code-interpreter

コードインタープリター

AWS Bedrock AgentCore Code Interpreter を利用した汎用コード実行環境です。安全なサンドボックス内でコードを実行し、シェルコマンドを実行して、ファイルを管理できます。

利用可能なツール

• execute_code(code, language, output_filename)：Python、JavaScript、または TypeScript のコードを実行します。
• execute_command(command)：シェルコマンドを実行します。
• file_operations(operation, paths, content)：マウントされたセッションのワークスペース内で、ファイルの読み取り、書き込み、一覧表示、削除を行います。

ツールのパラメーター

execute_code

パラメーター	型	必須	デフォルト	説明
code	string	はい		実行するコードです。テキスト出力には print() を使用します。
language	string	いいえ	"python"	"python"、"javascript"、または "typescript"
output_filename	string	いいえ	""	永続的なセッションファイルとして公開するファイルです。コードでは、この名前と完全に一致するファイルを保存する必要があります。

execute_command

パラメーター	型	必須	説明
command	string	はい	実行するシェルコマンドです（例："ls -la"、"pip install requests"）。

file_operations

パラメーター	型	必須	説明
operation	string	はい	"read"、"write"、"list"、または "remove"
paths	list	read/list/remove の場合	ファイルパスです。read：["file.txt"]、list：["."]、remove：["old.txt"]
content	list	write の場合	path と text を含むエントリーです：[{"path": "out.txt", "text": "hello"}]

tool_input の例

execute_code — テキスト出力

{
  "code": "import pandas as pd\ndf = pd.DataFrame({'A': [1,2,3], 'B': [4,5,6]})\nprint(df.describe())",
  "language": "python"
}

execute_code — グラフの生成

{
  "code": "import matplotlib\nmatplotlib.use('Agg')\nimport matplotlib.pyplot as plt\nimport numpy as np\nx = np.linspace(0, 10, 100)\nplt.figure(figsize=(10,6))\nplt.plot(x, np.sin(x))\nplt.title('Sine Wave')\nplt.savefig('sine.png', dpi=300, bbox_inches='tight')\nprint('Done')",
  "language": "python",
  "output_filename": "sine.png"
}

execute_command — パッケージのインストール

{
  "command": "pip install yfinance"
}

execute_command — 環境の確認

{
  "command": "python --version && pip list | head -20"
}

file_operations — ファイルの書き込み

{
  "operation": "write",
  "content": [{"path": "config.json", "text": "{\"key\": \"value\"}"}]
}

file_operations — ファイルの一覧表示

{
  "operation": "list",
  "paths": ["."]
}

file_operations — ファイルの読み取り

{
  "operation": "read",
  "paths": ["output.csv"]
}

このスキルを使用する場面

コードインタープリターは、コードのテストやプロトタイプ作成のためのサンドボックスとして使用します。 本番環境向けの作業（ドキュメント、グラフ、プレゼンテーションの作成）には、専用のスキルを優先してください。

次の用途には使用しないでください：

• コード例の整形や表示（Markdown のコードブロックで直接回答してください）
• コードやアルゴリズムの説明（テキストで直接回答してください）
• 頭の中でできる簡単な計算（答えをそのまま提示してください）
• 実際にコードを実行する必要のないタスク

タスク	推奨スキル	備考
グラフ／図の作成	visual-design	本番用のグラフでは、まずこれを使用してください
Word ドキュメントの作成	word-documents	テンプレートとスタイリングに対応しています
Excel スプレッドシートの作成	excel-spreadsheets	書式設定のパイプラインと検証機能があります
PowerPoint の作成	powerpoint-presentations	レイアウトシステムとデザインパターンを備えています
コードスニペットのテスト	code-interpreter	デバッグ、ロジックの検証、出力の確認
アルゴリズムのプロトタイプ作成	code-interpreter	実装前に試行
パッケージのインストール／テスト	code-interpreter	互換性の確認、API のテスト
コードロジックのデバッグ	code-interpreter	特定の関数を切り分けてテスト
計算の検証	code-interpreter	簡単な計算やデータの確認

コードインタープリターとコードエージェントの比較

	コードインタープリター	コードエージェント
性質	サンドボックス化された実行環境	自律型エージェント（Claude Code）
最適な用途	簡単なスクリプト、データ分析、プロトタイプ作成	複数ファイルのプロジェクト、リファクタリング、テストスイート
ファイルの永続性	/mnt/workspace 内のファイルはインタープリターの再起動後も保持されます	すべてのファイルが自動的に S3 と同期されます
セッションの状態	変数は1つのインタープリターセッション内で保持され、ワークスペース内のファイルはチャットセッション中保持されます	ファイルと会話はセッション間で保持されます
自律性	コードはユーザーが記述します	エージェントが計画、記述、実行、反復を行います
使用する場面	特定のコードを実行する必要がある場合	問題をエンドツーエンドで解決するエンジニアが必要な場合

ワークスペースとの連携

チャットセッションには、/mnt/workspace にマウントされた永続ファイルシステムがあります。 Code Interpreter ツールで使用する相対ファイルパスは、このディレクトリ内を参照します。 ここに書き込まれたファイルは一時ファイルであり、インタープリターセッションを 再起動しても利用できます。output_filename を指定しない限り、ファイルはユーザーがダウンロードできる成果物にはなりません。

マウントは必須です。設定またはアタッチできない場合、Code Interpreter は永続性のない分離セッションを開始せず、エラーを返します。

永続ファイルを直接作成する：

{
  "tool": "execute_code",
  "code": "from pathlib import Path\nPath('/mnt/workspace/results.json').write_text('{\"ok\": true}')"
}

生成したファイルを Generated Files に表示する、またはユーザーがダウンロードできるようにする必要がある場合は、output_filename を使用してください。ツールは成功を返す前に、そのファイルを公開して検証します。/mnt/workspace への Markdown リンクを作成したり、ワークスペース内のパスをダウンロードリンクとして記述したりしないでください。アプリケーションがファイル操作を表示します。

アップロードされたファイル：

ユーザーがアップロードしたファイルは、手動で読み込んだり base64 で転送したりしなくても、マウントされたワークスペースの /mnt/workspace/inputs から利用できます。JSON、JSONL、NDJSON の添付ファイルは、会話内では一部のテキスト抜粋として表示される場合があります。データセット全体が必要な場合は、マウントされたファイルを使用してください。

一時ファイルの確認には file_operations を使用してください。公開されたファイルはアプリケーションに表示されるため、表示されているファイル名で参照してください。

環境

• 言語： Python（推奨、200 以上のライブラリ）、JavaScript、TypeScript
• シェル： execute_command による完全なシェルアクセス
• ファイルシステム： /mnt/workspace はチャットセッション中、Code Interpreter の再起動後も維持されます
• セッション状態： 変数は 1 つのインタープリターセッション内で維持され、ファイルはマウントされたワークスペース内で維持されます
• ネットワーク： インターネットアクセスが利用可能です（requests、urllib、curl を使用できます）

サポートされている言語

• Python（推奨）— データサイエンス、ML、可視化、ファイル処理に対応した 200 以上のプリインストール済みライブラリ
• JavaScript — JSON 操作や非同期処理に便利な Node.js ランタイム
• TypeScript — 型チェックに対応した TypeScript ランタイム

プリインストール済み Python ライブラリ

データ分析と可視化

ライブラリ	主な用途
pandas	DataFrame、CSV/Excel の入出力、グループ化、ピボット
numpy	配列、線形代数、乱数、統計
matplotlib	折れ線、棒、散布図、ヒストグラム、サブプロット
plotly	インタラクティブなグラフ、3D プロット
bokeh	インタラクティブな可視化
scipy	最適化、補間、信号処理
statsmodels	回帰、時系列、仮説検定
sympy	代数、微積分、方程式の求解

機械学習と AI

ライブラリ	主な用途
scikit-learn	分類、回帰、クラスタリング、パイプライン
torch / torchvision / torchaudio	ディープラーニング、コンピュータービジョン、音声
xgboost	高性能な勾配ブースティング
spacy / nltk / textblob	NLP、トークン化、NER、感情分析
scikit-image	画像処理、フィルター、セグメンテーション

数学と最適化

ライブラリ	主な用途
cvxpy	凸最適化、ポートフォリオ最適化
ortools	スケジューリング、ルーティング、制約プログラミング
pulp	線形計画法
z3-solver	SAT ソルバー、形式検証
networkx / igraph	グラフアルゴリズム、ネットワーク分析

ファイル処理とドキュメント

ライブラリ	主な用途
openpyxl / xlrd / XlsxWriter	書式設定に対応した Excel の読み書き
python-docx	Word ドキュメントの作成・変更
python-pptx	PowerPoint の作成・変更
PyPDF2 / pdfplumber / reportlab	PDF の読み込み・書き込み・生成
lxml / beautifulsoup4	XML/HTML の解析
markitdown	さまざまな形式から Markdown への変換

画像とメディア

ライブラリ	一般的な用途
pillow (PIL)	画像のリサイズ、切り抜き、フィルター、変換
opencv-python (cv2)	コンピュータービジョン、特徴検出
imageio / moviepy	画像／動画の入出力と編集
pydub	音声の操作
svgwrite / Wand	SVG の作成、ImageMagick

データストレージと形式

ライブラリ	一般的な用途
duckdb	DataFrame とファイルに対する SQL クエリ
SQLAlchemy	SQL ORM とデータベースの抽象化
pyarrow	Parquet と Arrow 形式の処理
orjson / ujson / PyYAML	高速な JSON／YAML の解析

Web と API

ライブラリ	一般的な用途
requests / httpx	HTTP リクエスト、API 呼び出し
beautifulsoup4	Web スクレイピング
fastapi / Flask / Django	Web フレームワーク

ユーティリティ

ライブラリ	一般的な用途
pydantic	データ検証、スキーマ定義
Faker	テストデータの生成
rich	見栄えのよい出力、テーブル
cryptography	暗号化、ハッシュ化
qrcode	QR コードの生成
boto3	AWS SDK

バージョン付きの 200 以上のライブラリの完全な一覧を表示するには、execute_command(command="pip list") を実行してください。

使用パターン

パターン 1：データ分析

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'date': pd.date_range('2024-01-01', periods=100),
    'revenue': np.random.normal(1000, 200, 100),
    'costs': np.random.normal(700, 150, 100),
})
df['profit'] = df['revenue'] - df['costs']

print("=== Summary Statistics ===")
print(df.describe())
print(f"\nTotal Profit: ${df['profit'].sum():,.2f}")
print(f"Profit Margin: {df['profit'].mean() / df['revenue'].mean() * 100:.1f}%")

パターン 2：可視化（output_filename を使用）

import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt
import numpy as np

fig, axes = plt.subplots(2, 2, figsize=(14, 10))

categories = ['Q1', 'Q2', 'Q3', 'Q4']
values = [120, 150, 180, 210]
axes[0,0].bar(categories, values, color='#2196F3')
axes[0,0].set_title('Quarterly Revenue')

x = np.linspace(0, 10, 50)
axes[0,1].plot(x, np.sin(x), 'b-', linewidth=2)
axes[0,1].set_title('Trend')

sizes = [35, 30, 20, 15]
axes[1,0].pie(sizes, labels=['A','B','C','D'], autopct='%1.1f%%')
axes[1,0].set_title('Market Share')

x = np.random.normal(50, 10, 200)
y = x * 1.5 + np.random.normal(0, 15, 200)
axes[1,1].scatter(x, y, alpha=0.5, c='#FF5722')
axes[1,1].set_title('Correlation')

plt.tight_layout()
plt.savefig('dashboard.png', dpi=300, bbox_inches='tight')
print('Dashboard saved')

パターン 3：機械学習

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report
from sklearn.datasets import load_iris

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    iris.data, iris.target, test_size=0.3, random_state=42
)

model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)

print(classification_report(y_test, y_pred, target_names=iris.target_names))

パターン 4：DuckDB での SQL

import duckdb
import pandas as pd

orders = pd.DataFrame({
    'order_id': range(1, 101),
    'customer': [f'Customer_{i%20}' for i in range(100)],
    'amount': [round(50 + i * 3.5, 2) for i in range(100)],
})

result = duckdb.sql("""
    SELECT customer, COUNT(*) as cnt, ROUND(SUM(amount), 2) as total
    FROM orders GROUP BY customer
    HAVING COUNT(*) >= 3 ORDER BY total DESC LIMIT 10
""").df()
print(result.to_string(index=False))

パターン 5：Web からデータを取得

import requests
import pandas as pd

response = requests.get("https://api.example.com/data")
data = response.json()
df = pd.DataFrame(data)
print(df.head())

パターン 6：複数ステップのワークフロー（セッション状態が保持されます）

Call 1: execute_code → load and clean data, store in variable `df`
Call 2: execute_code → analyze `df`, generate chart, save as PNG
Call 3: execute_code → export results to CSV
Call 4: file_operations(operation="read") → download the CSV

同じセッション内の呼び出し間では、変数（df）とファイルが保持されます。

重要なルール

1. import matplotlib.pyplot の前に matplotlib.use('Agg') を実行してください — サンドボックスにはディスプレイがありません。
2. テキスト出力には print() を使用してください — 結果は stdout を通じて返されます。
3. output_filename は完全に一致させてください — plt.savefig() または wb.save() 内のファイル名は、output_filename パラメーターと一致する必要があります。
4. シェルタスクには execute_command を使用してください — ls、pip install、curl など。
5. ファイル管理には file_operations を使用してください — ファイルの読み取り、書き込み、一覧表示、削除を明示的に行います。
6. セッション状態は保持されます — 変数とファイルは呼び出し間で保持されます。複数ステップのワークフローに活用してください。

避けるべきよくある間違い

• import matplotlib.pyplot as plt の前に matplotlib.use('Agg') を実行し忘れる
• plt.savefig() ではなく plt.show() を使用する — ディスプレイはありません
• output_filename の入力ミス — コードで保存するファイル名と完全に一致させる必要があります
• シェルタスクに execute_code を使用する — 代わりに execute_command を使用してください
• file_operations でバイナリファイルを書き込む — execute_code でバイナリファイルを生成し、output_filename でダウンロードしてください