2026/9/16 19:36:27
FEATURED · 精选文章 
agents-cli 代码执行安全完全指南沙箱 per-user 环境隔离如何守护 AI Agent【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cliagents-cli 是一套面向 Google Cloud 的 AI Agent 开发 CLI 与技能集把任何编码助手变成创建、评估和部署 AI Agent 的专家。其中代码执行安全是生产落地的核心议题当 Agent 需要替你运行 Shell 命令或 Python 代码时如何通过沙箱隔离与per-user 环境隔离设计确保每个用户的代码互不干扰、凭证绝不泄露本文带你完整看懂这套设计。为什么 AI Agent 必须做好代码执行安全让 LLM 直接执行代码听起来很爽但风险同样明显权限放大代码一旦运行就可能以进程的完整权限读写文件、调用 API多用户串扰多人共用一个 Agent 时A 用户的会话绝不能碰到 B 用户的数据和密钥数据外泄恶意指令可能诱导 Agent 把敏感凭证顺路发到外部网络。agents-cli 的解法不是禁止 Agent 跑代码而是分层设防不同信任级别、不同场景的代码被放进不同强度的执行环境。三层防线从本地进程到 per-user 沙箱1️⃣ 本地进程内执行最快但要求只跑可信代码在评估阶段自定义代码指标Code Execution Metric默认在CLI 进程内执行无需 GCP 项目即可开跑。官方文档明确提醒该函数以 CLI 的权限运行只能用于你信任的代码。 字段与取舍的完整说明见 metrics-guide.md 与 evaluation.md。2️⃣ 远程沙箱Vertex AI CodeExecutionMetric在指标配置里加一行execution: remote代码就会被上传到 Vertex AI 的沙箱中服务端执行与你的本机进程完全隔离。两个要点需要已配置的 GCP 项目 区域沙箱内没有网络——依赖外部 LLM 调用的判分逻辑要保留在本地模式运行这正是最小权限思想的体现。同样ADK 侧也提供两种代码执行器BuiltInCodeExecutor模型内置与VertexAiCodeExecutor托管沙箱、可跨会话保持状态详见 adk-python.md。3️⃣ per-user 长时沙箱多用户生产环境的终极答案当 Agent 要替用户执行 Shell 命令或 Python且需要隔离的、按用户划分的环境时agents-cli 工作流会指向官方参考配方long-horizon-harness——一个完整的 Agent 执行框架harnessper-user sandbox每个用户独享一个可跨天存活的沙箱工作区代码、文件、状态彼此隔离per-user secrets每个用户的凭证单独存放模型永远看不到只在工具调用时由代码侧注入️分层工具护栏 外泄检测对出网流量做 egress/exfil 检查高风险操作前触发审批门human-in-the-loop子代理委派带隔离上下文窗口的子代理进一步缩小单点故障面。能力与配方的完整映射表你需要什么 → 学哪个配方维护在 samples.md这是官方技能包里安全能力目录的入口。如何快速上手找到并学习 per-user 沙箱配方agents-cli 的理念是研究并改造而非从零手写——手写 Docker/E2B 沙箱包装层恰恰说明你停在了名字层面。标准动作只有三步在 samples.md 的主题索引中确认能力对应的配方沙箱、per-user 环境、密钥、审批门 →long-horizon-harness克隆该配方先读它的AGENTS.md——意图、文件阅读顺序、可直接复制 vs 需改造的边界都写清楚了只摘取你需要的模式不必整体引入 harness。这套先查目录再动手的约束被直接写进了工作流技能 workflow/SKILL.md只要需求涉及替用户跑代码、隔离的 per-user 环境就必须先查配方再承诺实现方案。安全行为可观测隔离之外还要看得见隔离是底线可观测是保障。部署后的 Agent 会接入 Cloud Trace / Logging 与 Agent Analytics工具调用、护栏拦截、审批事件全链路留痕出了问题能精确回溯到某次工具调用。更多实践参考 bigquery-agent-analytics.md。小结让 Agent 跑代码安全不打折场景执行环境隔离强度本地评估指标可信代码CLI 进程内⭐评估指标execution: remoteVertex AI CodeExecutionMetric 沙箱无网络⭐⭐多用户生产 Agent 执行代码per-user 沙箱 独立密钥 护栏审批⭐⭐⭐agents-cli 的代码执行安全设计可以概括为一句话按信任级别分层设防用官方配方而非手写轮子实现 per-user 隔离。把 skills/ 目录下的技能交给你的编码助手它会在正确阶段自动带你走到正确的配方上——这也是把助手变成专家的精髓所在。【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
agents-cli 代码执行安全完全指南：沙箱 per-user 环境隔离如何守护 AI Agent
agents-cli 代码执行安全完全指南沙箱 per-user 环境隔离如何守护 AI Agent【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cliagents-cli 是一套面向 Google Cloud 的 AI Agent 开发 CLI 与技能集把任何编码助手变成创建、评估和部署 AI Agent 的专家。其中代码执行安全是生产落地的核心议题当 Agent 需要替你运行 Shell 命令或 Python 代码时如何通过沙箱隔离与per-user 环境隔离设计确保每个用户的代码互不干扰、凭证绝不泄露本文带你完整看懂这套设计。为什么 AI Agent 必须做好代码执行安全让 LLM 直接执行代码听起来很爽但风险同样明显权限放大代码一旦运行就可能以进程的完整权限读写文件、调用 API多用户串扰多人共用一个 Agent 时A 用户的会话绝不能碰到 B 用户的数据和密钥数据外泄恶意指令可能诱导 Agent 把敏感凭证顺路发到外部网络。agents-cli 的解法不是禁止 Agent 跑代码而是分层设防不同信任级别、不同场景的代码被放进不同强度的执行环境。三层防线从本地进程到 per-user 沙箱1️⃣ 本地进程内执行最快但要求只跑可信代码在评估阶段自定义代码指标Code Execution Metric默认在CLI 进程内执行无需 GCP 项目即可开跑。官方文档明确提醒该函数以 CLI 的权限运行只能用于你信任的代码。 字段与取舍的完整说明见 metrics-guide.md 与 evaluation.md。2️⃣ 远程沙箱Vertex AI CodeExecutionMetric在指标配置里加一行execution: remote代码就会被上传到 Vertex AI 的沙箱中服务端执行与你的本机进程完全隔离。两个要点需要已配置的 GCP 项目 区域沙箱内没有网络——依赖外部 LLM 调用的判分逻辑要保留在本地模式运行这正是最小权限思想的体现。同样ADK 侧也提供两种代码执行器BuiltInCodeExecutor模型内置与VertexAiCodeExecutor托管沙箱、可跨会话保持状态详见 adk-python.md。3️⃣ per-user 长时沙箱多用户生产环境的终极答案当 Agent 要替用户执行 Shell 命令或 Python且需要隔离的、按用户划分的环境时agents-cli 工作流会指向官方参考配方long-horizon-harness——一个完整的 Agent 执行框架harnessper-user sandbox每个用户独享一个可跨天存活的沙箱工作区代码、文件、状态彼此隔离per-user secrets每个用户的凭证单独存放模型永远看不到只在工具调用时由代码侧注入️分层工具护栏 外泄检测对出网流量做 egress/exfil 检查高风险操作前触发审批门human-in-the-loop子代理委派带隔离上下文窗口的子代理进一步缩小单点故障面。能力与配方的完整映射表你需要什么 → 学哪个配方维护在 samples.md这是官方技能包里安全能力目录的入口。如何快速上手找到并学习 per-user 沙箱配方agents-cli 的理念是研究并改造而非从零手写——手写 Docker/E2B 沙箱包装层恰恰说明你停在了名字层面。标准动作只有三步在 samples.md 的主题索引中确认能力对应的配方沙箱、per-user 环境、密钥、审批门 →long-horizon-harness克隆该配方先读它的AGENTS.md——意图、文件阅读顺序、可直接复制 vs 需改造的边界都写清楚了只摘取你需要的模式不必整体引入 harness。这套先查目录再动手的约束被直接写进了工作流技能 workflow/SKILL.md只要需求涉及替用户跑代码、隔离的 per-user 环境就必须先查配方再承诺实现方案。安全行为可观测隔离之外还要看得见隔离是底线可观测是保障。部署后的 Agent 会接入 Cloud Trace / Logging 与 Agent Analytics工具调用、护栏拦截、审批事件全链路留痕出了问题能精确回溯到某次工具调用。更多实践参考 bigquery-agent-analytics.md。小结让 Agent 跑代码安全不打折场景执行环境隔离强度本地评估指标可信代码CLI 进程内⭐评估指标execution: remoteVertex AI CodeExecutionMetric 沙箱无网络⭐⭐多用户生产 Agent 执行代码per-user 沙箱 独立密钥 护栏审批⭐⭐⭐agents-cli 的代码执行安全设计可以概括为一句话按信任级别分层设防用官方配方而非手写轮子实现 per-user 隔离。把 skills/ 目录下的技能交给你的编码助手它会在正确阶段自动带你走到正确的配方上——这也是把助手变成专家的精髓所在。【免费下载链接】agents-cliThe CLI and skills that turn any coding assistant into an expert at creating, evaluating, and deploying AI agents on Google Cloud.项目地址: https://gitcode.com/GitHub_Trending/ag/agents-cli创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
