Code Agent 是迈向人工通用智能的关键技术，能够自动编写和优化代码。基于 Semantic Kernel 和 Pandora Box 快速构建 Code Agent 的方法。内容包括环境准备、核心代码实现、多轮对话案例演示以及安全最佳实践。通过整合 Azure OpenAI 服务和 Pandora Box 的沙箱执行能力，开发者可以创建一个能够理解自然语言需求并自主执行 Python 代码的智能体，从而提升软件开发效率和自动化水平。
在人工智能领域，Code Agent（代码智能体）不仅是技术进步的一个标志，更是我们迈向人工通用智能（AGI）的关键一步。AGI 旨在创造能够执行任何智能任务的 AI，而 Code Agent 的能力——自动编写、优化和执行代码——是实现这一目标的基石之一。
通过自动处理复杂的编程任务，Code Agent 不仅提高了软件开发的效率，更重要的是，它使机器能够理解和执行与软件开发相关的高级认知任务。例如，当开发者描述功能需求时，如'创建一个可以自动整理和分类电子邮件的应用程序'，Code Agent 不仅能生成代码，还能展示理解复杂需求并转化为实际操作步骤的能力。这种能力展示了 AI 在理解人类语言和逻辑方面的进步，是 AGI 的核心能力之一。
随着大型语言模型（LLMs）如 ChatGPT 和专用工具如 Copilot 的发展，AI 在编程领域的应用越来越广泛。这些工具在理解和生成代码的过程中积累的经验和数据，将为开发完全自主的 AI 系统奠定基础。未来，这些系统有望不仅仅是编程助手，而是能够独立设计和实施复杂项目的 AGI 实体。
为了搭建一个安全且高效的 Code Agent 环境，我们需要引入两个核心组件：Pandora Box 和 Semantic Kernel。
Pandora Box 不仅仅是一个 Python 包；它是通往 LLM 基础开发未来的大门。通过提供一个安全、易用且完全开源的解决方案，它使开发者能够探索他们的 LLM 应用和代理的全部潜力。无论你是在创建一个编码助手、一个 AI 数据分析师，还是任何其他 LLM 驱动的工具，Pandora Box 都为你提供了创新和卓越的基础。
它允许你在沙箱环境中执行 Python 代码，这对于 Code Agent 来说至关重要，因为它确保了用户输入的代码不会危害宿主系统的安全。
Semantic Kernel 是微软开源的一个轻量级开发套件，它让你可以轻松构建 AI Agent，并将最新的 AI 模型集成到您的 C#、Python 或 Java 代码库中。它提供了一个简单易用的 API，可以连接到各种 AI 服务，例如 OpenAI、Azure OpenAI 和 Hugging Face 等。作为高效的中间件，它能够快速交付企业级解决方案。
为了确保环境隔离和安全，建议使用 conda 来创建一个独立的虚拟环境。
# 确保 python 版本 >= 3.11
conda create -n pandora-box python=3.11
conda activate pandora-box
pip install PandoraBox
创建 Pandora Box 的 API key 是连接服务的关键步骤。
$ pbox a
这将生成一个唯一的 API 密钥，后续需要在代码中配置使用。
使用以下命令启动本地 HTTP 服务器以提供服务：
$ pbox s
默认情况下，服务将在 http://127.0.0.1:9501 运行。你可以通过访问该地址的 /openapi.json 端点来验证服务是否启动成功。
下面将展示如何使用 Semantic Kernel 整合 Azure OpenAI 服务和 Pandora Box 插件，构建一个具备代码执行能力的 Code Agent。
AzureChatCompletion 服务。如果没有 Azure 资源，可以直接替换为原生 OpenAI 服务，Semantic Kernel 提供了相应的连接器支持。openapi.json 文档路径即可。AzureChatPromptExecutionSettings，其中 tool_choice="auto" 和 function_call_behavior=FunctionCallBehavior.EnableFunctions(auto_invoke=True) 表示 Kernel 会自动进行函数调用，无需人工干预。ChatHistory 以及 system message，将 Pandora Box 创建的 API-key 放入 System Message 中，以便 Agent 知晓如何调用服务。import asyncio
from semantic_kernel import Kernel
from semantic_kernel.contents import ChatHistory
from semantic_kernel.connectors.ai.open_ai import (
AzureChatCompletion,
AzureChatPromptExecutionSettings
)
from semantic_kernel.connectors.openapi_plugin import OpenAPIFunctionExecutionParameters
from semantic_kernel.connectors.ai.function_call_behavior import FunctionCallBehavior
from semantic_kernel.functions import KernelArguments
async def main():
# 1. 创建 Kernel 实例
kernel = Kernel()
# 2. 创建 AzureChatCompletion 服务
# 注意：实际使用时请替换为你的真实 endpoint, api_key, deployment_name
chat_service = AzureChatCompletion(
default_headers={},
api_key="xxxxxx",
api_version="xxxxx",
endpoint="xxxxxx",
deployment_name="gpt-4-turbo"
)
kernel.add_service(chat_service)
# 3. 添加 PandoraBox 服务作为插件
# 基于 openapi.json 描述文档即可，PandoraBox 是 FastAPI 服务，所以完美支持
kernel.add_plugin_from_openapi(
plugin_name='PandoraBox',
openapi_document_path='http://127.0.0.1:9501/openapi.json',
execution_settings=OpenAPIFunctionExecutionParameters(enable_payload_namespacing=True)
)
# 4. 配置 Kernel 执行过程
# auto_invoke=True 表示 kernel 自动进行函数调用
azure_prompt_execution_settings = AzureChatPromptExecutionSettings(
tool_choice="auto",
function_call_behavior=FunctionCallBehavior.EnableFunctions(auto_invoke=True, filters={})
)
# 5. 配置对话 history 以及 system message
# 将 Pandora Box 创建的 api-key 放入其中
history = ChatHistory()
history.add_system_message("""
你是一个 Python 代码助手，可以通过 python 来解决用户的问题。
你可以通过 Python Box 服务创建 python 环境，执行 python 代码，关闭 python 环境等。
一个可用的 api-key：xxxxxxxxxx 通过 pbox a 创建 api-key xxxxxxxxx.
""")
# 6. 开始进行对话
while True:
user_input = input("User > ")
if user_input.lower() in ['quit', 'exit']:
break
history.add_user_message(user_input)
result = chat_service.get_streaming_chat_message_contents(
chat_history=history,
settings=azure_prompt_execution_settings,
kernel=kernel,
arguments=KernelArguments()
)
async for token in result:
print(str(token[-1]), end='')
print()
if __name__ == '__main__':
asyncio.run(main())
以下是 Code Agent 在实际场景中的表现，展示了其处理数学问题和代码生成的能力。
场景一：创建环境
User > 创建一个 python 环境
Agent > 已成功创建 Python 环境，您可以在此环境中执行 Python 代码。环境的标识 ID 为：a74ed602-03f6-4f89-8eb6-d88ddfdab7ff。如果需要运行代码，请提供要执行的代码内容。
场景二：数学问题求解
User > 帮我解一个方程，3x + 5y = 10; 5x + 4y = 14;
Agent > 解方程组 (3x + 5y = 10) 和 (5x + 4y = 14), 得到的解为：
- x ≈ 2.31
- y ≈ 0.62
场景三：代码生成与执行
User > 写代码解
Agent > 这是一个使用 Python 和 NumPy 来解给定的线性方程组的示例代码：
import numpy as np
# 定义系数矩阵
A = np.array([[3, 5], [5, 4]])
# 定义常数项
B = np.array([10, 14])
# 使用 numpy 的 linalg.solve 方法来解方程
solution = np.linalg.solve(A, B)
# 打印出解
print('Solution: x = {}, y = {}'.format(solution[0], solution[1]))
这段代码首先定义了一个 2x2 的系数矩阵 A，表示方程的左侧，和一个向量 B，表示方程右侧的常数。然后，它使用 np.linalg.solve 函数求解线性方程组 A * X = B。
User > 运行下
Agent > 解决方程后得到结果为：
- x = 2.307692307692308
- y = 0.615384615384615
在部署 Code Agent 时，安全性是首要考虑的因素。
切勿将 API 密钥硬编码在源代码中。建议通过环境变量或安全的配置文件读取密钥。在上面的示例中，System Message 包含了密钥，这在生产环境中是不推荐的，应改为通过插件参数传递。
Pandora Box 提供的沙箱环境是防止恶意代码执行的关键。确保始终启用沙箱功能，并限制代码执行的时间配额和资源消耗，防止 DoS 攻击。
在生产环境中，应增加对网络异常、API 超时以及插件调用失败的捕获机制。例如，当 Pandora Box 服务不可用时，Agent 应能优雅地提示用户，而不是直接崩溃。
本教程展示了如何利用 Semantic Kernel 和 Pandora Box 快速构建一个具备代码执行能力的 Code Agent。通过这种方式，你可以轻松扩展 Agent 的功能，例如接入数据库查询、文件操作或其他外部 API。
Code Agent 代表了 AI 从'对话'向'行动'转变的重要趋势。通过不断迭代和优化，我们正在一步步接近创建一个真正的人工通用智能。希望本教程能帮助你开启你的 AGI 探索之旅，并在实际项目中发挥大模型的强大能力。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online