Pierwsze zadanie agenta w sandboxie: LLM pisze kod, mikro-VM go wykonuje

Agent, który pisze kod, jest przydatny tylko wtedy, gdy coś bezpiecznie wykona ten kod i zwróci wynik. Ten poradnik buduje taką pętlę w całości: model pisze skrypt w Pythonie, sandbox go uruchamia, a jeśli skrypt się wysypie, błąd wraca do modelu. Potem to samo zadanie bez pisania kodu, przez MCP.

Potrzebujesz Pythona 3.8+, tokenu konta EQVPS (zob. łączenie konta) i klucza API do modelu.

1. Najpierw ustaw limit wydatków

Agent tworzy sandboxy sam, więc przed startem daj mu sufit. Dwa dolary dziennie i dwadzieścia miesięcznie z nawiązką wystarczą do eksperymentów:

curl -X PUT https://api.eqvps.com/api/v1/eqvps/sandboxes/budget \
  -H "Authorization: Bearer $EQVPS_API_KEY" -H "Content-Type: application/json" \
  -d '{"daily_usd": 2, "monthly_usd": 20}'

Po osiągnięciu limitu nowe sandboxy dostają 429 budget_exceeded, a działające tymczasowe są usuwane. Szczegóły w limitach i rozliczeniach sandboxów.

2. Zainstaluj dwie biblioteki

pip install eqvps anthropic
export EQVPS_API_KEY="your-eqvps-token"
export ANTHROPIC_API_KEY="your-model-key"

Przykład używa jednego dostawcy modeli, ale nic od niego nie zależy. Z modelem rozmawia tylko funkcja ask().

3. Pętla napisz, uruchom, popraw

Zapisz to jako agent.py:

import re
import anthropic
from eqvps import Sandbox

TASK = "Count the prime numbers below 1,000,000 and print only the number."
client = anthropic.Anthropic()

def ask(messages):
    msg = client.messages.create(model="claude-sonnet-5", max_tokens=2000, messages=messages)
    return msg.content[0].text

def extract_code(text):
    m = re.search(r"`{3}(?:python)?\n(.*?)`{3}", text, re.S)
    return m.group(1) if m else text

messages = [{"role": "user", "content": "Write a Python 3 script for this task. "
             "Reply with a single code block and nothing else.\n\nTask: " + TASK}]

with Sandbox.create(tariff="small", idle_timeout=120) as sb:
    for attempt in range(1, 4):
        reply = ask(messages)
        r = sb.run(extract_code(reply), timeout=55)
        print(f"attempt {attempt}: exit code {r.exit_code}")
        if r.ok:
            print(r.stdout.strip())
            break
        messages += [
            {"role": "assistant", "content": reply},
            {"role": "user", "content": f"The script failed with exit code {r.exit_code}.\n"
             f"stderr:\n{r.stderr[-3000:]}\nFix it. Reply with a single code block."},
        ]

Uruchom:

python3 agent.py

Typowy przebieg wypisuje attempt 1: exit code 0, a potem 78498. Jeśli pierwszy skrypt się wysypie, zobaczysz drugą próbę z poprawionym błędem.

Co robi każda część:

• Sandbox.create(..., idle_timeout=120) uruchamia mikro-VM w około sekundę. Jeśli twój skrypt umrze w połowie, sandbox i tak usunie się sam po 2 minutach bezczynności.
• sb.run(code, timeout=55) wykonuje kod i zwraca kod wyjścia, stdout i stderr. Wysypanie się kodu to zwykły wynik, nie wyjątek, więc pętla może pokazać go modelowi.
• r.stderr[-3000:] wysyła tylko końcówkę błędu. Pełny traceback dużego skryptu może zmarnować sporo kontekstu modelu.
• Trzy próby to celowy limit. Model, który nie naprawił skryptu w trzech podejściach, zwykle potrzebuje lepszego opisu zadania, a nie czwartej próby.

4. Gdy zadanie potrzebuje więcej niż 55 sekund

Wywołanie synchroniczne trwa najwyżej 55 sekund. Dłuższą pracę uruchom w tle i poczekaj:

task = sb.run(code, background=True)
result = task.wait(timeout=1800)

Zadanie działa dalej, nawet jeśli twój wait przekroczy limit czasu, i możesz do niego wrócić przez sb.task(task_id).

5. To samo zadanie przez MCP, bez kodu

Jeśli korzystasz z klienta MCP, takiego jak Claude Desktop czy Cursor, z serwerem MCP EQVPS, agent ma już narzędzia do sandboxów: create_sandbox, run_code, exec_command, upload_file, download_file i kill_sandbox. Wystarczy prompt:

Utwórz mały tymczasowy sandbox. Napisz skrypt w Pythonie, który liczy liczby pierwsze mniejsze od 1 000 000, uruchom go tam, popraw, jeśli się wysypie, podaj mi wynik i usuń sandbox.

Agent wykona te same wywołania co skrypt powyżej. Które narzędzia można bezpiecznie zezwolić bez potwierdzenia, omówiono w zabezpieczeniach MCP.

Ile to kosztowało

Sandbox żył znacznie krócej niż minutę i został rozliczony za minimum 60 sekund: 0,00055 $ na small. Wywołanie modelu kosztuje więcej niż sandbox. Próbny 1 $ nowego konta wystarczy na około 1800 takich uruchomień.

Co dalej

• SDK krok po kroku: SDK Pythona do sandboxów w 5 minut lub TypeScript.
• Wszystkie metody i błędy: dokumentacja SDK.
• Taryfy i kredyt próbny: strona sandboxów.