2026-11-10 · 14 min read

给 Agent 三个超能力,然后把它关进沙盒

一份关于代码解释器与无头浏览器的课程文稿整理。作者先定义了他认为决定 Agent 上限的三样东西:文件操作、代码解释器、无头浏览器,并给出理由——这三样恰好覆盖了人在电脑上能做的全部事情:看、记、算。但紧接着是警告:这三样裸跑在宿主机上是灾难。于是引出容器隔离,以及一个把浏览器、代码、文件合在一起的沙盒镜像。后半段用一个股票早报助手跑通全链路,其中有一段很长的翻车现场——MCP 工具要求数字参数,模型反复传字符串,最后改用脚本注入才绕过去。

本文整理自课程文稿《15|王牌超能力:代码解释器与无头浏览器》。文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。

文中的工具行为、参数名与实测过程沿用文稿原述,未做外部核验。

MCP 那一讲解决了「怎么接工具」。这一讲回答另一个问题:接哪些工具才算真正强大。

作者给了三样,并且把话说得很重:这是让 Agent 像钢铁侠一样的三块核心。

三个超能力

能力具体是什么
文件操作读(带行数与分页)、写、以 diff 方式局部编辑
代码解释器跑 bash,写并执行 Python / JavaScript
无头浏览器基于 Playwright,能看网页,也能操作网页

为什么是这三个

他给了一个很漂亮的对应关系:这三样恰好覆盖了一个人在电脑上能做的全部事。

**第一,看的能力。**浏览网站、搜索信息——它把外部世界变成 Agent 可获取的东西。

**第二,记的能力。**能读能写,就意味着能持久化。

**第三,算的能力。**能执行代码,就相当于接了一个万能接口。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A["看<br/>浏览器"] --> H["像一个人那样<br/>使用电脑"]
    B["记<br/>文件读写"] --> H
    C["算<br/>代码执行"] --> H

上图是这个对应关系。人靠眼睛、笔记本和计算器;它靠这三样。

Skill 的底层其实只是文件读

他在这里拆了一个很多人没想过的点。

Skill 的本质是什么?就是用 read 工具加载那个 SKILL.md。而这份文件里写着:其他有用的东西在 references 或 scripts 目录下。于是 Agent 会顺着去读那些目录。

**说白了,就是把要给 Agent 的知识做了一次结构化整合。**而它底层依赖的,就是文件读取能力。

同理,为什么某些 Agent 能「自我进化」?因为它能改自己的配置文件、写自己的 skill。 能写是关键。

然后:不要裸跑

讲完能力,他立刻转向风险,而且语气变重了。

如果你让它在自己的宿主机上裸奔,大概率会碰到灾难。

他举了两个真实的例子。

例子一:rm -rf。 不用别人恶意攻击,光是 Agent 时不时自己来一下,就够受的。

例子二:自己把自己的网断了。 他提到网上有人养的 agent,觉得某个进程没必要,结果把自己的网络权限删掉了,再也回不来了。

所以他的结论很硬:企业级应用不要在宿主机上裸跑这三样东西。

容器解决了什么

他对比得很清楚。

裸跑容器里
能访问什么任意文件、任意地址只有容器内
数据泄露有可能隔离
rm -rf 的后果整个系统崩只毁掉容器
出事之后收拾残局删掉,起一个新的

你做的事情就是不停通过容器接口递交任务,拿结果。容器崩了就崩了,毁掉重启一个就完事。

那个 All-in-One 沙盒

他推荐了一个现成镜像,理由是它把三件事合到了一起:过去要做浏览器沙盒、代码沙盒、文件沙盒三套,现在一个就够。

它带来的效果是文件在浏览器、代码、上传下载之间是通的:

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    B["浏览器<br/>下载文件"] --> F["沙盒文件系统"]
    F --> C["代码执行<br/>直接读取处理"]
    C --> U["上传回网页"]

上图是这种连通性。这也是他说的「一站式」的真正含义——不是三个工具放在一起,是它们共用一套文件系统。

实战:一个股票早报助手

他做的项目很具体:阿里港股早报。

流程分四段。

步骤做什么
一拿最新行情 + 过去 30 天 K 线
二量化分析(金叉、压力位、价量关系)
三抓舆情资讯,判断利好利空
四汇总成一份早报

**第二步值得单独说。**他说自己「也没告诉它怎么算」——只说要量化分析,AI 自己生成代码去算。

架构上的一个选择

他特意对比了另一种做法。

有些单 agent 架构会把所有功能都加载到主 agent 的上下文里。

而他的做法是拆出一个专门的「沙盒 Agent」。

理由回到前面几讲讲过的那个点:

单 Agent 和 Multi-Agent 最大的区别在上下文管理。单 Agent 里你一直得想办法压缩,因为它时不时就爆。而主 Agent 委派给子 Agent 时,子 Agent 只用自己那段上下文,任务交付完就没了。

所以沙盒这种又重又脏的活,最适合丢给一个专门的 Agent。

沙盒 Agent 的一个特殊要求

他在 prompt 里加了一条自己的偏好:要求它时不时把中间产物写进沙盒文件。

理由有两层,第二层我读完觉得很妙:

  1. 能激活上下文,让任务完成得更好。
  2. 你能去沙盒里查这些记录,看到它到底怎么执行的、有没有偏差。

**这其实是把「思考过程」变成了可检索的日志。**和前面几讲那个「中间产物保存工具」是同一个思路,只是这次落到了文件系统上。

那段很长的翻车现场

这一讲最有价值的部分,是作者没有剪掉的一段失败。

任务:去雅虎财经查阿里港股。

**第一步顺利。**它打开无头浏览器,进了雅虎财经主页,里面一堆冗余信息,但它还是找到了那个输入框。

然后卡住了。

它要往输入框填港股代码,但 MCP 工具报错:这个参数必须是数字,不是字符串。

于是它改用数字。但还是错——因为它用的是字符串形式的数字。

它在这个问题上折腾了很久。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    A["填股票代码"] --> B["传字符串<br/>报错:要数字"]
    B --> C["传数字<br/>仍然报错"]
    C --> D["反复重试"]
    D --> E["放弃这条路"]
    E --> F["改用脚本注入<br/>直接执行 script 填充"]
    F --> G["成功"]

上图是这段折腾的轨迹。注意最后那一步:它不是把参数改对了,而是换了一条完全不同的路。

他给这个失败的归因

因为我用的沙盒自己封装的那套工具描述并不适合 AI 调用。它期望数字,但怎么让它传数字这件事没写明白。

这个归因正好回到 13 讲那套 SOP:问题不在模型,在工具描述。

他甚至说「我应该给它改一个提示词,告诉它需要用数字」。

但失败之后,它做对了

值得记的是后半段。

它绕开输入框之后,直接写脚本让浏览器去执行填充。然后一路走通:拿详情页、拿历史行情、自己写 Python 算 30 天数据,输出短期与中长期趋势、支撑位、价量关系。

他特意强调了一句:「我没有给它更多的提示,它都是纯自己写代码分析出来的。」

前面 12 讲反复说「错误信息要告诉模型下一步怎么办」,这里给了一个反面印证:信息写得含糊,它就要用很多轮去猜。

反模式与最佳实践

反模式

反模式后果
宿主机裸奔灾难,见前文
控制台不干净代码解释器通常把 stdout 当工具返回,你 print 一堆东西,JSON 就乱了
生吞 HTML直接给源码,模型很难用
忽视异步渲染页面还没渲染完就去拿结果,拿不到

「控制台不干净」这一条我认为最实用,因为它在日常开发里极易踩到:一次调试用的 print,就能让下游解析失败。

最佳实践

一、给工具设定优先级。

他说这条非常有用,而且理由很具体:

当你同时给了文件、代码、浏览器之后,它能完成一件事的路径非常多。

拿行情数据举例:刚才它折腾那么久,是因为它在按人的方式用浏览器。但其实可能有搜索 API,或者有专门的股票数据包——装个包写几行代码就拿到了,效率远高于浏览器。

而这个优先级,需要你教给它。

二、事先把依赖装好。

为了速度和稳定性,尽量在沙盒里预装足够的依赖包。

他还补了一个更巧的做法:在 MCP 描述里把已装的包告诉模型。 这样它会基于现有依赖写代码,而不会先去折腾装包。

三、把伪装打开。

用真实 User Agent、屏幕分辨率、设备指纹。因为现在很多网站只要识别出是机器人就拦掉。

四、用强模型。

这条他说得最直接:

这些超能力真的非常依赖模型能力。换个特别弱的模型,基本上就卡住了。

我的三点补充

以下是评注,不是原片内容;取舍由我负责。

第一,「看、记、算」这个三分法比任何工具清单都稳定。 因为工具会变——今天是 Playwright,明天可能是别的东西。但人使用电脑的方式不会变。所以判断一个 Agent 缺什么能力,可以直接问:它现在不能看、不能记,还是不能算?这个框架不随工具迭代失效。

第二,那段翻车现场的价值,在于它展示了「模型换路」的机制。 它没有把参数类型改对,它放弃了这条路径,换了一条。这说明在工程上:当工具描述写得不清楚时,你得到的不是「报错后修正」,而是「绕路」。 绕路能成功,但代价是几十轮试错和一堆 token。所以工具描述的质量,直接决定了 Agent 是走直线还是绕迷宫。

第三,「在 MCP 描述里告诉模型预装了哪些包」,这个做法其实是在给它画能力边界。 模型不知道自己有什么可用,就会倾向「先装一个」。而你说清楚「这些已经有了」,它就直接写代码。这和省 token 无关,和减少不确定性有关。


一句话总结:三个超能力让 Agent 能碰到电脑上的一切。所以得先划一块它碰不到东西的地方出来。 沙盒不是限制它,是让它可以放心乱来。

搜索全站

输入关键词,查找项目与实践记录。