E2B测评：为AI Agent打造“专属电脑”的云基础设施

# Python数据科学模板示例
FROM python:3.9-slim

# 安装必要的Python包
RUN pip3 install --no-cache-dir streamlit pandas numpy matplotlib requests seaborn plotly

# 设置工作目录并复制代码
WORKDIR /home/user
COPY . /home/user

git clone https://gitcode.com/GitHub_Trending/fr/fragments
cd fragments

npm install

cp .env.example .env.local

# E2B API 密钥
E2B_API_KEY="your-e2b-api-key"
# 各提供商 API 密钥
OPENAI_API_KEY=
ANTHROPIC_API_KEY=
GROQ_API_KEY=
# 部署配置
NEXT_PUBLIC_SITE_URL=

npm run dev

npm run build
npm start

# 安装Docker
sudo apt update
sudo apt install docker.io
sudo systemctl enable docker
sudo usermod -aG docker $USER

# 安装Node.js
curl -fsSL https://deb.nodesource.com/setup_18.x | sudo -E bash -
sudo apt-get install -y nodejs

# 执行部署命令

import { Sandbox } from '@e2b/sdk'

// 创建沙盒
const sandbox = await Sandbox.create({
  template: 'base', // 使用基础模板
  apiKey: process.env.E2B_API_KEY
})

// 执行命令
const process = await sandbox.process.start({
  cmd: 'python -c "print(\"Hello, E2B!\")"'
})
console.log(await process.stdout)

from e2b import Sandbox

# 创建沙盒
sandbox = Sandbox(api_key="your-api-key")

# 执行Python代码
sandbox.run_code("""
import pandas as pd
import numpy as np

df = pd.DataFrame(np.random.randn(10, 4))
print(df.describe())
""")

import { Sandbox } from '@e2b/sdk'
import fs from 'fs'

class DataAnalysisAgent {
  constructor() {
    this.sandbox = null
    this.dataFile = null
  }

  async initialize() {
    // 创建沙盒环境
    this.sandbox = await Sandbox.create({
      template: 'data-science', // 数据科学专用模板
      apiKey: process.env.E2B_API_KEY
    })
    
    // 设置超时时间
    await this.sandbox.setTimeout(300000) // 5分钟
    
    console.log('E2B沙盒环境初始化完成')
  }

  async uploadDataFile(csvFilePath, remoteFileName = 'data.csv') {
    // 读取本地CSV文件
    const csvData = fs.readFileSync(csvFilePath, 'utf8')
    
    // 上传到沙盒环境
    await this.sandbox.filesystem.write(remoteFileName, csvData)
    this.dataFile = remoteFileName
    
    console.log(`数据文件已上传: ${remoteFileName}`)
    return remoteFileName
  }

  async analyzeData(question) {
    if (!this.sandbox || !this.dataFile) {
      throw new Error('请先初始化Agent并上传数据文件')
    }

    // 根据问题生成分析代码
    const pythonCode = this.generateAnalysisCode(question, this.dataFile)
    
    try {
      // 执行分析代码
      const process = await this.sandbox.process.start({
        cmd: `python -c "${pythonCode.replace(/"/g, '\\"')}"`
      })
      
      const output = await process.stdout
      const error = await process.stderr
      
      if (error) {
        console.error('执行错误:', error)
        return { success: false, error: error }
      }
      
      return { success: true, output: output }
      
    } catch (error) {
      console.error('分析失败:', error)
      return { success: false, error: error.message }
    }
  }

  generateAnalysisCode(question, dataFile) {
    // 基于自然语言问题生成相应的Python分析代码
    const baseCode = `
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import json

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取数据
df = pd.read_csv('${dataFile}')

try:
    `

    let analysisCode = ''
    
    if (question.includes('销售趋势') || question.includes('sales trend')) {
      analysisCode = `
    # 销售趋势分析
    if 'date' in df.columns and 'sales' in df.columns:
        df['date'] = pd.to_datetime(df['date'])
        monthly_sales = df.set_index('date')['sales'].resample('M').sum()
        
        plt.figure(figsize=(12, 6))
        monthly_sales.plot(kind='line', title='月度销售趋势')
        plt.xlabel('日期')
        plt.ylabel('销售额')
        plt.grid(True)
        plt.savefig('/tmp/sales_trend.png')
        print('销售趋势图已保存: sales_trend.png')
        
        result = {
            'analysis_type': 'sales_trend',
            'total_sales': df['sales'].sum(),
            'average_monthly_sales': monthly_sales.mean(),
            'growth_rate': ((monthly_sales.iloc[-1] - monthly_sales.iloc[0]) / monthly_sales.iloc[0]) * 100
        }
        print(json.dumps(result))
`
    } else if (question.includes('分布') || question.includes('distribution')) {
      analysisCode = `
    # 数据分布分析
    numeric_columns = df.select_dtypes(include=[np.number]).columns
    
    if len(numeric_columns) > 0:
        plt.figure(figsize=(15, 10))
        for i, col in enumerate(numeric_columns[:4], 1):
            plt.subplot(2, 2, i)
            df[col].hist(bins=20)
            plt.title(f'{col}分布')
            plt.xlabel(col)
            plt.ylabel('频次')
        
        plt.tight_layout()
        plt.savefig('/tmp/distribution_analysis.png')
        print('分布分析图已保存: distribution_analysis.png')
        
        result = {
            'analysis_type': 'distribution',
            'columns_analyzed': list(numeric_columns),
            'statistics': df[numeric_columns].describe().to_dict()
        }
        print(json.dumps(result))
`
    } else {
      // 默认基础分析
      analysisCode = `
    # 基础数据分析
    result = {
        'analysis_type': 'basic_overview',
        'data_shape': df.shape,
        'columns': list(df.columns),
        'data_types': df.dtypes.astype(str).to_dict(),
        'missing_values': df.isnull().sum().to_dict(),
        'basic_statistics': df.describe().to_dict() if len(df.select_dtypes(include=[np.number]).columns) > 0 else {}
    }
    print(json.dumps(result))
`
    }

    const endCode = `
except Exception as e:
    print('分析过程中出错:', str(e))
`

    return baseCode + analysisCode + endCode
  }

  async downloadFile(remotePath, localPath) {
    // 从沙盒下载文件到本地
    const content = await this.sandbox.filesystem.read(remotePath)
    fs.writeFileSync(localPath, content)
    console.log(`文件已下载: ${localPath}`)
  }

  async cleanup() {
    if (this.sandbox) {
      await this.sandbox.close()
      console.log('沙盒环境已清理')
    }
  }
}

// 使用示例
async function main() {
  const agent = new DataAnalysisAgent()
  
  try {
    // 初始化环境
    await agent.initialize()
    
    // 上传数据文件
    await agent.uploadDataFile('./sales_data.csv')
    
    // 进行分析
    const result1 = await agent.analyzeData('请分析销售趋势')
    console.log('分析结果1:', result1)
    
    const result2 = await agent.analyzeData('请查看数据分布')
    console.log('分析结果2:', result2)
    
    // 下载生成的图表
    await agent.downloadFile('/tmp/sales_trend.png', './sales_trend.png')
    await agent.downloadFile('/tmp/distribution_analysis.png', './distribution_analysis.png')
    
  } catch (error) {
    console.error('执行失败:', error)
  } finally {
    await agent.cleanup()
  }
}

// 执行示例
main()

# 轻量模板 (1vCPU/2GB RAM) - 代码执行
e2b template build --name code-light --cpu 1 --memory 2048

# 标准模板 (2vCPU/4GB RAM) - 数据分析  
e2b template build --name data-standard --cpu 2 --memory 4096

# 高性能模板 (4vCPU/8GB RAM) - 模型训练
e2b template build --name ml-highperf --cpu 4 --memory 8192

// 智能超时控制
// 短任务优化 (如代码解释器)
await sandbox.setTimeout(30000); // 30秒超时

// 长任务配置 (如数据处理)  
await sandbox.setTimeout(1800000); // 30分钟超时

// 监控资源使用率并动态调整
const metrics = await sandbox.getMetrics();
if (metrics.cpuUsedPct > 80) {
  // 升级模板规格
  await sandbox.upgradeTemplate('data-standard');
} else if (metrics.cpuUsedPct < 20 && metrics.memUsed < 0.3) {
  // 降级以节省成本
  await sandbox.downgradeTemplate('code-light');
}