Codeausführung

Für viele Aufgaben von KI-Agenten, z. B. Finanzberechnungen und Data-Science-Workflows, muss ein KI-Agent Code generieren und ausführen. Mit der Codeausführung kann Ihr Agent Code in einer sicheren, isolierten und verwalteten Sandbox-Umgebung ausführen.

Zu den Funktionen der Code-Ausführung gehören:

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

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

  • Sandboxes behalten ihren Ausführungsstatus (Arbeitsspeicher) bis zu 14 Tage lang bei. Diese TTL-Einstellung (Time to Live) ist konfigurierbar.

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

Die Code-Ausführung funktioniert mit jedem Agenten-Framework und jedem generativen Modell.

Hier sind die wichtigsten Vorgänge für die Arbeit mit einer Sandbox für die Codeausführung:

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

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

  • Sandboxes auflisten: Alle Code-Ausführungs-Sandboxes in Ihrem Projekt auflisten. Sie können die Ergebnisse nach Kriterien wie Sandbox-Status oder -Typ filtern. Dies hilft beim Prüfen, Überwachen und Verwalten vieler Sandboxen in Ihrem Projekt.

  • 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), den Standardfehler (stderr) und alle Dateien, die der Code generiert. Die Sandbox kann auch den Status beibehalten, sodass nachfolgende Execute Code-Aufrufe auf vorherigen Aufrufen aufbauen können. Das ist entscheidend für interaktive Sitzungen oder komplexe Aufgaben, bei denen der Status der Umgebung über mehrere Codeausführungen hinweg beibehalten werden muss.

Unterstützte Bibliotheken

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

Data Science und Machine Learning

Dieser Abschnitt enthält Bibliotheken, die für die Datenanalyse, Datenbearbeitung, maschinelles Lernen und numerische Berechnungen unerlässlich sind.

Core Data Handling & Numerics

  • numpy (2.1.3): Grundlegendes Paket für numerische Berechnungen in Python, das Unterstützung für große, mehrdimensionale Arrays und Matrizen sowie eine große Sammlung von mathematischen Funktionen auf hoher Ebene für diese Arrays bietet.
  • pandas (2.2.3): Leistungsstarke Bibliothek für Datenanalyse und ‑bearbeitung, die Datenstrukturen wie DataFrame und Series für die Verarbeitung strukturierter Daten bietet.
  • scipy (1.15.2): Ökosystem von Open-Source-Software für Mathematik, Naturwissenschaften und Ingenieurwesen. Es baut auf NumPy auf und bietet eine große Anzahl nutzerfreundlicher und effizienter numerischer Routinen.
  • pyarrow (18.1.0): Sprachübergreifende Entwicklungsplattform für In-Memory-Daten. Dies ist besonders nützlich für die effiziente Datenverarbeitung und die Interoperabilität zwischen Systemen.
  • numexpr (2.14.1): Schneller Auswerter für numerische Ausdrücke für NumPy, der Array-Vorgänge optimiert.
  • narwhals (2.19.0): Bietet eine Möglichkeit, Code zu schreiben, der mit mehreren DataFrame-Bibliotheken (wie 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 Open-Source-basierte End-to-End-Plattform für Machine Learning.
  • keras (3.14.0): High-Level-API für neuronale Netzwerke, die in Python geschrieben ist 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 API für die funktionale Programmierung zum Erstellen von Modellen bietet.

Natural Language Processing (NLP)

  • nltk (3.9.1): Führende Plattform zum Erstellen von Python-Programmen für die Arbeit mit menschlichen Sprachdaten.
  • 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 Funktionsregister, 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, verwendet von spaCy.
  • 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 Hochleistungs-Serialisierungsdienstprogramme für Python.
  • wasabi (1.1.3): Leichtgewichtige Dienstprogramme für die Ausgabe und Formatierung in der Konsole.
  • weasel (1.0.0): Befehlszeile für spaCy-Projekte.

Wissenschaftliches und symbolisches Computing

  • mpmath (1.3.0): Python-Bibliothek für reelle und komplexe Gleitkommaarithmetik mit beliebiger Genauigkeit.
  • sympy (1.13.3): Python-Bibliothek für symbolische Mathematik.
  • networkx (3.6.1): Paket zum Erstellen, Bearbeiten und Untersuchen 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): Lightweight LLVM Python bindings for use with Numba.
  • blis (1.3.3): BLAS-ähnliche lineare Algebra-Bibliothek, oft eine Abhängigkeit für numerische Pakete.
  • opt_einsum (3.4.0): Optimierung von einsum-Ausdrücken in NumPy, TensorFlow und anderen Array-Bibliotheken.
  • optree (0.19.0): Optimierte PyTree-Manipulation 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 explorative statistische Datenanalyse.
  • 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 zur Visualisierung statistischer Daten, die auf matplotlib basiert. Es bietet eine allgemeine Benutzeroberfläche zum Zeichnen ansprechender und informativer statistischer Grafiken.
  • plotly (6.1.2): Interaktive Grafikbibliothek, mit der sich online und offline ganz einfach ansprechende Grafiken in Publikationsqualität erstellen lassen.
  • bokeh (3.8.2): Interaktive Visualisierungsbibliothek, die auf moderne Webbrowser für die Präsentation abzielt.
  • mizani (0.13.5): Skalen für Python-Grafiken, inspiriert von ggplot2.
  • contourpy (1.3.1): Bietet Algorithmen zur Generierung 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 für Echtzeit-Computer-Vision gedacht sind.
  • pillow (11.1.0): Ein nutzerfreundlicher 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/Schreiben von Excel 2010-xlsx/xlsm/xltx/xltm-Dateien.
  • 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 XSLX-Format.

PDF

  • PyPDF2 (3.0.1): Reine Python-PDF-Bibliothek, mit der Seiten von PDF-Dateien aufgeteilt, zusammengeführt, zugeschnitten und transformiert werden können.
  • fpdf (1.7.2): Einfache Bibliothek für die PDF-Generierung.
  • 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).

Microsoft PowerPoint

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

XML/HTML

  • lxml (5.3.1): Funktionsreiche und nutzerfreundliche Bibliothek zur Verarbeitung 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, richtig gemacht. 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 HDF5-Binärdatenformat.
  • smart_open (7.6.0): Dienstprogramme zum Streamen großer Dateien (S3, HDFS, Cloud Storage usw.).
  • cloudpathlib (0.23.0): Pathlib-ähnliche Klassen 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): Low-Level-HTTP-Client, 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 Internationalized Domain Names in Applications (IDNA) 2008.
  • certifi (2026.2.25): Bietet die sorgfältig zusammengestellte Sammlung von Root-Zertifikaten von Mozilla zur Validierung der Vertrauenswürdigkeit von SSL-Zertifikaten.
  • tornado (6.5.5): Web-Framework und asynchrone Netzwerkbibliothek.
  • Werkzeug (3.1.8): Umfassende WSGI-Webanwendungsbibliothek.
  • Jinja2 (3.1.6): Moderne und designerfreundliche 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): Kern-Dienstprogramme für Python-Pakete.

Befehlszeilen (CLI)

  • click (8.3.2): Toolkit zum Erstellen von zusammensetzbaren Befehlszeilen.
  • typer (0.24.1): Bibliothek zum Erstellen von CLI-Anwendungen mit Typhinweisen.
  • 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): Schnelle, erweiterbare Fortschrittsanzeige 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 Einstellungsverwaltung mit Python-Typannotationen.
  • pydantic_core (2.46.1): Zentrale Validierungslogik für Pydantic.
  • annotated-types (0.7.0): Wiederverwendbare Einschränkungstypen für Funktionsargumente, Variablen und Dataclass-Felder.
  • jsonschema (4.23.0): Implementierung des JSON-Schemas für Python.
  • jsonschema-specifications (2024.10.1): Die JSON-Schema-Metaschemata und -Vokabulare.
  • referencing (0.37.0): JSON-Referenzauflösung.

Serialisierung

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

Nebenläufigkeit und Parallelität

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

Parsen

  • pyparsing (3.2.1): Alternativer Ansatz zum Erstellen und Ausführen einfacher Grammatiken im Vergleich zum Standard-lex/yacc-Ansatz.
  • astunparse (1.6.3): Unparser für abstrakte Python-Syntaxbäume.

Low-Level- und Foreign Function Interface (FFI)

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

Datum und Uhrzeit

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

Allgemeine Dienstprogramme

  • attrs (25.3.0): Klassen ohne Boilerplate.
  • toolz (1.0.0): Funktionale Standardbibliothek für Python.
  • six (1.17.0): Kompatibilitätsdienstprogramme für Python 2 und 3.
  • wrapt (2.1.2): Modul für Decorators, Wrapper und Monkey Patching.
  • immutabledict (4.3.1): Unveränderliches Wörterbuch.
  • ordered-set (4.1.0): Veränderliche Datenstruktur, die eine Mischung aus einer Liste und einem Set 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, um das re-Modul von Python zu ersetzen.
  • chardet (7.4.3): Universeller Zeichencodierungs-Detektor.
  • charset-normalizer (3.4.7): Der erste universelle Zeichensatz-Detektor.
  • typing_extensions (4.15.0): Backportierte und experimentelle Typ-Hinweise für Python 3.7+.
  • typing-inspection (0.4.2): Laufzeitprüfung von Typen in Python.
  • Pygments (2.20.0): Python-Syntax-Highlighter.
  • ml_dtypes (0.5.4): dtypes für maschinelles Lernen.
  • rpds-py (0.30.0): Rust Persistent Data Structures für Python.
  • annotated-doc (0.0.4): Bibliothek für Dokumentannotationen.
  • namex (0.1.0): Dienstprogrammbibliothek.

Debugging und Profilerstellung

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

Geodaten

Bibliotheken, die speziell für die Verarbeitung von raumbezogenen Daten entwickelt wurden.

  • geopandas (1.0.1): Erweitert die von pandas verwendeten Datentypen, um räumliche Vorgänge für geometrische Typen zu ermöglichen.
  • pyogrio (0.12.1): Vektorisierte E/A für Geodaten-Vektordateiformate.
  • pyproj (3.7.2): Python-Schnittstelle zu PROJ (Bibliothek für kartografische Projektionen und Koordinatentransformationen).
  • shapely (2.1.2): Paket zur Bearbeitung und Analyse planarer geometrischer Objekte.
  • 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