代码执行智能体构建实战：集成大模型与代码执行模块的全流程解析

本文为《React Agent：从零开始构建 AI 智能体》专栏系列文章。 专栏地址：https://blog.csdn.net/suiyingy/category_12933485.html。项目地址：https://gitee.com/fgai/react-agent（含完整代码示​例与实战源）。完整介绍：https://blog.csdn.net/suiyingy/article/details/146983582。

        在当今数字化时代，代码编写和执行的自动化需求日益增长。对于开发人员和技术爱好者来说，一个能够快速生成和执行 Python 代码的工具可以极大地提高工作效率。本节代码执行智能体示例旨在满足以下需求，并且能够帮助用户快速实现 Python 代码的生成和执行，提升开发和学习的体验。

        （1）代码生成：通过与大语言模型（LLM）集成，根据用户的自然语言描述生成符合要求的 Python 代码。

        （2）代码执行：安全地执行生成的 Python 代码，并返回执行结果，包括控制台输出或错误信息。

        （3）对话记忆：维护对话历史，以便大语言模型能够基于上下文生成更准确的响应，提高交互的连贯性。

        （4）安全过滤：对用户输入和生成的代码进行安全检查，防止执行危险操作，如文件读写、系统命令执行等。

        其基本流程如下图所示，步骤为：

        （1）初始化：创建 CodeAgent 实例，该实例包含 LLM（大语言模型集成模块）、MemoryManager（记忆管理模块）和 CodeExecutor（代码执行模块）的实例。

        （2）用户输入：用户提供自然语言描述的需求，例如 “写一个打印 Hello World 的程序”。

        （3）记忆管理：将用户输入添加到对话历史中，以便后续对话能够基于上下文进行。

        （4）构建对话上下文：将系统提示、对话历史和用户输入组合成一个完整的对话上下文，用于与大语言模型交互。

        （5）生成响应：使用大语言模型根据对话上下文生成响应，期望得到包含 Python 代码的回复。

        （6）提取代码：从大语言模型的响应中提取出 Python 代码部分。

        （7）代码执行：将提取的代码传递给代码执行模块进行安全检查和执行，并获取执行结果。

        （8）返回结果：将执行结果返回给用户，并将助手的回复添加到对话历史中，以便后续交互。

        （9）循环交互：重复步骤 2 到 8，实现持续的用户与智能体之间的交互。

图1 代码执行智能体流程

        大模型和记忆管理模块与上文基本保持一致，这里重点介绍代码执行模块（CodeExecutor）。其程序如下：

class CodeExecutor:
    """代码执行模块（带持久化环境）"""
    def __init__(self):
        self.locals = {}
        self.blacklist = ['open(', 'os.', 'sys.', 'subprocess.']  # 基础安全过滤
    
    def _safety_check(self, code):
        for forbidden in self.blacklist:
            if forbidden in code:
                return False, f"安全检查失败：检测到禁用关键字 {forbidden}"
        return True, ""
    
    def execute(self, code):
        # 执行安全检查
        is_safe, msg = self._safety_check(code)
        if not is_safe:
            return msg
        
        try:
            # 准备执行环境
            f = io.StringIO()
            with redirect_stdout(f):
                exec(code, self.locals, self.locals)  # 执行代码
            output = f.getvalue()
            return output.strip() or "代码执行成功（无控制台输出）"
        except Exception as e:
            return f"执行错误：{str(e)}"

        代码执行模块是保障 Python 代码安全运行的关键组件，其核心职责在于对输入代码进行安全性审查与执行，并将结果反馈给系统。在初始化阶段，该模块会创建一个空的本地命名空间 self.locals，用于存储代码执行时定义的变量和函数；同时构建黑名单 self.blacklist，将诸如 open(、os.、sys.、subprocess. 等可能触发危险操作的关键字纳入其中，为后续安全检查筑牢防线。

        在执行具体代码时，模块首先调用 _safety_check 方法，逐一遍历黑名单中的禁用关键字，若代码中存在任何禁用内容，立即返回 False 与错误提示，终止执行；若检查通过，则进入 execute 方法。该方法通过 io.StringIO 对象与redirect_stdout 实现控制台输出的捕获，利用 exec 函数在本地命名空间内执行代码，最终将捕获的输出结果或“代码执行成功（无控制台输出）”信息返回，若执行期间出现异常，也会及时将异常信息反馈，确保代码执行过程的安全性与结果可追溯性。

        代码执行智能体完整程序如下：

import openai
import re
from collections import deque
from contextlib import redirect_stdout
import io


class CodeExecutor:
    '''代码执行模块（带持久化环境）'''
    def __init__(self):
        self.locals = {}
        self.blacklist = ['open(', 'os.', 'sys.', 'subprocess.']  # 基础安全过滤
    
    def _safety_check(self, code):
        for forbidden in self.blacklist:
            if forbidden in code:
                return False, f'安全检查失败：检测到禁用关键字 {forbidden}'
        return True, ''
    
    def execute(self, code):
        # 执行安全检查
        is_safe, msg = self._safety_check(code)
        if not is_safe:
            return msg
        
        try:
            # 准备执行环境
            f = io.StringIO()
            with redirect_stdout(f):
                exec(code, self.locals, self.locals)  # 执行代码
            output = f.getvalue()
            return output.strip() or '代码执行成功（无控制台输出）'
        except Exception as e:
            return f'执行错误：{str(e)}'
class LLM:
    '''大语言模型集成模块'''
    def __init__(self):
        api_key = '<用户的 API Key>'
        base_url = 'https://dashscope.aliyuncs.com/compatible-mode/v1'
        self.model = 'qwen-turbo-latest'
        self.client = openai.OpenAI(
            api_key=api_key,
            base_url=base_url,
        )

    def generate_response(self, messages):
        try:
            response = self.client.chat.completions.create(
                model=self.model,
                messages=messages,
                temperature=0.3,  # 降低随机性保证代码准确性
                max_tokens=2000
            )
            return response.choices[0].message.content.strip()
        except Exception as e:
            return f'生成响应时出错：{str(e)}'


class MemoryManager:
    '''记忆管理模块'''
    def __init__(self, max_history=5):
        self.history = deque(maxlen=max_history)

    def add_history(self, role, content):
        self.history.append({'role': role, 'content': content})

    def get_history(self):
        return list(self.history)


class CodeAgent:
    '''代码执行智能体'''
    def __init__(self):
        self.llm = LLM()
        self.memory = MemoryManager()
        self.executor = CodeExecutor()
        self.system_prompt = {
            'role': 'system',
            'content': '''你是一个专业代码助手，请遵守以下规则：
1. 仅生成符合要求的Python代码
2. 代码必须用三个反引号包裹
3. 优先使用标准库
4. 保证代码简洁高效
5. 不要包含解释性文本'''
        }
        self.code_pattern = re.compile(r'```python\n(.*?)\n```', re.DOTALL)

    def _build_messages(self, history, prompt):
        messages = [self.system_prompt] + history
        messages.append({'role': 'user', 'content': prompt})
        return messages

    def _extract_code(self, response):
        match = self.code_pattern.search(response)
        return match.group(1).strip() if match else None

    def process_input(self, user_input):
        # 维护对话历史
        self.memory.add_history('user', user_input)
        
        # 准备对话上下文
        history = self.memory.get_history()
        messages = self._build_messages(history, user_input)
        
        # 获取LLM响应
        response = self.llm.generate_response(messages)
        
        # 处理代码执行
        execution_result = ''
        code = self._extract_code(response)
        print(f'[code]\n{code}')
        if code:
            execution_result = self.executor.execute(code)
            final_response = f'执行结果：\n{execution_result}'
        else:
            final_response = '未检测到有效代码，请确认是否满足以下要求：\n1. 使用python代码块\n2. 正确使用三个反引号包裹'
        
        # 更新对话历史
        self.memory.add_history('assistant', final_response)
        return final_response


def main():
    agent = CodeAgent()
    examples = [
        '写一个打印Hello World的程序',
        '创建一个从1加到100的求和函数并调用',
        '写一个计算斐波那契数列前n项的函数',
        '帮我生成一个三维坐标点的类，包含距离计算方法',
        '刚才的代码执行结果是什么？'
    ]
    
    for query in examples:
        print(f'[用户] {query}')
        response = agent.process_input(query)
        print(f'[助手] {response}\n{"-"*60}')


if __name__ == '__main__':
    main()

        完整运行结果如下：

(base) root@af9c70063d44:~/share/project/react-agent# /root/miniconda3/bin/python /root/share/project/react-agent/exp07-agent-basis/code_agent.py
[用户] 写一个打印Hello World的程序
[code]
print("Hello World")
[助手] 执行结果：
Hello World
------------------------------------------------------------
[用户] 创建一个从1加到100的求和函数并调用
[code]
def sum_1_to_100():
    return sum(range(1, 101))

print(sum_1_to_100())
[助手] 执行结果：
5050
------------------------------------------------------------
[用户] 写一个计算斐波那契数列前n项的函数
[code]
None
[助手] 未检测到有效代码，请确认是否满足以下要求：
1. 使用python代码块
2. 正确使用三个反引号包裹
------------------------------------------------------------
[用户] 帮我生成一个三维坐标点的类，包含距离计算方法
[code]
import math

class Point3D:
    def __init__(self, x=0, y=0, z=0):
        self.x = x
        self.y = y
        self.z = z

    def distance(self, other):
        dx = self.x - other.x
        dy = self.y - other.y
        dz = self.z - other.z
        return math.sqrt(dx**2 + dy**2 + dz**2)

# 示例使用
p1 = Point3D(1, 2, 3)
p2 = Point3D(4, 5, 6)
print(p1.distance(p2))
[助手] 执行结果：
5.196152422706632
------------------------------------------------------------
[用户] 刚才的代码执行结果是什么？
[code]
None
[助手] 未检测到有效代码，请确认是否满足以下要求：
1. 使用python代码块
2. 正确使用三个反引号包裹
------------------------------------------------------------

图2 代码执行智能体运行结果

     立即关注获取最新动态

点击订阅《React Agent 开发专栏》，每周获取智能体开发深度教程。项目代码持续更新至React Agent 开源仓库，欢迎 Star 获取实时更新通知！FGAI 人工智能平台：FGAI 人工智能平台 https://www.botaigc.cn/