OnPrem.LLM AgentExecutor详解：安全启动AI智能体的两行文法

【免费下载链接】onprem A toolkit for applying LLMs to sensitive, non-public data in offline or restricted environments 项目地址: https://gitcode.com/gh_mirrors/on/onprem

OnPrem.LLM是一款专为敏感数据环境设计的AI工具包，能在离线或受限环境中安全运行大型语言模型。AgentExecutor作为其核心组件，提供了一种简洁而强大的方式来启动和管理AI智能体，仅需两行代码即可实现安全高效的智能体执行。

什么是AgentExecutor？

AgentExecutor是OnPrem.LLM框架中的一个关键类，位于onprem/pipelines/agent/base.py。它充当了AI智能体的沙盒执行环境，通过封装patchpal-sandbox工具，提供了资源隔离和安全保障。

这个强大的执行器具有以下特点：

• 通过Docker/Podman容器实现资源隔离和安全防护
• 同时支持云端和本地LLM模型
• 允许通过~/.patchpal/tools/目录集成自定义工具
• 通过.env文件进行API密钥管理

两行文法：快速启动智能体

使用AgentExecutor启动AI智能体非常简单，只需两行核心代码：

from onprem.pipelines.agent.base import AgentExecutor
executor = AgentExecutor(model='ollama_chat/gpt-oss-120b', sandbox=True)

这两行代码就完成了一个安全的AI智能体配置。第一行导入AgentExecutor类，第二行创建执行器实例，指定了要使用的模型和沙盒模式。

AgentExecutor的核心参数

AgentExecutor提供了丰富的参数来定制智能体的行为：

• model：LiteLLM模型标识符，如'anthropic/claude-sonnet-4-5'或'ollama_chat/gpt-oss-120b'
• agent_type：智能体类型，可选'function_calling'或'react'
• max_iterations：最大自动驾驶迭代次数
• sandbox：是否在容器沙盒中运行，设为True可实现隔离/安全执行
• image：容器镜像（仅沙盒模式）
• memory：内存限制（如'2g'，仅沙盒模式）
• cpus：CPU限制（如2，仅沙盒模式）
• custom_tools：自定义工具列表
• enabled_tools：启用的工具列表

默认工具集：智能体的能力扩展

AgentExecutor提供了一系列默认工具，位于onprem/pipelines/agent/base.py的DEFAULT_TOOLS常量中：

• read_file: 读取完整文件内容
• read_lines: 读取特定行范围
• edit_file: 通过查找/替换编辑文件
• write_file: 写入完整文件内容
• grep: 在文件中搜索模式
• find: 按glob模式查找文件
• run_shell: 执行shell命令
• web_search: 搜索网络信息
• web_fetch: 从URL获取内容

你可以通过print_default_tools()方法查看所有默认工具及其描述：

AgentExecutor.print_default_tools()

安全配置：禁用Shell访问

对于处理敏感数据的场景，安全是首要考虑因素。AgentExecutor提供了disable_shell参数，可以轻松禁用shell访问：

executor = AgentExecutor(
    model='openai/gpt-5-mini',
    disable_shell=True
)

这会从默认工具集中移除'run_shell'工具，提供更安全的执行环境。

工具定制：打造专属智能体

AgentExecutor允许你根据需求定制工具集。例如，创建一个仅包含文件操作工具的智能体：

executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['read_file', 'write_file']
)

或者创建一个专注于网络研究的智能体：

executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['web_search', 'web_fetch']
)

工作流程：AgentExecutor的执行过程

AgentExecutor的工作流程可以概括为以下几个步骤：

1. 初始化配置：根据提供的参数设置智能体属性和工具集
2. 环境准备：创建工作目录，写入自定义工具（如果有）
3. 任务文件创建：将任务描述和完成承诺写入临时文件
4. 命令构建：根据沙盒模式构建相应的执行命令
5. 执行监控：运行智能体并实时监控输出
6. 资源清理：完成后清理临时文件和工具目录

实际应用：运行你的第一个智能体任务

创建好AgentExecutor实例后，只需调用run()方法即可执行任务：

result = executor.run(
    task="分析当前目录下的所有Python文件，提取主要功能模块",
    working_dir="./src"
)
print(result)

这个简单的例子展示了如何使用AgentExecutor分析代码库结构。

总结：安全高效的AI智能体管理

AgentExecutor为OnPrem.LLM提供了强大而安全的智能体执行环境。通过其简洁的API和丰富的配置选项，即使用户没有深厚的AI背景，也能轻松创建和管理AI智能体。

无论是处理敏感数据、进行代码分析，还是构建复杂的工作流程，AgentExecutor都能提供安全可靠的执行保障。其两行文法的简洁设计，更是降低了AI应用的入门门槛，让更多用户能够享受到AI技术带来的便利。

如果你想了解更多关于AgentExecutor的详细信息，可以查看源代码onprem/pipelines/agent/base.py，或通过项目的文档进一步探索其高级功能。

开始你的AI智能体之旅吧！只需两行代码，即可在安全可控的环境中释放AI的强大能力。

【免费下载链接】onprem A toolkit for applying LLMs to sensitive, non-public data in offline or restricted environments 项目地址: https://gitcode.com/gh_mirrors/on/onprem