LangChain 集成指南

English

将调用 Python 工具的 LangChain Agent 运行在 CubeSandbox 的 MicroVM 中。由于 Cube 暴露了 与 E2B 兼容的 API，把 LangChain 应用从 E2B 迁移到 Cube 通常只需改几个环境变量，同时还能为 Agent 生成的每一行代码获得 KVM 级隔离。本文附带可运行的 examples/langchain-integration 示例工程。

两个 LangChain 大版本（0.x 与 1.x）

本指南提供两个变体，仅在 LangChain 的 Agent API 与所需 Python 版本上不同。两者共用同一个 run_python 工具（基于官方 cubesandbox SDK）和同一个沙箱模板。

变体	LangChain	langchain-openai	Python	Agent API	示例路径
0.x（传统）	`0.3.x`	`0.3.x`	3.9+	`AgentExecutor` + `create_react_agent`	`examples/langchain-integration/0.x`
1.x（现代）	`1.x`	`1.x`	3.10+	`langchain.agents.create_agent` + `@tool`	`examples/langchain-integration/1.x`

若你在 Python 3.9 上，或已有 LangChain 0.3.x 代码 → 用 0.x。若在 Python 3.10+ 且从零开始（或已在 LangChain 1.x 上）→ 用 1.x。

集成对象与版本

组件	0.x	1.x
LangChain	`langchain==0.3.23`	`langchain>=1.3.14,<2.0`
langchain-openai	`langchain-openai==0.3.12`	`langchain-openai>=1.0,<2.0`
LangGraph（`create_agent` 运行时）	—（未使用；`AgentExecutor` + `create_react_agent` 不依赖 LangGraph）	`langgraph>=0.2`（已在 `1.x/requirements.txt` 显式声明，保证示例自包含）
cubesandbox SDK（主驱动）	`cubesandbox>=0.6.0`	`cubesandbox>=0.6.0`
CubeSandbox 基础镜像	`ghcr.io/tencentcloud/cubesandbox-base:2026.16`	相同
CubeSandbox 平台	`>= 0.3.0`（核心）；可选特性见下表	`>= 0.3.0`（核心）；可选特性见下表

各特性的平台最低版本（上面的 SDK 下限覆盖基础工作流；仅当你使用该特性时才提高 cubesandbox/平台版本）：

特性	最低平台	最低 SDK
基础工作流（通过 49983 端口的 envd 进程 API 调用 `commands.run` / `files.write`、上下文管理器销毁）	`>= 0.3.0`	`>= 0.6.0`
CubeEgress 密钥注入（高级用法，默认拒绝出口流量）	`>= 0.4.0`	`>= 0.3.0`
卷挂载（`volume_mounts=`、`Volume` API）	`>= 0.6.0`	`>= 0.6.0`

前置条件

已部署 CubeSandbox，CubeAPI 可从 http://<node>:3000 访问。
cubemastercli 已在 $PATH 且已连通集群。
构建机装有 Docker，且 registry 能被 Cube 节点拉取。
Python 3.10+（1.x 变体）。0.x 变体在 Python 3.9+ 上也可运行。
能访问 Cube 集群节点。cubesandbox SDK 经 CUBE_API_URL 访问 CubeAPI、经 CUBE_PROXY_NODE_IP 访问数据面（使 *.cube.app 无需 DNS 即可解析）；若代理未监听 80 端口，需设置 CUBE_PROXY_PORT_HTTP。
一个 OpenAI 兼容的 LLM 端点（示例使用 TokenHub；任何 OpenAI 兼容端点均可经 OPENAI_BASE_URL / OPENAI_API_KEY 接入）。

为什么把 LangChain Agent 放进沙箱

LangChain Agent 经常会暴露代码执行工具（数据分析、文件转换、调用 shell）。在宿主机上运行该工具，会把 Agent 的影响范围与你的开发机混在一起。放进 CubeSandbox 后，你将获得：

关注点	CubeSandbox 提供
隔离	每个会话一个 KVM MicroVM，独立客户机内核——Agent 代码无法触碰宿主机
可复现	每次会话都从同一个模板快照启动
快速启动	冷启动低于 60ms，因此并行跑多个 Agent 成本很低
长任务	`sandbox.pause()` 快照 VM + 根文件系统，稍后恢复
密钥卫生	CubeEgress 可在网络层注入 LLM 鉴权头——VM 内永远看不到真实密钥
出口审计	每一次出站请求都会记录到出口审计日志

接入步骤

1. 构建模板镜像

在 cubesandbox-base 之上叠加 Python 数据科学栈（envd 已在 :49983 监听）。

dockerfile

# examples/langchain-integration/Dockerfile
ARG CUBE_BASE_IMAGE=ghcr.io/tencentcloud/cubesandbox-base:2026.16
FROM ${CUBE_BASE_IMAGE}

ARG DEBIAN_FRONTEND=noninteractive

RUN apt-get update \
    && apt-get install -y --no-install-recommends \
        python3 python3-pip ca-certificates git \
    && rm -rf /var/lib/apt/lists/*

# 为可复现构建锁定版本，按需升级
RUN python3 -m pip install --no-cache-dir --upgrade pip \
    && python3 -m pip install --no-cache-dir --break-system-packages \
        pandas==2.2.3 numpy==1.26.4 matplotlib==3.9.3 scikit-learn==1.6.1

WORKDIR /workspace

# 预置演示数据集，使示例 Agent 无需外部输入即可运行
COPY sales.csv /workspace/sales.csv

EXPOSE 49983

构建并推送：

bash

docker build --platform linux/amd64 \
  -t <your-registry>/langchain-cube:latest \
  examples/langchain-integration
docker push <your-registry>/langchain-cube:latest

2. 注册为 Cube 模板

bash

cubemastercli tpl create-from-image \
  --image <your-registry>/langchain-cube:latest \
  --writable-layer-size 2G \
  --expose-port 49983 \
  --probe       49983 \
  --probe-path  /health

create-from-image 默认会阻塞并等待任务完成；如需提交后立即退出、稍后再轮询，请加 --detach，之后用 cubemastercli tpl watch --job-id <job_id> 查看进度。

任务进入 READY 后，记下 template_id——每次 Sandbox.create() 都要传入它。2G 可写层适合中等分析任务；若 Agent 运行时安装大体积包，可调到 4G+。

3. 安装依赖并配置环境变量

bash

cd examples/langchain-integration/1.x      # 或 0.x，取决于你的 LangChain 版本
cp ../.env.example .env
# 填写 CUBE_API_URL、CUBE_API_KEY、CUBE_TEMPLATE_ID、CUBE_PROXY_NODE_IP 以及你的 LLM 密钥
pip install -r requirements.txt

变量	流向	说明
`CUBE_API_URL`	`cubesandbox` SDK	CubeAPI 地址（`http://<node>:3000`）
`CUBE_API_KEY`	`cubesandbox` SDK	（可选）`X-API-Key` 请求头；仅需在启用了鉴权的 CubeAPI 后端设置——鉴权关闭时 SDK 不发送任何认证头
`CUBE_TEMPLATE_ID`	`Sandbox.create(template=...)`	来自步骤 2
`CUBE_PROXY_NODE_IP`	`cubesandbox` SDK	CubeProxy 节点 IP，使 `*.cube.app` 无需 DNS 解析
`CUBE_PROXY_PORT_HTTP`	`cubesandbox` SDK	代理 HTTP 端口（默认 `80`；若代理监听 8081 则填 `8081`）
`OPENAI_API_KEY` / `TOKENHUB_API_KEY`	LLM 客户端	OpenAI 兼容密钥
`OPENAI_BASE_URL`	LLM 客户端	如 `https://tokenhub.tencentmaas.com/v1`
`CHAT_MODEL`	LLM 客户端	如 `deepseek-v3`
`CUBE_SSL_CERT_FILE`	demo	（可选）HTTPS CubeAPI 的自签名 CA 证书路径。demo 会将其导出为 `SSL_CERT_FILE`（进程全局）以供 gRPC 客户端信任——该 bundle 应同时包含公共根证书，否则 LLM 端点也会受影响

4. 把代码执行工具接到 Cube

Agent 逻辑在各版本间不变，只是工具体从本地 REPL 换成 Cube 沙箱。下面这段是 run_python 工具的 参考实现——基于官方 cubesandbox Python SDK（from cubesandbox import Sandbox），用 sandbox.files.write 上传代码、sandbox.commands.run 执行，因此 无需裸 HTTP。（已发布示例 0.x/1.x 在 build_agent 内部内联了等价逻辑。）

python

# run_python 工具 —— 官方 cubesandbox SDK（以下 snippet 使用此实现）
import itertools
from cubesandbox import Sandbox

def make_run_python(sandbox: Sandbox):
    """返回一个绑定到已创建 `sandbox` 的 run_python 工具。"""
    script_counter = itertools.count()
    def run_python(code: str) -> str:
        """在 Cube Sandbox MicroVM 内执行 Python；返回 stdout，若存在 stderr 则以分隔符附在其后。

        镜像已预装 pandas / numpy / matplotlib / scikit-learn。每次调用把代码片段写入唯一的
        /workspace/_agent_<n>.py 并运行，避免并发的工具调用互相覆盖。图表可保存到
        /workspace（如 /workspace/revenue.png）。
        """
        script = f"/workspace/_agent_{next(script_counter)}.py"
        sandbox.files.write(script, code)
        result = sandbox.commands.run(f"python3 {script}", timeout=120, cwd="/workspace")
        out = result.stdout
        # 用分隔符把 stderr 与 stdout 区分开，避免库警告（退出码为 0）混入
        # LLM 看到的真实输出。
        if result.stderr:
            out += "\n--- stderr ---\n" + result.stderr
        if result.exit_code != 0:
            out += f"\n[非零退出码: {result.exit_code}]"
        return out
    return run_python

一个沙箱跑完整轮、自动销毁。 整个 Agent 循环只创建一个 MicroVM（Sandbox.create(template=...)），并在 with 代码块退出时由上下文管理器调用 sandbox.kill()（DELETE /sandboxes/:sandboxID），因此不会泄漏沙箱。随附示例正是采用这一模式。

5. 运行 Agent

两个变体都构建同一个 ChatOpenAI 客户端并复用共用的 run_python 工具，区别仅在 Agent 的构建方式。为整轮运行创建一个 Sandbox，并用 make_run_python(sandbox) 把工具绑定上去：

1.x（现代 —— `langchain.agents.create_agent`）

python

import os
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.tools import tool
from cubesandbox import Sandbox

load_dotenv()
_llm_key = os.getenv("OPENAI_API_KEY") or os.getenv("TOKENHUB_API_KEY")
if not _llm_key:
    raise SystemExit("Missing LLM API key (set OPENAI_API_KEY or TOKENHUB_API_KEY)")

llm = ChatOpenAI(
    model=os.getenv("CHAT_MODEL") or "deepseek-v3",
    api_key=_llm_key,
    base_url=os.getenv("OPENAI_BASE_URL") or "https://tokenhub.tencentmaas.com/v1",
    timeout=60,
    max_retries=2,
    temperature=0,
)

SANDBOX_CONTEXT = (
    "You are a data analyst. You can execute Python inside a Cube Sandbox "
    "MicroVM via the run_python tool. Environment facts:\n"
    "- Working directory: /workspace\n"
    "- Demo dataset: /workspace/sales.csv with columns month,product,units,price\n"
    "  (6 rows: 3 months x 2 products; revenue is defined as units * price)\n"
    "- Preinstalled: pandas, numpy, matplotlib, scikit-learn\n"
    "- Save any charts/artifacts under /workspace\n"
    "When the user mentions 'the dataset' without a path, use /workspace/sales.csv.\n"
    "Modeling conventions for this tiny demo dataset (follow them unless the "
    "user explicitly specifies otherwise):\n"
    "- Regression/forecast target: monthly TOTAL revenue. Aggregate to one row "
    "per month, then use a numeric month index (0, 1, 2, ...) as the only "
    "feature.\n"
    "- Never use the target itself or its direct components (units, price) as "
    "features when predicting revenue - that is data leakage and yields a "
    "meaningless RMSE of 0.\n"
    "- The dataset is too small for a train/test split; fit and evaluate on "
    "all rows and explicitly state that the metric is in-sample.\n"
    "- Report only numbers actually printed by the executed code; never "
    "invent or estimate metric values."
)

with Sandbox.create(template=os.environ["CUBE_TEMPLATE_ID"], timeout=600) as sandbox:
    run_python = tool(make_run_python(sandbox))
    agent = create_agent(llm, [run_python], system_prompt=SANDBOX_CONTEXT)
    result = agent.invoke({"messages": [{"role": "user", "content":
        "从 /workspace 读取 sales.csv，按月计算总营收，并在最终回答中报告各月营收数字。"}]})
    for msg in reversed(result["messages"]):
        if msg.content:
            print(msg.content)
            break
    else:
        print("(no final answer in messages)")

0.x（传统 —— `AgentExecutor` + `create_react_agent`）

python

import os
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_react_agent
from langchain.tools import Tool
from langchain_core.prompts import PromptTemplate
from cubesandbox import Sandbox

load_dotenv()
_llm_key = os.getenv("OPENAI_API_KEY") or os.getenv("TOKENHUB_API_KEY")
if not _llm_key:
    raise SystemExit("Missing LLM API key (set OPENAI_API_KEY or TOKENHUB_API_KEY)")

llm = ChatOpenAI(  # 与上面相同的参数
    model=os.getenv("CHAT_MODEL") or "deepseek-v3",
    api_key=_llm_key,
    base_url=os.getenv("OPENAI_BASE_URL") or "https://tokenhub.tencentmaas.com/v1",
    timeout=60, max_retries=2, temperature=0,
)

with Sandbox.create(template=os.environ["CUBE_TEMPLATE_ID"], timeout=600) as sandbox:
    run_python = make_run_python(sandbox)
    tools = [Tool(name="run_python", func=run_python,
                  description="在 Cube Sandbox MicroVM 中执行 Python 代码。")]
    agent = create_react_agent(llm, tools, PromptTemplate.from_template(
        "You are a data analyst. Answer the question using tools.\n\n"
        "Environment facts:\n"
        "- Demo dataset: /workspace/sales.csv with columns month,product,units,price\n"
        "  (6 rows: 3 months x 2 products; revenue is defined as units * price)\n"
        "- Preinstalled: pandas, numpy, matplotlib, scikit-learn\n"
        "- Save any charts/artifacts under /workspace\n"
        "When the user mentions 'the dataset' without a path, use /workspace/sales.csv.\n"
        "Modeling conventions (unless the user specifies otherwise):\n"
        "- Regression target: monthly TOTAL revenue; aggregate per month and use "
        "a numeric month index (0, 1, 2, ...) as the only feature.\n"
        "- Never use the target or its components (units, price) as features - "
        "that is data leakage and yields a meaningless RMSE of 0.\n"
        "- Too small for a train/test split; evaluate in-sample and say so.\n"
        "- Report only numbers actually printed by the executed code.\n\n"
        "Tools: {tools}\n\n"
        "Use the following format:\n\n"
        "Question: the input question you must answer\n"
        "Thought: you should always think about what to do\n"
        "Action: the action to take, should be one of [{tool_names}]\n"
        "Action Input: the input to the action\n"
        "Observation: the result of the action\n"
        "... (this Thought/Action/Action Input/Observation can repeat N times)\n"
        "Thought: I now know the final answer\n"
        "Final Answer: the final answer to the original input question\n\n"
        "Begin!\n\n"
        "Question: {input}\n\nThought: {agent_scratchpad}"))
    executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors=True)
    result = executor.invoke({"input":
        "从 /workspace 读取 sales.csv，按月计算总营收，并在最终回答中报告各月营收数字。"})
    print(result["output"])

运行（在所选变体目录下）：

bash

python langchain_agent_demo.py
# 自定义问题：
python langchain_agent_demo.py "在数据集上训练一个线性模型并报告 RMSE。"

预期效果

使用默认提示词时，宿主机上打印的 Agent 最终回答会包含各月营收数字（2780.0 / 3375.5 / 3872.0）。（1.x 的 create_agent 默认不显示详细过程；0.x 的 AgentExecutor(verbose=True) 还会把完整推理过程打印到控制台。）

销毁是尽力而为：若 kill() 失败（例如沙箱已过期），SDK 的上下文管理器会静默吞掉错误——不会打印任何警告。如果你需要感知销毁失败，请显式调用 sandbox.kill() 并自行处理 CubeSandboxError。

关键代码片段

把 E2B 应用迁移到 Cube

如果你的 LangChain 应用已经在驱动 E2B 沙箱，代码几乎完全一致——只要把 import 换成 cubesandbox SDK，并指向 CubeAPI：

diff

- from e2b_code_interpreter import Sandbox
- # E2B 云端（托管）
- export E2B_API_KEY="e2b_xxx"
- export E2B_API_URL="https://api.e2b.dev"   # 默认值，通常省略
+ from cubesandbox import Sandbox
+ # Cube Sandbox（自托管，MicroVM 隔离）
+ export CUBE_API_URL="http://<your-cube-host>:3000"
+ # export CUBE_API_KEY="<your-api-key>"  # 仅用于启用了鉴权的后端
+ export CUBE_TEMPLATE_ID="<your-cube-template-id>"
+ export CUBE_PROXY_NODE_IP="<your-cube-host>"

Sandbox 的 API（Sandbox.create、commands.run、files.write、kill）形态保持一致，因此工具的其他代码无需改动。上面的示例正是使用这个 SDK。

本地基线（被替换的部分）

python

# 改造前：代码经 langchain_experimental 在宿主机运行
from langchain_experimental.tools import PythonREPLTool
tools = [PythonREPLTool()]

把 PythonREPLTool 换成上面的 run_python Cube 工具，即可免费获得隔离能力。

注意事项

envd 用户。 cubesandbox SDK 的 files.write / commands.run 默认以 root 运行，无需额外配置。（基础镜像还预置了一个非 root 的 uid=1000 用户；若让 SDK 以该用户运行，文件权限行为会随之变化。）
清理安全。 with Sandbox.create(...) as sandbox: 上下文管理器在退出时调用 sandbox.kill() （DELETE /sandboxes/:sandboxID，没有 /kill 子路径），即使 Agent 抛异常也不会泄漏沙箱。
一个沙箱跑完整轮、跨调用复用。 整个 Agent 循环只创建一个 MicroVM，并在每次 run_python 调用间复用，因此只需支付一次生命周期开销。
状态不跨轮次保留。 commands.run 每次都是全新的 python 进程，变量/导入不会在工具调用间存续。把片段需要的一切内联进去，或把中间状态写到 /workspace 再读回。
模板必须包含所需栈。 把 pandas/numpy/matplotlib 预装进镜像；在默认拒绝出口策略下，运行时 pip install 会失败。
超时。 同时设置沙箱 timeout（平台回收）和单次命令 timeout；长 Agent 循环可能耗尽任意一个。

进阶用法

网络隔离 + 密钥注入（原生 SDK）

在共享集群上，优先使用原生 cubesandbox SDK，配合默认拒绝出口与网络层密钥注入，让 LLM 密钥永不进入 VM：

python

import os
from cubesandbox import Sandbox, Rule, Match, Action, Inject

rules = [
    Rule(
        name="allow_llm",
        match=Match(scheme="https", sni="api.openai.com", host="api.openai.com"),
        action=Action(allow=True, audit="metadata", inject=[
            Inject(header="Authorization",
                   secret=os.environ["OPENAI_API_KEY"],
                   format="Bearer ${SECRET}"),
        ]),
    ),
]
with Sandbox.create(
    template=os.environ["CUBE_TEMPLATE_ID"],
    timeout=600,
    allow_internet_access=False,           # 默认拒绝；规则中的主机自动放行
    network={"rules": rules},
) as sandbox:
    run_agent(sandbox)                     # 退出 with 块时执行 sandbox.kill()

文件挂载

Sandbox.create() 没有 mounts 参数，请改用 Cube 特有的 API：

宿主机目录挂载通过 metadata["host-mount"] 传入（一个 JSON 编码的 {hostPath, mountPath, readOnly} 描述符列表），让 Agent 直接读写宿主机共享数据，无需经 files.write 来回搬运。注意 hostPath 必须位于允许的前缀之下（默认仅 /data/shared/；如需其他路径，请先在 CubeMaster 配置中扩展 allowed_host_mount_prefixes）：

python

import json
from cubesandbox import Sandbox

sandbox = Sandbox.create(
    template=os.environ["CUBE_TEMPLATE_ID"],
    metadata={
        "host-mount": json.dumps([
            {"hostPath": "/data/shared/datasets", "mountPath": "/workspace/datasets",
             "readOnly": True},
        ]),
    },
)

卷挂载使用 volume_mounts={挂载路径: 卷ID}（参见 examples/volume）：

python

from cubesandbox import Sandbox, Volume

vol = Volume.create("my-workspace")
sandbox = Sandbox.create(
    template=os.environ["CUBE_TEMPLATE_ID"],
    volume_mounts={"/workspace": vol},
)

长任务暂停 / 恢复

pause() 返回 None——沙箱 ID 不会改变。恢复时对同一 ID 调用 Sandbox.connect() 即可：

python

sandbox = Sandbox.create(template=os.environ["CUBE_TEMPLATE_ID"], timeout=1800)
try:
    turn_1(sandbox)
    sandbox.pause()
    sandbox = Sandbox.connect(sandbox.sandbox_id)   # 恢复后 /workspace 完好
    turn_2(sandbox)
finally:
    sandbox.kill()

故障排查

现象	可能原因	解决办法
文件操作 `permission denied`	envd 用户不匹配	`cubesandbox` SDK 的 `files.write` / `commands.run` 默认以 `root` 运行。若使用 E2B SDK，请设置 `e2b.envd.rpc.default_username = "root"`。
`command not found: python`	模板缺少 Python	重新构建包含 `python3` 的镜像
`ModuleNotFoundError: pandas`	镜像未含该栈	在 Dockerfile 中加入 pandas/numpy/matplotlib
`403 Forbidden - CubeEgress`	默认拒绝且无放行规则	放行 LLM 主机（及其他所需主机）
连接 CubeAPI `Connection refused`	`CUBE_API_URL` 错误	设为 `http://<node>:3000`
模板卡在 `PULLING`	集群无法访问仓库	推送到集群可访问的仓库
`run_python` 无返回	脚本没有 stdout	让 Agent 显式 `print()` 结果

参考资料

可运行示例 —— 0.x（LangChain 0.3.x）：examples/langchain-integration/0.x · 1.x（LangChain 1.x）：examples/langchain-integration/1.x
自带镜像：docs/guide/tutorials/bring-your-own-image.md
从镜像创建模板：docs/guide/tutorials/template-from-image.md
快照 / 克隆 / 回滚：docs/guide/snapshot-rollback-clone.md
凭证保管 + 出口控制：docs/guide/security-proxy.md
LangChain：https://github.com/langchain-ai/langchain
E2B SDK：https://github.com/e2b-dev/e2b
langchain_e2b（E2B 官方 LangChain 集成包）：https://github.com/e2b-dev/langchain_e2b

Kubernetes 部署

故障排障

应用案例

LangChain 集成指南

两个 LangChain 大版本（0.x 与 1.x）

集成对象与版本

前置条件

为什么把 LangChain Agent 放进沙箱

接入步骤

1. 构建模板镜像

2. 注册为 Cube 模板

3. 安装依赖并配置环境变量

4. 把代码执行工具接到 Cube

5. 运行 Agent

1.x（现代 —— `langchain.agents.create_agent`）

0.x（传统 —— `AgentExecutor` + `create_react_agent`）

预期效果

关键代码片段

把 E2B 应用迁移到 Cube

本地基线（被替换的部分）

注意事项

进阶用法

网络隔离 + 密钥注入（原生 SDK）

文件挂载

长任务暂停 / 恢复

故障排查

参考资料

LangChain 集成指南 ​

两个 LangChain 大版本（0.x 与 1.x） ​

集成对象与版本 ​

前置条件 ​

为什么把 LangChain Agent 放进沙箱 ​

接入步骤 ​

1. 构建模板镜像 ​

2. 注册为 Cube 模板 ​

3. 安装依赖并配置环境变量 ​

4. 把代码执行工具接到 Cube ​

5. 运行 Agent ​

1.x（现代 —— langchain.agents.create_agent） ​

0.x（传统 —— AgentExecutor + create_react_agent） ​

预期效果 ​

关键代码片段 ​

把 E2B 应用迁移到 Cube ​

本地基线（被替换的部分） ​

注意事项 ​

进阶用法 ​

网络隔离 + 密钥注入（原生 SDK） ​

文件挂载 ​

长任务暂停 / 恢复 ​

故障排查 ​

参考资料 ​

LangChain 集成指南

两个 LangChain 大版本（0.x 与 1.x）

集成对象与版本

前置条件

为什么把 LangChain Agent 放进沙箱

接入步骤

1. 构建模板镜像

2. 注册为 Cube 模板

3. 安装依赖并配置环境变量

4. 把代码执行工具接到 Cube

5. 运行 Agent

1.x（现代 —— `langchain.agents.create_agent`）

0.x（传统 —— `AgentExecutor` + `create_react_agent`）

预期效果

关键代码片段

把 E2B 应用迁移到 Cube

本地基线（被替换的部分）

注意事项

进阶用法

网络隔离 + 密钥注入（原生 SDK）

文件挂载

长任务暂停 / 恢复

故障排查

参考资料