在智能体中集成工具

创建工具后，您需要将工具集成到智能体代码中，以便智能体可以调用隔离环境来完成代码运行等复杂任务。

前提条件

已创建代码解释器工具，具体请参见创建沙箱工具。
已安装Python，且版本不低于3.10。

在智能体中集成工具

登录AgentArts智能体开发平台。
在左侧导航栏选择“开发中心 > 组件库 ”，单击“工具”页签，进入工具界面。
在工具列表单击操作列的“调用代码”，通过SDK调用工具实现执行代码的能力，并通过tools装饰器封装成工具，SDK提供code_session函数，可快速启动代码解释器的会话，并支持自动停止会话。获取API_KEY请参考如何获取沙箱工具的API_KEY。

支持的操作类型：
- execute_code：执行代码。
  arguments：执行代码参数。
```
{
    "code": 'print("Hello World!")',
    "language": "python",
    "clear_context": False
}
```
- execute_command：执行命令。
  arguments：执行代码参数。
```
{
    "command": "ls -la"
}
```
- read_files：读取文件。
  arguments：执行代码参数。
```
{
    "paths": ["/home/user/file1.txt", "/user/home/file2.txt"]
}
```
- write_files：写入文件。
  arguments：执行代码参数。
```
{
    "write_contents": [{"path": "/home/user/file1.txt", "text": "content"}]
}
```
参数说明:
- code：在代码解释器会话中执行的代码。这是指定编程语言的源代码，将由代码解释器执行。
  长度限制：最小长度为 0，最大长度为 1048576。
- command：要使用该工具执行的命令。长度限制：最小长度为 0，最大长度为 65536。
- language：要执行的代码所使用的编程语言，告诉代码解释器使用哪种语言运行时来执行代码。支持语言：Python。
- write_contents：当请求操作为write_files时，待写入的内容，包含待写入数据内容和文件路径。列表限制：最小元素数量为0，最大元素数量为1000。
- paths：当请求操作为read_files时，所需读取的文件路径，需保证每个路径唯一。列表限制：最小元素数量为0，最大元素数量为1000。
```
from agentarts.sdk.tools import code_session

api_key = "your_actual_api_key" # your api key
with code_session("your_region", "your_code_interpreter_name", api_key) as code_client:
    response = code_client.invoke(
        operate_type="execute_code",
        api_key=api_key,
        arguments={
            "code": code, # your code
            "language": "python",
            "clear_context": False
        }
    )
```

将3中的执行代码能力封装成工具，此处使用langgraph的tool装饰器作为演示

from agentarts.sdk.tools import code_session
from langchain_core.tools import tool

@tool
def execute_python_tool(code: str, description: str) -> str | None:
    api_key = "your_actual_api_key" # your api key    
    with code_session("your_region", "your_code_interpreter_name", api_key) as code_client:
        response = code_client.invoke(
            operate_type="execute_code",
            api_key=api_key,
            arguments={
                "code": 'print("Hello World!")',
                "language": "python",
                "clear_context": False
            }
        )

    return json.dumps(response["result"])

将3集成到智能体中，此处以langgraph框架开发智能体为例。

llm = ChatOpenAI(
    model="DeepSeek-V3",
    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)