Codeausführung

Viele KI-Agentenaufgaben wie Finanzberechnungen und Data-Science-Workflows erfordern, dass ein KI-Agent Code generiert und ausführt. Mit der Codeausführung kann Ihr KI-Agent Code in einer sicheren, isolierten und verwalteten Sandbox-Umgebung ausführen.

Zu den Funktionen der Codeausführung gehören:

  • Sandboxes können in weniger als einer Sekunde erstellt und Code darin ausgeführt werden.

  • Sandboxes unterstützen die Datei-Ein- und -Ausgabe von bis zu 100 MB für die gesamte Anfrage oder Antwort.

  • Sandboxes behalten ihren Ausführungsstatus (Speicher) bis zu 14 Tage lang bei. Diese Gültigkeitsdauer (Time to Live, TTL) kann konfiguriert werden.

Sie müssen Ihren KI-Agenten nicht in der Agent Platform bereitstellen, um die Codeausführung zu verwenden. Ihr KI-Agent kann überall ausgeführt werden, auch lokal.

Die Codeausführung funktioniert mit jedem KI-Agenten-Framework und jedem generativen Modell.

Hier sind die wichtigsten Vorgänge für die Arbeit mit einer Codeausführungs-Sandbox:

  • Sandbox erstellen: Erstellt einen sicheren, isolierten Bereich, in dem nicht vertrauenswürdiger oder potenziell schädlicher Code ausgeführt werden kann. Durch diese Isolation werden Sicherheitsrisiken verringert, da der Code nicht auf die Ressourcen, Dateien oder das Netzwerk Ihres Systems zugreifen kann. Eine Sandbox ist unerlässlich, wenn Sie Code sicher ausführen müssen, z. B. für Data-Science-KI-Agenten, Orchestrierungsskripts oder während Entwicklungstests. Die Sandbox bietet ein eingeschränktes Dateisystem und keinen Netzwerkzugriff.

  • Sandbox abrufen: Zeigt die Konfiguration und den Status einer bestimmten Codeausführungs-Sandbox an. Sie können Details wie den aktuellen Zustand (z. B. „Wird ausgeführt“ oder „Beendet“) und die Gültigkeitsdauer (TTL) prüfen. So können Sie Ihre Sandboxes im Blick behalten und ihren Status vor oder nach der Ausführung von Code überprüfen.

  • Sandboxes auflisten: Listet alle Codeausführungs-Sandboxes in Ihrem Projekt auf. Sie können die Ergebnisse nach Kriterien wie Sandbox-Status oder -Typ filtern. So können Sie viele Sandboxes in Ihrem Projekt prüfen, überwachen und verwalten.

  • Code ausführen: Sendet Ihren Code zusammen mit allen erforderlichen Eingabedateien zur sicheren Ausführung an die Sandbox. Die Antwort enthält die Ergebnisse, z. B. die Standardausgabe (stdout), die Standardfehlerausgabe (stderr) und alle vom Code generierten Dateien. Die Sandbox kann auch einen Status beibehalten, sodass nachfolgende Execute Code Aufrufe auf vorherigen Aufrufen aufbauen können. Dies ist entscheidend für interaktive Sitzungen oder komplexe Aufgaben, bei denen der Status in der Umgebung über mehrere Codeausführungen hinweg beibehalten werden muss.

Unterstützte Bibliotheken

Die Codeausführungs-Sandbox enthält die folgenden Bibliotheken, kategorisiert nach Anwendungsfall. Sie können keine eigenen Bibliotheken in der Sandbox-Umgebung installieren.

Data Science und maschinelles Lernen

Dieser Abschnitt enthält Bibliotheken, die für die Datenanalyse, ‑bearbeitung, das maschinelle Lernen und numerische Berechnungen unerlässlich sind.

Kernfunktionen für die Datenverarbeitung und Numerik

  • numpy (2.1.3): Fundamentales Paket für numerische Berechnungen in Python, das Unterstützung für große, mehrdimensionale Arrays und Matrizen sowie eine große Sammlung mathematischer Funktionen auf hoher Ebene für die Arbeit mit diesen Arrays bietet.
  • pandas (2.2.3): Leistungsstarke Bibliothek für die Datenanalyse und ‑bearbeitung, die Datenstrukturen wie DataFrames und Serien für die Verarbeitung strukturierter Daten bietet.
  • scipy (1.15.2): Ökosystem von Open-Source-Software für Mathematik, Naturwissenschaften und Ingenieurwesen. Es basiert auf NumPy und bietet eine große Anzahl nutzerfreundlicher und effizienter numerischer Routinen.
  • pyarrow (18.1.0): Plattformübergreifende Entwicklungsumgebung für In-Memory-Daten. Sie ist besonders nützlich für die effiziente Datenverarbeitung und Interoperabilität zwischen Systemen.
  • numexpr (2.14.1): Schnelle numerische Ausdrucksauswertung für NumPy, die Array-Operationen optimiert.
  • narwhals (2.19.0): Bietet eine Möglichkeit, Code zu schreiben, der mit mehreren DataFrame-Bibliotheken (z. B. pandas und Polars) funktioniert.

Frameworks für maschinelles Lernen

  • scikit-learn (1.6.1): Einfache und effiziente Tools für Data Mining und Datenanalyse, die auf NumPy, SciPy und matplotlib basieren.
  • tensorflow (2.20.0): Eine durchgängige Open-Source-Plattform für maschinelles Lernen.
  • keras (3.14.0): API für neuronale Netze auf hoher Ebene, die in Python geschrieben wurde und auf TensorFlow, CNTK oder Theano ausgeführt werden kann.
  • xgboost (3.2.0): Optimierte, verteilte Gradient-Boost-Bibliothek, die hocheffizient, flexibel und portierbar ist.
  • thinc (8.3.13): Eine einfache Deep-Learning-Bibliothek, die eine elegante, typgeprüfte, funktionale Programmier-API zum Erstellen von Modellen bietet.

Natural Language Processing (NLP)

  • nltk (3.9.1): Führende Plattform zum Erstellen von Python-Programmen für die Arbeit mit Daten in natürlicher Sprache.
  • spacy (3.8.14): Bibliothek für erweitertes Natural Language Processing in Python und Cython.
  • spacy-legacy (3.0.12): Legacy-Komponenten für spaCy.
  • spacy-loggers (1.0.5): Logging-Dienstprogramme für spaCy-Projekte.
  • textblob (0.19.0): Vereinfachte Bibliothek für die Textverarbeitung, die eine einfache API für gängige NLP-Aufgaben bietet.
  • catalogue (2.0.10): Kleine Bibliothek für Funktionsregistrierungen, die häufig in NLP-Pipelines verwendet wird.
  • confection (1.3.3): Konfigurationssystem, das häufig mit spaCy verwendet wird.
  • cymem (2.0.13): Speicherverwaltung für Cython, die von spaCy verwendet wird.
  • murmurhash (1.0.15): Cython-Bindungen für MurmurHash, die von spaCy verwendet werden.
  • preshed (3.0.13): Cython-Hashtabellen und Bloom-Filter, die von spaCy verwendet werden.
  • srsly (2.5.3): Moderne, leistungsstarke Serialisierungsdienstprogramme für Python.
  • wasabi (1.1.3): Einfache Dienstprogramme für die Konsolenausgabe und ‑formatierung.
  • weasel (1.0.0): Befehlszeile für spaCy-Projekte.

Wissenschaftliches und symbolisches Computing

  • mpmath (1.3.0): Python-Bibliothek für die Gleitkommaarithmetik mit reellen und komplexen Zahlen mit beliebiger Genauigkeit.
  • sympy (1.13.3): Python-Bibliothek für symbolische Mathematik.
  • networkx (3.6.1): Paket für die Erstellung, Bearbeitung und Untersuchung der Struktur, Dynamik und Funktionen komplexer Netzwerke.

Leistung und Optimierung

  • numba (0.64.0): Just-in-time-Compiler für Python, der eine Teilmenge von Python- und NumPy-Code in schnellen Maschinencode übersetzt.
  • llvmlite (0.46.0): Einfache LLVM-Python-Bindungen für die Verwendung mit Numba.
  • blis (1.3.3): BLAS-ähnliche Bibliothek für lineare Algebra, oft eine Abhängigkeit für numerische Pakete.
  • opt_einsum (3.4.0): Optimiert Einsum-Ausdrücke in NumPy, TensorFlow und anderen Array-Bibliotheken.
  • optree (0.19.0): Optimierte PyTree-Bearbeitung in JAX.
  • nvidia-nccl-cu12 (2.29.7): NVIDIA Collective Communication Library für die Kommunikation mit mehreren GPUs.

Statistische Modellierung

  • statsmodels (0.14.6): Bietet Klassen und Funktionen für die Schätzung vieler verschiedener statistischer Modelle sowie für die Durchführung statistischer Tests und die statistische Datenexploration.
  • patsy (1.0.2): Eine Python-Bibliothek zum Beschreiben statistischer Modelle und zum Erstellen von Designmatrizen.

Operations Research

  • ortools (9.14.6206): Google Optimization Tools, eine Suite von Tools für die kombinatorische Optimierung.

Visualisierung

Bibliotheken zum Erstellen statischer, animierter und interaktiver Visualisierungen.

  • matplotlib (3.10.1): Umfassende Bibliothek zum Erstellen statischer, animierter und interaktiver Visualisierungen in Python.
  • matplotlib-inline (0.2.1): Backend zum Einbetten von Matplotlib-Diagrammen in Jupyter-Notebooks.
  • matplotlib-venn (1.1.2): Bibliothek zum Zeichnen von Venn-Diagrammen.
  • seaborn (0.13.2): Bibliothek für die statistische Datenvisualisierung, die auf matplotlib basiert. Sie bietet eine Schnittstelle auf hoher Ebene zum Erstellen ansprechender und informativer statistischer Grafiken.
  • plotly (6.1.2): Bibliothek für interaktive Grafiken, mit der Sie ganz einfach ansprechende Grafiken in Veröffentlichungsqualität online und offline erstellen können.
  • bokeh (3.8.2): Bibliothek für interaktive Visualisierungen, die für die Präsentation in modernen Webbrowsern entwickelt wurde.
  • mizani (0.13.5): Skalen für Python-Grafiken, inspiriert von ggplot2.
  • contourpy (1.3.1): Bietet Algorithmen zur Erstellung von Konturlinien.
  • cycler (0.12.1): Zusammensetzbare Stilzyklen für matplotlib.
  • fonttools (4.62.1): Bibliothek zum Bearbeiten von Schriftarten.
  • kiwisolver (1.5.0): Effiziente C++-Implementierung des Cassowary-Algorithmus zur Lösung von Einschränkungen.

Bild- und Videoverarbeitung

Bibliotheken für die Arbeit mit Bild- und Videodaten.

  • opencv-python (4.11.0.86): Python-Bindungen für OpenCV, eine Bibliothek mit Programmierfunktionen, die hauptsächlich auf die Echtzeit-Bildverarbeitung ausgerichtet sind.
  • pillow (11.1.0): Freundlicher Fork der Python Imaging Library (PIL), der Unterstützung für das Öffnen, Bearbeiten und Speichern vieler verschiedener Bilddateiformate bietet.
  • imageio (2.37.0): Bibliothek zum Lesen und Schreiben einer Vielzahl von Bilddaten, einschließlich animierter Bilder, Videos und volumetrischer Daten.
  • scikit-image (0.25.2): Sammlung von Algorithmen für die Bildverarbeitung.
  • tifffile (2026.4.11): TIFF-Dateien lesen und schreiben.

Dateiverarbeitung und E/A

Bibliotheken zum Lesen, Schreiben und Bearbeiten verschiedener Dateiformate.

Excel

  • openpyxl (3.1.5): Bibliothek zum Lesen und Schreiben von Excel 2010-Dateien im XLSX-, XLSM-, XLTX- und XLTM-Format.
  • xlrd (2.0.1): Bibliothek für Entwickler zum Extrahieren von Daten aus Microsoft Excel-Tabellendateien.
  • XlsxWriter (3.2.0): Modul zum Erstellen von Excel-Dateien im XLSX-Format.

PDF

  • PyPDF2 (3.0.1): Reine Python-PDF-Bibliothek, mit der die Seiten von PDF-Dateien aufgeteilt, zusammengeführt, zugeschnitten und transformiert werden können.
  • fpdf (1.7.2): Einfache Bibliothek zum Erstellen von PDFs.
  • reportlab (4.3.1): Leistungsstarke Bibliothek zum Erstellen von PDFs.
  • PyLaTeX (1.4.2): Bibliothek zum Erstellen und Kompilieren von LaTeX-Dateien.

Microsoft Word

  • python-docx (1.1.2): Bibliothek zum Erstellen und Aktualisieren von Microsoft Word-Dateien (.docx).

PowerPoint

  • python-pptx (1.0.2): Bibliothek zum Erstellen und Aktualisieren von PowerPoint-Dateien (.pptx).

XML/HTML

  • lxml (5.3.1): Funktionsreiche und einfach zu verwendende Bibliothek zum Verarbeiten von XML und HTML.
  • et_xmlfile (2.0.0): Bibliothek mit geringem Speicherbedarf zum Erstellen großer XML-Dateien.

Markdown

  • Markdown (3.10.2): Python-Implementierung von John Grubers Markdown.
  • markdown-it-py (4.0.0): Markdown-Parser, der richtig funktioniert. 100% CommonMark-Unterstützung.
  • mdurl (0.1.2): URL-Dienstprogramme für Markdown.

YAML

  • PyYAML (6.0.3): YAML-Parser und -Emitter für Python.

RTF

  • striprtf (0.0.28): Bibliothek zum Extrahieren von Nur-Text aus RTF-Dokumenten.

Allgemeine Datei-E/A

  • h5py (3.16.0): Python-Schnittstelle zum binären HDF5-Datenformat.
  • smart_open (7.6.0): Dienstprogramme für das Streaming großer Dateien (S3, HDFS, GCS usw.).
  • cloudpathlib (0.23.0): Klassen im Pathlib-Stil für Cloud Storage.

Web und Netzwerk

Bibliotheken für Webanfragen, Serverentwicklung und Netzwerkkommunikation.

  • requests (2.33.1): Elegante und einfache HTTP-Bibliothek für Python, die für Menschen entwickelt wurde.
  • httpx (0.28.1): Vollständiger HTTP-Client für Python mit Unterstützung für HTTP/1.1 und HTTP/2 sowie asynchronen Funktionen.
  • httpcore (1.0.9): HTTP-Client auf niedriger Ebene, der den Kern von HTTPX bildet.
  • urllib3 (2.6.3): Leistungsstarker, nutzerfreundlicher HTTP-Client für Python.
  • grpcio (1.80.0): Python-gRPC-Bibliothek (Google Remote-Prozeduraufruf).
  • h11 (0.16.0): Reine Python-Implementierung von HTTP/1.1 mit eigener E/A.
  • idna (3.11): Unterstützung für internationalisierte Domainnamen in Anwendungen (IDNA) 2008.
  • certifi (2026.2.25): Bietet Mozillas sorgfältig zusammengestellte Sammlung von Root-Zertifikaten zur Validierung der Vertrauenswürdigkeit von SSL-Zertifikaten.
  • tornado (6.5.5): Web-Framework und Bibliothek für asynchrone Netzwerke.
  • Werkzeug (3.1.8): Umfassende WSGI-Bibliothek für Webanwendungen.
  • Jinja2 (3.1.6): Moderne und entwicklerfreundliche Vorlagensprache für Python.
  • MarkupSafe (3.0.3): Nicht vertrauenswürdige Strings sicher zu HTML/XML-Markup hinzufügen.

Entwicklungstools und ‑dienstprogramme

Allgemeine Dienstprogramme, Tools zum Erstellen von Anwendungen und Entwicklungshilfen.

Verpackung und Vertrieb

  • pip (24.2): Das Paketinstallationsprogramm für Python.
  • setuptools (82.0.1): Bibliothek zum Verpacken von Python-Projekten.
  • wheel (0.46.3): Format für erstellte Pakete für Python.
  • packaging (24.0): Kerndienstprogramme für Python-Pakete.

Befehlszeilen

  • click (8.3.2): Toolkit zum Erstellen von zusammensetzbaren Befehlszeilen.
  • typer (0.24.1): Bibliothek zum Erstellen von Befehlszeilenanwendungen mit Typ-Hinweisen.
  • rich (15.0.0): Bibliothek für Rich Text und ansprechende Formatierung im Terminal.
  • termcolor (3.3.0): ANSII-Farbformatierung für die Ausgabe im Terminal.
  • tqdm (4.67.3): Schneller, erweiterbarer Fortschrittsbalken für Python und die Befehlszeile.
  • shellingham (1.5.4): Tool zum Erkennen der Shell eines Nutzers.

Datenvalidierung und Schemas

  • pydantic (2.13.1): Datenvalidierung und Einstellungenverwaltung mit Python-Typ-Annotationen.
  • pydantic_core (2.46.1): Kernvalidierungslogik für Pydantic.
  • annotated-types (0.7.0): Wiederverwendbare Einschränkungstypen für Funktionsargumente, Variablen und Dataclass-Felder.
  • jsonschema (4.23.0): Implementierung von JSON Schema für Python.
  • jsonschema-specifications (2024.10.1): Die JSON Schema-Metaschemas und ‑Vokabulare.
  • referencing (0.37.0): Auflösung von JSON-Referenzen.

Serialisierung

  • protobuf (6.31.1): Protocol Buffers von Google.
  • flatbuffers (25.12.19): Effiziente plattformübergreifende Serialisierungsbibliothek.

Gleichzeitigkeit und Parallelität

  • anyio (4.13.0): Asynchrone Kompatibilitätsebene, mit der Sie asynchronen Code schreiben können, der mit verschiedenen asynchronen Ereignisschleifen funktioniert.
  • joblib (1.4.2): Einfache Pipelines: Tools zum Ausführen von Python-Funktionen als Pipeline.
  • threadpoolctl (3.6.0): Python-Schnittstelle zum Steuern der Anzahl der Threads, die in Threadpools gängiger Bibliotheken verwendet werden.

Parsen

  • pyparsing (3.2.1): Alternative Methode zum Erstellen und Ausführen einfacher Grammatiken im Vergleich zum Standardansatz mit Lex und Yacc.
  • astunparse (1.6.3): Unparser für abstrakte Syntaxbäume von Python.

Schnittstelle für Funktionen auf niedriger Ebene und Fremdfunktionen (FFI)

  • libclang (18.1.1): Clang-Python-Bindungen.

Datum und Uhrzeit

  • python-dateutil (2.9.0.post0): Erweiterungen des Standardmoduls „datetime“.
  • pytz (2025.2): Definitionen von Zeitzonen weltweit, modern und historisch.
  • tzdata (2025.3): Zeitzonendaten.

Allgemeine Dienstprogramme

  • attrs (25.3.0): Klassen ohne Boilerplate-Code.
  • toolz (1.0.0): Funktionale Standardbibliothek für Python.
  • six (1.17.0): Dienstprogramme für die Kompatibilität mit Python 2 und 3.
  • wrapt (2.1.2): Modul für Dekoratoren, Wrapper und Monkey Patching.
  • immutabledict (4.3.1): Unveränderliches Dictionary.
  • ordered-set (4.1.0): Veränderliche Datenstruktur, die eine Mischung aus Liste und Menge ist.
  • lazy-loader (0.5): Python-Module verzögert importieren.
  • google-pasta (0.2.0): Bibliothek zum Refaktorieren von Python-Code.
  • traitlets (5.14.3): Konfigurationssystem für Python-Anwendungen.
  • regex (2026.4.4): Alternatives Modul für reguläre Ausdrücke, das das Modul re von Python ersetzt.
  • chardet (7.4.3): Universeller Detektor für die Zeichencodierung.
  • charset-normalizer (3.4.7): Der erste universelle Detektor für Zeichensätze.
  • typing_extensions (4.15.0): Backportierte und experimentelle Typ-Hinweise für Python 3.7 und höher.
  • typing-inspection (0.4.2): Laufzeitprüfung von Typen in Python.
  • Pygments (2.20.0): Python-Syntax-Highlighter.
  • ml_dtypes (0.5.4): Datentypen für maschinelles Lernen.
  • rpds-py (0.30.0): Persistente Rust-Datenstrukturen für Python.
  • annotated-doc (0.0.4): Bibliothek für die Dokumentannotation.
  • namex (0.1.0): Dienstprogrammbibliothek.

Debugging und Profilerstellung

  • tensorboard (2.20.0): Visualisierungstoolkit von TensorFlow.
  • tensorboard-data-server (0.7.2): Datenserver für TensorBoard.

Geodaten

Bibliotheken, die speziell für die Verarbeitung von Geodaten entwickelt wurden.

  • geopandas (1.0.1): Erweitert die von pandas verwendeten Datentypen, um räumliche Operationen für geometrische Typen zu ermöglichen.
  • pyogrio (0.12.1): Vektorisierte E/A für räumliche Vektordateiformate.
  • pyproj (3.7.2): Python-Schnittstelle zu PROJ (Bibliothek für kartografische Projektionen und Koordinatentransformationen).
  • shapely (2.1.2): Paket für die Bearbeitung und Analyse von planaren geometrischen Objekten.
  • xyzservices (2026.3.0): Quelle von XYZ-Kachelanbietern.

Sonstiges

  • chess (1.11.2): Eine reine Python-Schachbibliothek mit Zuggenerierung und ‑validierung, PGN-Parsing und ‑Schreiben und mehr.
  • gast (0.7.0): Ein generischer AST-zu-AST-Konverter.

Nächste Schritte