 TTL，定期从快照重建，或主动清理磁盘和内存。

8. Deep Agents Code：把工具调用指向远程沙箱

Deep Agents Code（dcode）使用 Sandbox as tool：dcode 进程在本机运行 LLM 循环、记忆与工具调度，但 read_file、write_file、execute 等工具实际操作远程沙箱，而不是本地文件系统。

内置、第三方与配置提供商

不要把它和上一节的 Python Backend 列表混为一谈：

来源	Deep Agents Code 当前路径
内置 Provider	`langsmith`、`agentcore`、`daytona`、`modal`、`runloop`、`vercel`
第三方 Provider	已安装包通过 Python entry point 发布；例如 `langchain-e2b` 提供 `e2b`
配置 Provider	`~/.deepagents/config.toml` 下的 `[sandboxes.providers]` 声明

同名 Provider 的优先级为：配置声明 > 第三方 entry point > 内置 Provider。这意味着应用内配置可以覆盖默认集成；同时也意味着 class_path 会导入并运行本地 Python，必须只指向受信任模块。

安装单个扩展或一次安装全部扩展：

dcode --install daytona
dcode --install all-sandboxes

# E2B 是第三方包路径，而不是 dcode 的内置 Provider。
dcode --install langchain-e2b --package
dcode --sandbox e2b

关键 CLI 参数

参数	含义
`--sandbox TYPE`	选择 Provider；省略值时使用配置中的 `[sandboxes].default`
`--sandbox-id ID`	重新连接已有沙箱，跳过创建和清理；只有 Provider 支持重连时可用
`--sandbox-snapshot-name NAME`	使用或创建快照；LangSmith、Runloop 和声明支持快照的第三方 Provider 可用；不能与 `--sandbox-id` 同时使用
`--sandbox-setup PATH`	创建后在沙箱内运行设置脚本

示例：

# 新建 LangSmith 沙箱
dcode --sandbox langsmith

# 重连 Runloop devbox：不会自动创建或清理
dcode --sandbox runloop --sandbox-id dbx_abc123

# 创建后运行设置脚本
dcode --sandbox modal --sandbox-setup ./setup.sh

# 使用 config.toml 中的默认 Provider；裸 --sandbox 必须放在命令最后
dcode --sandbox

--sandbox 的值是可选的；若把裸参数放在中间，后续参数可能被误解析为 Provider 名。因此要么显式写名称，要么把裸 --sandbox 放在命令行末尾。

默认工作目录

设置脚本与 execute 默认在各 Provider 的工作目录中运行；需要相对路径时尤其要注意：

Provider	默认工作目录
LangSmith	`/root`
AgentCore	`/tmp`
Daytona	`/home/daytona`
Modal	`/workspace`
Runloop	`/home/user`
Vercel	`/vercel/sandbox`

设置脚本的边界

--sandbox-setup 适合克隆受信任仓库、安装依赖或准备非敏感环境。Deep Agents Code 会用本地环境变量展开脚本中的 ${VAR}；这不是把秘密“安全地传给沙箱”的机制。若脚本把 Token 写入沙箱，提示注入的 Agent 就可能读取并外传它。

因此只对受信任脚本使用此功能；秘密应优先留在宿主工具中。如果确实必须注入短时凭证，结合完整工具审批、网络限制、最小权限和出站监控，并承认这仍是不安全的权宜之计。

9. LangSmith 托管沙箱：不止是一个 Backend

LangSmith Sandboxes 是托管产品。当前文档列出 GCP US、GCP EU、GCP APAC 和 AWS US 环境为 Generally Available。它既可以单独运行代码，也可通过 LangSmithSandbox 接入 Deep Agents。

独立 SDK 使用

Python 直接使用上下文管理器，会在退出时自动清理：

from langsmith.sandbox import SandboxClient

client = SandboxClient()

with client.sandbox() as sandbox:
    result = sandbox.run("python -c 'print(2 + 2)'")
    print(result.stdout)

TypeScript SDK 也可以直接创建、运行和删除：

import { SandboxClient } from "langsmith/sandbox";

const client = new SandboxClient();
const sandbox = await client.createSandbox();
const result = await sandbox.run("node -e 'console.log(2 + 2)'");
console.log(result.stdout);
await sandbox.delete();

托管资源能力

能力	用途
Snapshots	从 Docker 镜像构建文件系统映像，或捕获运行中的沙箱并从快照启动
Service URLs	通过认证 URL 访问沙箱内运行的 HTTP 服务
Auth Proxy	为出站 API 请求注入凭证，避免把凭证硬编码进沙箱
Mounts	将 S3、GCS 或公开 Git 仓库挂载到沙箱文件系统
Permissions	控制工作区成员创建后能否与沙箱交互
Sandbox CLI	创建/管理沙箱、打开交互式控制台、构建快照和隧道 TCP 端口
Python / TypeScript SDK	以代码方式创建、运行、管理沙箱
Harbor	在沙箱上运行 Harbor 评估与 rollout

Auth Proxy 是“沙箱需要访问已认证服务”时比复制 API Key 更好的选择：沙箱向代理发普通请求，代理在转发前添加认证头，Agent 本身看不到秘密。它仍应配合网络策略和最小权限，而不能取代输入安全。

10. 扩展：自定义 Backend 与自定义 dcode Provider

这两个扩展点解决不同问题：

需求	应该扩展什么
在 Python Agent 中接入新的执行环境	实现 `SandboxBackendProtocol`
让用户可以运行 `dcode --sandbox acme`	实现并注册 `SandboxProvider`

Python Agent：实现 SandboxBackendProtocol

普通 BackendProtocol 覆盖 ls、read、write、edit、glob、grep，可选 delete；要获得 execute，实现扩展后的 SandboxBackendProtocol。沙箱基类会在 execute() 上构建文件系统工具。

v0.7 的工具语义在沙箱内同样成立：write_file 可以完整覆盖已有文件，grep、glob 可能返回带 truncated=True 的部分结果。沙箱限制的是副作用范围，不会把部分搜索结果自动变成全集；消费工具结果的 Agent 和宿主应用仍要检查分页与截断信息。

实现规则：

execute() 运行 Shell 命令并返回结构化结果
失败时在结果的 error 字段报告，不要抛出异常
未实现 delete 时，模型会自动看不到删除工具
文件权限可在 Backend 调用之前应用于内置文件工具；这与第 9 章的 HITL / 权限策略可以组合

这使自定义 Provider 的重点集中在远程执行协议、命令输出和错误映射，而不必重新实现每一个文件工具。

Deep Agents Code：发布 SandboxProvider

若要发布 dcode Provider，继承 SandboxProvider，提供元数据、get_or_create() 和 delete()，然后在包的 pyproject.toml 中注册 deepagents_code.sandbox_providers entry point。最小元数据需表明 Provider 名、默认工作目录、安装提示，以及是否支持 sandbox ID 和 snapshot name。

对于不想打包的内部 Provider，可在 ~/.deepagents/config.toml 中的 [sandboxes.providers.<name>] 声明 class_path、working_dir、package、能力标记和传给 get_or_create() 的参数。这个配置能覆盖内置 Provider，但因为会导入任意 Python，配置文件本身必须受本机信任边界保护。

11. 可观测性与安全闭环

观测沙箱执行

LangSmith traces 可以展示 Agent 在沙箱中运行了哪些 Shell 命令、如何调用文件工具。排查“为什么 Agent 改了文件”“命令为何失败”时，应先看 trace，而不是从最终回复猜测执行过程。LangSmith Engine 可以持续监控 trace、检测问题并提出修复建议。

凭证：永远优先留在沙箱外

推荐顺序如下：

宿主侧认证工具（首选）：把认证逻辑和秘密保留在应用服务；Agent 调用工具名，但看不到凭证。
Auth Proxy / 凭证注入代理：沙箱发普通请求，代理在转发时添加认证头；只在 Provider 支持时使用。
把凭证注入沙箱（不推荐）：环境变量、挂载文件和 Provider secrets 选项都可能被上下文注入攻击读取并外传。

如果业务暂时无法避免第三种做法，官方建议同时做到：

为所有工具调用启用 Human-in-the-Loop，而不只是敏感工具
阻断或限制沙箱网络
使用最小作用域、最短生命周期的凭证
监控异常出站网络流量

即使如此，创造性的提示注入仍可能绕过输出过滤和审批，所以这只能是临时风险缓解，不是安全保证。

产物：默认不可信

最后一层边界在宿主应用：

在使用沙箱输出前审查代码、报告、构建物和下载文件
不需要联网时关闭网络
用 Middleware 过滤或脱敏工具输出中的敏感模式
将沙箱生产的一切都当作不可信输入，而不是可直接执行或发布的结果

沙箱、宿主侧凭证、网络控制、HITL、观测和产物审查共同组成安全闭环；任何单独一层都不足以让 Agent 的副作用自动安全。

本章小结

沙箱 Backend 为 Deep Agents 增加隔离文件系统与 execute，并通过 SandboxBackendProtocol 决定模型能否使用 Shell
选择 Python Provider 时要按创建、清理、网络与生命周期语义逐一核对；不要混用 Provider API
upload_files() / download_files() 由宿主应用控制，和 Agent 的沙箱内文件工具属于两个平面
Thread-scoped 与 Assistant-scoped 复用分别解决任务隔离与环境连续性，TTL、快照和清理策略不可省略
dcode 的远程沙箱模式有独立的内置 Provider、第三方发现、配置覆盖和 CLI 参数语义
LangSmith 托管沙箱还提供快照、服务 URL、Auth Proxy、挂载、权限、CLI、SDK 与 Harbor
永远不要把长期凭证放进沙箱；沙箱输出默认不可信，提示注入和网络外传必须在体系设计中处理

第 10 章：沙箱执行 — 让 Agent 安全地运行代码

第 10 章：沙箱执行 — 让 Agent 安全地运行代码

1. 沙箱 Backend：执行环境，而不是权限开关

`execute()` 的返回值

2. 隔离边界：保护什么，不保护什么

3. 快速上手：LangSmithSandbox

4. 当前 Python 沙箱集成

5. 两种集成模式

6. 文件有两个平面

在运行前播种输入

在运行后提取产物

7. 生命周期与作用域

Thread-scoped：按对话复用

Assistant-scoped：跨对话复用

8. Deep Agents Code：把工具调用指向远程沙箱

内置、第三方与配置提供商

关键 CLI 参数

默认工作目录

设置脚本的边界

9. LangSmith 托管沙箱：不止是一个 Backend

独立 SDK 使用

托管资源能力

10. 扩展：自定义 Backend 与自定义 dcode Provider

Python Agent：实现 SandboxBackendProtocol

Deep Agents Code：发布 SandboxProvider

11. 可观测性与安全闭环

观测沙箱执行

凭证：永远优先留在沙箱外

产物：默认不可信

本章小结

官方参考

📑 Deep Agents 实战：从零构建生产级 AI Agent

第 10 章：沙箱执行 — 让 Agent 安全地运行代码

第 10 章：沙箱执行 — 让 Agent 安全地运行代码

1. 沙箱 Backend：执行环境，而不是权限开关

execute() 的返回值

2. 隔离边界：保护什么，不保护什么

3. 快速上手：LangSmithSandbox

4. 当前 Python 沙箱集成

5. 两种集成模式

6. 文件有两个平面

在运行前播种输入

在运行后提取产物

7. 生命周期与作用域

Thread-scoped：按对话复用

Assistant-scoped：跨对话复用

8. Deep Agents Code：把工具调用指向远程沙箱

内置、第三方与配置提供商

关键 CLI 参数

默认工作目录

设置脚本的边界

9. LangSmith 托管沙箱：不止是一个 Backend

独立 SDK 使用

托管资源能力

10. 扩展：自定义 Backend 与自定义 dcode Provider

Python Agent：实现 SandboxBackendProtocol

Deep Agents Code：发布 SandboxProvider

11. 可观测性与安全闭环

观测沙箱执行

凭证：永远优先留在沙箱外

产物：默认不可信

本章小结

官方参考

📑 Deep Agents 实战：从零构建生产级 AI Agent

`execute()` 的返回值