需搭建安全隔离的Python运行时环境：一、用subprocess封装执行器，限制高危调用并设超时；二、用Docker构建沙箱，限制资源与网络；三、集成Ollama等本地模型，提取代码块交由执行器处理；四、用RestrictedPython静态分析+运行时拦截实现低延迟沙箱。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您希望在本地环境中为大模型配置代码解释器功能，使其能够直接执行Python代码，则需搭建一个安全、隔离且可调用的Python运行时环境。以下是实现该目标的具体步骤：
一、使用Subprocess封装Python执行器
该方法通过系统级subprocess模块启动独立Python进程，将代码作为标准输入传递，捕获输出与错误，避免与主进程共享状态，保障安全性与稳定性。
1、创建一个Python脚本文件，例如code_executor.py。
2、在脚本中导入subprocess和json模块。
立即学习“Python免费学习笔记（深入）”；
3、定义函数execute_python(code: str) -> dict，内部使用subprocess.run调用python -c执行传入代码。
4、设置超时参数（如timeout=5），防止无限循环阻塞。
5、捕获stdout、stderr及返回码，统一打包为JSON格式字典返回。
6、确保调用时传入的code字符串已做基础校验，禁止包含os.system、__import__、exec等高危调用。
二、基于Docker构建沙箱化执行环境
该方法利用容器技术实现资源隔离与依赖隔离，限制CPU、内存、网络访问，并挂载只读Python标准库，防止恶意代码影响宿主机。
1、编写Dockerfile，基于python:3.11-slim镜像。
2、在镜像中创建非root用户并切换至该用户运行。
3、使用docker run --rm --memory=128m --cpus=0.5 --network=none等参数启动容器。
4、通过stdin向容器内Python解释器传入代码，stdout读取结果。
5、在宿主机上编写调度脚本，将代码内容写入临时文件后映射进容器，禁用所有设备挂载和特权模式。
三、集成CodeLlama或Ollama本地推理服务
该方法适用于已部署本地大模型服务（如Ollama）的场景，通过HTTP API将代码块提取后转发至独立执行器，实现模型与执行器解耦。
1、启动Ollama服务并加载codellama:7b或phi3:mini等支持代码生成的模型。
2、配置代理中间件（如FastAPI应用），监听/v1/chat/completions请求。
3、解析响应中的```python...```代码块，提取纯Python语句。
4、将提取内容提交至前述Subprocess执行器或Docker执行器。
5、将执行结果以tool_call形式注入下一轮对话上下文，确保代码块提取正则不匹配注释或字符串内的反引号序列。
四、启用RestrictedPython沙箱解释器
该方法采用静态AST分析与运行时拦截机制，在不启动新进程的前提下限制语言特性，适合低延迟、高频调用场景。
1、安装restrictedpython库：pip install RestrictedPython。
2、定义allowed_builtins白名单，仅保留len、range、print等安全函数。
3、重写__import__为抛出ImportError的哑函数。
4、使用compile_restricted编译源码，捕获SyntaxError或CompileError。
5、通过exec在受限全局命名空间中运行编译后字节码，禁止启用eval、compile等动态代码构造能力。
