# 示例：基于控制台的工具开发与应用实践
本示例演示如何创建AgentArts平台的沙箱工具（代码解释器），并通过该工具构建一个能够执行Python代码解决复杂问题的智能体。
本示例共分为两个阶段。
- 阶段一：创建代码解释器。在AgentArts平台创建代码解释器（沙箱）并完成基础配置，获取域名、API Key。
- 阶段二：构建Agent并调用沙箱。在Linux服务器上准备Python环境，编写代码脚本创建Agent并调用沙箱，启动服务并通过curl测试验证。
#### 基于控制台的工具开发与应用实践
1. 登录[AgentArts智能体平台](https://console.huaweicloud.com/agentarts/#/home/overview)。
2. 在左侧导航栏选择"开发中心 \> 组件库 "，单击"沙箱工具"页签，进入沙箱工具界面。
3. 单击右上角"创建代码解释器"，参考[图1]配置后单击"立即创建"。
   
   表1代码解释器配置说明 
   | 参数        | 说明                 |
   |:---|:---|
   | 名称        | 可自定义。              |
   | 描述（可选）    | 可自定义。              |
   | 委托（可选）    | 不填写。               |
   | 入站身份认证    | 选择"**API key认证**"。 |
   | API Key名称 | 可自定义。              |
   | 日志记录      | 选择开启。              |
   | 出网网络配置    | 选择"公网访问"。          |
      
   图1创建代码解释器   
   ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002537972640.png "点击放大")
   
   
4. 代码解释器创建完成后，在列表可查看已创建的代码解释器的名称。记录该名称，并获取该沙箱工具的域名、API Key。 
   沙箱工具的域名、API Key获取方法如下：
   1. 单击沙箱工具名称。
   
   2. 进入"配置信息"页面后，获取域名。
      图2获取沙箱域名   
      ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002618258337.png "点击放大") 
   
   3. 单击"URN"链接，在弹出的窗口中获取沙箱的API Key。
      图3URN链接   
      ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002587859936.png "点击放大")
      图4获取沙箱API Key   
      ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002587700238.png "点击放大") 
   
   
   
   
5. 安装Python：请确保Python 3.10及以上版本已安装。 
   本示例需要在Linux服务器上安装Python并执行后续代码操作。
   大多数Linux发行版（如Ubuntu）都预装了Python，您可以先通过python3 --version在Linux系统中检查。
   如未安装，可以使用如下命令安装：
   ```
   sudo apt update
   sudo apt install python3
   ```
   
   
6. 执行以下命令创建虚拟环境（建议在Python虚拟环境中安装，以避免与系统包产生冲突）。 
   ```
   # 创建并激活虚拟环境 (linux) 
   python3 -m venv venv 
   source venv/bin/activate
   ```
   
   
7. 在您的Linux服务器的终端中，执行以下命令安装agentarts-sdk，langgraph，langchain_openai包。 
   ```
   # 安装agentarts-sdk包
   pip install agentarts-sdk
   # 安装langgraph包
   pip install langgraph
   # 安装langchain_openai包
   pip install langchain-openai
   ```
   
   
8. 配置环境变量。 
   ```
   export AGENTARTS_CODEINTERPRETER_DATA_ENDPOINT="http://您的沙箱域名"
   export MODEL_API_KEY="您的大模型API密钥"
   export BASE_URL="https://api.modelarts-maas.com/openai/v1"
   ```
   其中，AGENTARTS_CODEINTERPRETER_DATA_ENDPOINT请配置为http://{沙箱域名}，获取方法请参考前面的步骤。
   由于示例中使用华为云MaaS服务中的模型，因此需要[登录MaaS服务](https://console.huaweicloud.com/modelarts/#/model-studio/authmanage)创建API Key。
   https://api.modelarts-maas.com/openai/v1表示使用OpenAI兼容接口。
   ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002588202646.png "点击放大")
   
   
9. 在Linux服务器上新建一个Python代码文件（例如app.py），从本步骤至步骤[13]的所有代码脚本，均需按顺序粘贴到该文件中，最终作为一个完整的程序运行。
   
   ```
   #在Linux中常用的新建文件命令为：
   vi app.py
   ```
   首先在文件中导入代码解释器及其他包。
   ```
   import json
   import os
   from typing import Annotated, TypedDict
   from langchain_core.messages import AIMessage, BaseMessage, HumanMessage, SystemMessage
   from langchain_core.tools import tool
   from langchain_openai import ChatOpenAI
   from langgraph.graph import END, StateGraph
   from langgraph.graph.message import add_messages
   from langgraph.prebuilt import ToolNode
   from agentarts.sdk import AgentArtsRuntimeApp
   from agentarts.sdk.tools import code_session
   app = AgentArtsRuntimeApp()
   ```
   
   
10. 代码文件中填写如下脚本。用于将"连接沙箱并执行代码"这一操作包装成一个标准的函数工具。当Agent中的大模型发现需要执行代码时，会将写好的代码传递给这个工具，工具帮您把代码发送到沙箱运行，再把结果拿回来给大模型。 
    ```
    @tool
    def execute_python_tool(code: str, description: str = ""):
        """Execute Python Code in the sandbox"""    
        api_key = "替换为获取的沙箱API Key"
        with code_session("cn-southwest-2", "替换为创建的沙箱名称", api_key=api_key) as code_client:
            response = code_client.invoke(
                operate_type="execute_code",
                api_key=api_key,
                arguments={
                    "code": code,
                    "language": "python",
                    "clear_context": False
                }
            )
        return json.dumps(response["result"])
    ```
    
    

11. 代码文件中添加如下代码，用于编写系统提示词。 
    ```
    SYSTEM_PROMPT = """你是一个AI助手，可以使用Python代码执行工具来解决问题。
    可用工具：
    - execute_python_tool(code: str, description: str): 执行Python代码
    使用原则：
    1. 仅在需要精确计算或复杂逻辑时使用工具
    2. 简单问题直接回答，无需工具验证
    3. 工具调用最多1-2次，避免重复验证
    4. 获得结果后立即返回答案
    """
    ```
    
    
12. 代码文件中添加如下代码，用于定义一个Agent并集成沙箱。 
    示例中使用deepseek-v4-flash模型，如果需要更换其他模型，请[登录MaaS服务](https://console.huaweicloud.com/modelarts#/model-studio/homepage)，获取模型接口的model参数值（注意代码使用了OpenAI格式的调用方法，需获取对应格式的model参数值）。
    图5获取MaaS服务model参数值   
    ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002588587734.png "点击放大")
    ```
    # 创建Agent
    llm = ChatOpenAI(
        model="deepseek-v4-flash",
        api_key=os.environ.get("MODEL_API_KEY", ""),
        base_url=os.environ.get("BASE_URL", ""),
        max_tokens=1000,
        temperature=0.7,
    )
    # 创建工具列表
    tools = [execute_python_tool]
    # 工具绑定Agent
    llm = llm.bind_tools(tools)
    # 定义graph状态
    class AgentState(TypedDict):
        messages: Annotated[list[BaseMessage], add_messages]
    def call_model(state: AgentState):
        """调用模型并返回响应"""
        if not state["messages"] or all(
            not isinstance(msg, SystemMessage) for msg in state["messages"]
        ):
            messages = [SystemMessage(content=SYSTEM_PROMPT)] + state["messages"]
        else:
            messages = state["messages"]
        response = llm.invoke(messages)
        return {"messages": [response]}
    def should_continue(state):
        """判断是否继续使用工具"""
        last_message = state["messages"][-1]
        if isinstance(last_message, AIMessage):
            has_tool_calls = bool(last_message.tool_calls)
            if has_tool_calls:
                return "tools"
        return END
    # 创建LangGraph工作流
    workflow = StateGraph(AgentState)
    workflow.add_node("agent", call_model)
    workflow.add_node("tools", ToolNode(tools))
    # 设置入口
    workflow.set_entry_point("agent")
    # 添加边
    workflow.add_conditional_edges("agent", should_continue, {"tools": "tools", "__end__": "__end__"})
    workflow.add_edge("tools", "agent")
    agent = workflow.compile()
    ```
    
    
13. 拼接以下代码，用于使用Agent启动一个本地服务器，并提供一个对外接收提问的接口。
    
    ```
    @app.entrypoint
    def agent_chat(payload: dict):
        query = "告诉我1到100之间最大的质数"
        # 运行Agent
        result = agent.invoke({
            "messages": [HumanMessage(content=query)]
        })
        return result["messages"][-1].content
    if __name__ == '__main__':
        app.run()
    ```
    
    
14. 代码文件（例如app.py）编写完成后，保存并退出文件编辑。 
    ```
    Esc 
    :wq    #保存并退出
    ```
    
    
15. 在服务器中执行python app.py命令运行示例代码（如果在创建Python代码文件时使用了其他名称，请按实际名称执行）。
16. 打开一个新的终端窗口（保持原窗口运行），使用curl命令进行测试。测试完成后，可以使用Ctrl + C停止运行的进程。 
    上述步骤中已经在代码里面内置了问题"告诉我1到100之间最大的质数"，Agent会将该计算过程放到沙箱中运行，并返回结果。
    ```
    curl --location http://localhost:8080/invocations --data-raw "{}"
    ```
    ![](https://support.huaweicloud.com/highcode-agentarts/zh-cn_image_0000002618772871.png "点击放大")