e2b-dev/e2b 開源雲端微虛擬機沙盒教學:讓 AI 代理安全執行不信任程式碼的隔離架構
e2b-dev/e2b 透過 Firecracker 微虛擬機為 AI 代理提供完全隔離的雲端程式執行環境與檔案系統,一篇看懂 SDK 串接、自訂範本與資安邊界。
讓 AI 代理直接在本機終端機執行自動生成的 Python 或 Bash 指令,等同於把系統權限交給機率模型。
只要模型出現一次幻覺或遭到提示詞注入攻擊,惡意指令就能讀取環境變數、外洩金鑰,甚至刪除本機重要檔案。
e2b-dev/e2b 是專為解決這個痛點而生的開源雲端沙盒基礎設施,讓代理生成的程式碼在完全隔離的微虛擬機中執行。
不同於傳統容器只共享主機核心,這套沙盒架構能兼顧毫秒級啟動速度與硬體級的資安隔離邊界。
本篇 E2B 沙盒教學將帶你拆解微虛擬機隔離原理、Python 與 TypeScript SDK 串接步驟,以及企業自架的資安邊界設定。
為什麼 AI 代理不能只靠本機或一般 Docker 容器隔離
當開發者開始為大型語言模型加上程式碼直譯器或終端機工具時,最直覺的做法是在本機啟動一個子程序。
也有不少團隊會先起一個 Docker 容器來跑指令,認為這樣就已經把風險關在籠子裡。
這兩種做法在個人原型測試階段看似可行,一旦進入多租戶環境或處理外部不信任輸入,就會立刻暴露出嚴重的資安漏洞。
一般 Docker 容器雖然隔離了檔案系統與行程命名空間,但所有容器依然共享同一套宿主機 Linux 核心。
如果 AI 代理產生的程式碼觸發了核心漏洞或進行惡意系統呼叫,攻擊者仍有機會突破容器邊界,進而存取宿主機上的其他服務或雲端憑證。
此外,AI 代理的工作型態往往是高頻率、短生命週期的試錯循環。
代理可能為了修正一個語法錯誤,在十秒內連續執行五次腳本,甚至在背景安裝不同版本的套件。
這要求執行環境必須具備極快的冷啟動速度、可隨時銷毀的狀態,以及乾淨獨立的網路與檔案系統。
e2b-dev/e2b 的設計正是針對這套代理執行模式而生,將每一次任務工作階段都封裝進獨立的微虛擬機沙盒。
代理在沙盒內擁有完整的 Linux 環境、獨立檔案系統與網路介面,同時把潛在的破壞半徑鎖死在單一沙盒內。

E2B 沙盒核心架構與三大 SDK 模組解析
從官方儲存庫的架構來看,這套方案並非單一的程式碼執行工具,而是一套分層的開源基礎設施。
底層透過 Firecracker 微虛擬機提供獨立作業系統核心與硬體虛擬化隔離,確保不同工作階段之間毫無交集。
上層則依循不同的代理應用場景,拆分為三個主要 SDK 模組,讓開發者依照任務需求自由選用。
基礎控制層:e2b 核心沙盒套件
基礎層是核心沙盒套件 e2b,負責管理沙盒的生命週期、終端機指令執行與檔案讀寫操作。
當你的代理需要執行一般 Linux 命令、編譯專案、操作 Git 儲存庫或運行自動化測試腳本時,只要透過這層 SDK 就能完成所有控制。
資料科學層:Code Interpreter 套件
第二層是程式碼直譯器套件 e2b-code-interpreter,專為數據分析、圖表繪製與即時運算場景設計。
它在沙盒內部預載了狀態持久化的執行環境,代理可以像在 Jupyter Notebook 中一樣分段執行程式碼。
前一段程式宣告的變數、載入的資料表與函式庫狀態,都會保留在同一個沙盒工作階段中,不必每次重頭執行。
桌面操作層:Desktop 電腦代理套件
第三層則是桌面控制套件 e2b-desktop,針對近年熱門的電腦操作代理設計。
它提供滑鼠點擊、鍵盤輸入、螢幕截圖、應用程式啟動與桌面影像串流介面。
視覺語言模型可以直接在隔離的雲端桌面環境中操作 Chrome 瀏覽器或圖形介面軟體,大幅降低在本機模擬滑鼠鍵盤的風險。
延伸閱讀:加州檢察長控告 OpenAI:700 個 AI 代理逃出沙盒入侵 Hugging Face,訴訟焦點與責任爭議全解析
E2B 沙盒教學:十分鐘安裝與快速上手步驟
官方同時維護了 Python 與 JavaScript 兩套 SDK,完整支援主流後端與全端開發環境。
以下嚴格依照官方文件步驟,示範如何取得金鑰、啟動第一個雲端微虛擬機沙盒,並執行不同類型的代理任務。
步驟一:安裝基礎 SDK 與擴充模組
先依照專案使用的程式語言,選擇對應的套件管理指令安裝基礎 SDK。
如果你的代理需要跑互動式程式碼直譯器或圖形桌面控制,可以一併加裝對應的擴充套件。
# Python 環境安裝基礎沙盒 SDK
pip install e2b
# 若需程式碼直譯器或桌面控制功能可加裝
pip install e2b-code-interpreter
pip install e2b-desktop
# JavaScript 或 TypeScript 環境安裝
npm i e2b
# 對應的程式碼直譯器與桌面控制擴充套件
npm i @e2b/code-interpreter
npm i @e2b/desktop
步驟二:取得 API 金鑰並設定環境變數
安裝完成後,前往官方網站註冊帳號並在開發者控制台頁面產生一組 API 金鑰。
接著在終端機或專案根目錄的 .env 檔案中設定環境變數,讓 SDK 在初始化時自動讀取憑證。
export E2B_API_KEY=e2b_你的金鑰字串
步驟三:啟動沙盒並執行終端機指令
在 Python 環境中,官方文件建議使用 with Sandbox.create 上下文管理語法來建立並管理沙盒生命週期。
這種寫法能確保任務完成或程式發生例外錯誤時,自動關閉並釋放雲端微虛擬機資源。
from e2b import Sandbox
with Sandbox.create() as sandbox:
result = sandbox.commands.run('echo "Hello from E2B!"')
print(result.stdout)
在 TypeScript 或 Node.js 環境中,則透過非同步呼叫建立沙盒實例,再透過 commands.run 執行指令並取得標準輸出。
import Sandbox from 'e2b'
const sandbox = await Sandbox.create()
const result = await sandbox.commands.run('echo "Hello from E2B!"')
console.log(result.stdout)
步驟四:呼叫 Code Interpreter 與 Desktop 模組
如果你的 AI 代理需要執行多步驟數據分析,建議改用程式碼直譯器套件中的 runCode 或 Python 版本的 run_code 方法。
這個方法專為動態程式碼評估設計,能直接回傳運算結果與執行文字,省去手動解析終端機標準輸出的麻煩。
import { Sandbox } from '@e2b/code-interpreter'
const sandbox = await Sandbox.create()
const execution = await sandbox.runCode('x = 1; x += 1; x')
console.log(execution.text)
若要讓代理執行瀏覽器操作或桌面自動化任務,則可改用桌面套件啟動雲端 Google Chrome 並擷取即時畫面。
import { Sandbox } from '@e2b/desktop'
const desktop = await Sandbox.create()
await desktop.launch('google-chrome')
const screenshot = await desktop.screenshot()
開發實務常用操作速查:狀態管理與自訂流程
在實際把沙盒整合進 AI 代理迴圈時,開發者最常遇到兩個工程問題:如何讓代理保留工作狀態,以及如何縮短每次啟動的等待時間。
當代理執行多輪修復任務時,建議把同一個沙盒實例綁定在單一對話或單一任務工作階段上,而非每呼叫一次工具就重建一次沙盒。
這樣做不僅能讓代理在第一輪安裝的相依套件與暫存檔保留到下一輪,也能省下重複建立環境的開銷。
針對需要預載特定工具鏈的團隊,官方支援自訂沙盒範本與多種語言範例。
你可以參考官方維護的 e2b-cookbook 儲存庫,裡面收錄了與不同大型語言模型和主流代理框架整合的實戰範例。
實務開發上還有一項關鍵技巧,就是妥善處理沙盒內的錯誤輸出與指令逾時。
當代理執行一段有語法錯誤或缺少套件的腳本時,沙盒不會讓宿主程式崩潰,而是把標準錯誤訊息完整包在回傳物件中。
代理程式只要檢查指令結束代碼與錯誤欄位,就能把具體的報錯內容餵回給大型語言模型,讓模型自動修正程式碼並重試。
因此,我們建議在代理迴圈中設定重試上限,例如連續失敗三次就強制中斷並回報人工檢視,避免模型陷入無窮除錯迴圈而浪費大量 Token。
無論你是用 OpenAI 函式呼叫、Anthropic 工具使用,或是搭配 LangGraph 與 AgentScope 等編排框架,都能把沙盒包成一個標準工具交給代理呼叫。
呼叫流程非常單純:宿主程式先建立沙盒,接著將執行指令的工具定義交給模型,收到模型輸出的程式碼後再轉交給沙盒執行,最後只把標準輸出或錯誤訊息回傳給模型進行下一輪判斷。
AI 程式碼沙盒方案比較表
在選擇 AI 代理的程式執行環境時,團隊通常會在執行速度、隔離強度與維運成本之間權衡。
下表整理雲端微虛擬機沙盒與常見替代方案的核心差異,幫助你快速評估技術選型。
| 比較維度 | E2B 雲端微虛擬機沙盒 | 一般 Docker 容器 | 本機子程序執行 |
|---|---|---|---|
| 核心隔離層級 | 獨立核心與硬體虛擬化隔離 | 共享宿主機核心 | 無隔離,與主程式同權限 |
| 逃逸與越權風險 | 極低,微虛擬機邊界嚴密 | 中等,存在核心漏洞風險 | 極高,可直接存取本機資源 |
| 內建代理工具鏈 | 原生整合指令、直譯器與桌面 | 需自行封裝通訊與狀態管理 | 需自行處理逾時與行程清理 |
| 雲端自架支援 | 支援 Terraform 部署四大雲端 | 支援各類容器編排平台 | 僅限單機運行 |
| 適用開發階段 | 生產環境多租戶與不信任輸入 | 內部受控腳本與 CI 測試 | 僅限個人本機原型驗證 |
企業自架部署與資安邊界注意事項
雖然託管雲端服務開箱即用,但涉及企業內部敏感程式碼或資料落地合規要求時,團隊往往需要把沙盒部署在自己的基礎設施內。
官方在 e2b-dev/runtime 儲存庫中開源了完整執行時期環境,並提供基於 Terraform 的部署架構與 Embed 嵌入部署指南。
目前官方文件明確支援的雲端自架環境包含 AWS、Google Cloud、Azure,以及透過 Embed 方式部署在一般 Linux 主機上。
這讓企業可以在私有虛擬網路內部運行微虛擬機沙盒,確保敏感資料完全不離開自家機房或雲端帳號。
即便採用了硬體級的微虛擬機沙盒,系統架構師在設計代理工作流時仍必須設定清楚的資安邊界。
第一道防線是網路出口控管。
若你的 AI 代理只需要執行純數學運算、文字處理或本地檔案格式轉換,應該在沙盒網路層限制對外連線能力。
這能有效防止遭到提示詞注入的惡意程式碼,利用沙盒作為跳板對外發動網路請求或回傳上下文資料。
第二道防線是金鑰與憑證管理。
絕對不要將生產環境的資料庫密碼、內部服務權杖或高權限雲端金鑰直接寫入沙盒環境變數中。
凡是需要呼叫外部受保護 API 的動作,都應該由沙盒外部的宿主層代為驗證與轉發,只把經過脫敏的執行結果回傳給沙盒內部。
第三道防線是逾時與資源配額控管。
語言模型生成無窮迴圈或記憶體耗盡的腳本非常常見,務必在建立沙盒時設定明確的執行逾時上限與自動銷毀機制。
透過嚴格的生命週期管理,才能避免大量閒置或卡死的微虛擬機持續消耗雲端運算資源。
延伸閱讀:Apple 宣布 macOS 27.3 拆分裝置控制與資料存取權限:AI 代理時代的 Mac 資安新防線
常見問題
1. 這套 E2B 沙盒教學涵蓋哪些程式語言的 SDK 與執行環境
官方提供 Python 與 JavaScript 或 TypeScript 兩種控制端 SDK,套件名稱分別為基礎沙盒套件、程式碼直譯器套件與桌面套件。至於沙盒內部執行環境則是一個完整的 Linux 系統,只要透過指令執行工具安裝編譯器,就能運行 Python、Node.js、Bash 等各類語言程式碼。
2. 微虛擬機沙盒和傳統 Docker 容器最大的差別是什麼
傳統 Docker 容器與宿主機共享同一個作業系統核心,一旦發生核心層級的權限逃逸漏洞,整個宿主機都可能受影響。微虛擬機沙盒則為每個執行環境配置獨立的核心與硬體虛擬化邊界,將系統呼叫與檔案系統完全隔開,更適合用來執行來源不明或由 AI 動態生成的程式碼。
3. 企業可以將這套沙盒部署在自己的私有雲或 Linux 主機嗎
可以。開發團隊已透過 e2b-dev/runtime 開源完整執行時期架構,並提供 Terraform 部署腳本與 Embed 嵌入指南。官方文件列出的支援環境包含 AWS、Google Cloud、Azure 以及一般 Linux 機器,適合有資料落地與內網合規需求的團隊自行架設。
4. 使用雲端沙盒後還需要注意哪些資安風險
微虛擬機解決的是宿主機被入侵的底層風險,但無法自動防範應用邏輯層的資料外洩。開發者仍需控管沙盒對外網路存取權限,避免代理透過網路請求洩漏機敏上下文,同時不可將高權限金鑰注入沙盒環境中,並應限制單次執行的最長存活時間。
結語
對於正在開發自主程式代理、數據分析助手或電腦操作代理的工程團隊而言,e2b-dev/e2b 非常適合用來取代脆弱的本機子程序或自製容器方案,特別是必須處理外部使用者輸入或不信任程式碼的生產級應用。
如果你的應用場景完全只跑固定的靜態函式庫、不允許模型動態生成任何程式碼或終端機指令,那麼直接採用傳統 API 呼叫與伺服器端參數驗證即可,不需要額外引入微虛擬機沙盒的基礎設施複雜度。
選對隔離架構,才能讓 AI 代理真正具備動手解決問題的能力,而不必擔心系統在半夜被一段失控的腳本拖垮。如果你想持續掌握最新開源 AI 基礎設施與代理開發實戰,歡迎免費訂閱 AI 郵報,每週精選最值得關注的技術拆解與工具指南。