code-interpreter

代码解释器

由 AWS Bedrock AgentCore Code Interpreter 提供支持的通用代码执行环境。可在安全沙箱中运行代码、执行 Shell 命令并管理文件。

可用工具

• execute_code(code, language, output_filename)：执行 Python、JavaScript 或 TypeScript 代码。
• execute_command(command)：执行 Shell 命令。
• file_operations(operation, paths, content)：读取、写入、列出或删除已挂载会话工作区中的文件。

工具参数

execute_code

参数	类型	必填	默认值	描述
code	string	是		要执行的代码。使用 print() 输出文本。
language	string	否	"python"	"python"、"javascript" 或 "typescript"
output_filename	string	否	""	要发布为持久会话文件的文件。代码必须保存一个名称完全匹配的文件。

execute_command

参数	类型	必填	描述
command	string	是	要执行的 Shell 命令（例如，"ls -la"、"pip install requests"）。

file_operations

参数	类型	必填	描述
operation	string	是	"read"、"write"、"list" 或 "remove"
paths	list	对 read/list/remove 必填	文件路径。read：["file.txt"]，list：["."]，remove：["old.txt"]
content	list	对 write 必填	包含 path 和 text 的条目：[{"path": "out.txt", "text": "hello"}]

tool_input 示例

execute_code — 文本输出

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

execute_code — 生成图表

{
  "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 — 安装软件包

{
  "command": "pip install yfinance"
}

execute_command — 检查环境

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

file_operations — 写入文件

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

file_operations — 列出文件

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

file_operations — 读取文件

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

何时使用此技能

将 code-interpreter 用作测试和原型设计代码的沙箱。 对于生产任务（创建文档、图表、演示文稿），优先使用专用技能。

不要用于：

• 格式化或展示代码示例（直接用 Markdown 代码块回复）
• 解释代码或算法（直接用文本回复）
• 可以心算的简单计算（直接给出答案）
• 不需要实际执行代码的任何任务

任务	推荐技能	备注
创建图表/示意图	visual-design	生产级图表优先使用此技能
创建 Word 文档	word-documents	支持模板和样式设置
创建 Excel 电子表格	excel-spreadsheets	提供格式处理流程和验证
创建 PowerPoint	powerpoint-presentations	具有布局系统和设计模式
测试代码片段	code-interpreter	调试、验证逻辑、检查输出
原型设计算法	code-interpreter	在实现前进行试验
安装/测试软件包	code-interpreter	检查兼容性、测试 API
调试代码逻辑	code-interpreter	隔离并测试特定函数
验证计算	code-interpreter	快速进行数学或数据检查

代码解释器与代码 Agent 的对比

	代码解释器	代码 Agent
性质	沙箱执行环境	自主 Agent（Claude Code）
最适合	快速脚本、数据分析、原型设计	多文件项目、重构、测试套件
文件持久性	/mnt/workspace 中的文件会在解释器重启后保留	所有文件都会自动同步到 S3
会话状态	变量在单个解释器会话中保留；工作区文件在整个聊天会话中保留	文件和对话会跨会话保留
自主性	由你编写代码	Agent 负责规划、编写、运行并迭代
适用场景	需要运行特定代码片段时	需要工程师端到端解决问题时

工作区集成

聊天会话在 /mnt/workspace 挂载了持久化文件系统。 Code Interpreter 工具使用的相对文件路径会解析到此目录中。 写入该目录的文件属于临时文件，并会在解释器会话重启后继续保留。除非提供 output_filename，否则这些文件不会成为用户可下载的产物。

必须进行挂载。如果无法配置或附加挂载，Code Interpreter 会返回错误，而不会启动 隔离的非持久化会话。

直接创建持久化文件：

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

生成的文件必须显示在 Generated Files 中或供用户下载时，请使用 output_filename。工具会在返回成功前发布并验证该文件。不要创建指向 /mnt/workspace 的 Markdown 链接，也不要将 原始工作区路径描述为下载链接；应用会呈现文件操作。

上传的文件：

用户上传的文件无需手动加载或进行 Base64 传输，即可在挂载的工作区 /mnt/workspace/inputs 中访问。JSON、JSONL 和 NDJSON 附件可能会在对话中以受限文本摘录的形式呈现；需要完整数据集时，请使用挂载的文件。

使用 file_operations 检查临时文件。已发布的文件会显示在应用中，应使用其显示的文件名进行引用。

环境

• 语言： Python（推荐，包含 200 多个库）、JavaScript、TypeScript
• Shell： 通过 execute_command 完整访问 Shell
• 文件系统： /mnt/workspace 在聊天会话的 Code Interpreter 重启后仍会保留
• 会话状态： 变量在同一解释器会话中保留；文件会保留在挂载的工作区中
• 网络： 可访问互联网（可使用 requests、urllib、curl）

支持的语言

• Python（推荐）——预装 200 多个库，涵盖数据科学、机器学习、可视化和文件处理
• JavaScript——Node.js 运行时，适用于 JSON 处理和异步操作
• TypeScript——支持类型检查的 TypeScript 运行时

预装的 Python 库

数据分析与可视化

库	常见用途
pandas	DataFrame、CSV/Excel 输入输出、分组、透视
numpy	数组、线性代数、随机数、统计
matplotlib	折线图、柱状图、散点图、直方图、子图
plotly	交互式图表、3D 图
bokeh	交互式可视化
scipy	优化、插值、信号处理
statsmodels	回归、时间序列、假设检验
sympy	代数、微积分、方程求解

机器学习与 AI

库	常见用途
scikit-learn	分类、回归、聚类、流水线
torch / torchvision / torchaudio	深度学习、计算机视觉、音频
xgboost	高性能梯度提升
spacy / nltk / textblob	NLP、分词、NER、情感分析
scikit-image	图像处理、滤镜、分割

数学与优化

库	常见用途
cvxpy	凸优化、投资组合优化
ortools	调度、路径规划、约束编程
pulp	线性规划
z3-solver	SAT 求解、形式化验证
networkx / igraph	图算法、网络分析

文件处理与文档

库	常见用途
openpyxl / xlrd / XlsxWriter	带格式的 Excel 读写
python-docx	Word 文档创建与修改
python-pptx	PowerPoint 创建与修改
PyPDF2 / pdfplumber / reportlab	PDF 读取、写入与生成
lxml / beautifulsoup4	XML/HTML 解析
markitdown	将各种格式转换为 Markdown

图像与媒体

库	常见用途
pillow (PIL)	图像缩放、裁剪、滤镜、转换
opencv-python (cv2)	计算机视觉、特征检测
imageio / moviepy	图像/视频读写与编辑
pydub	音频处理
svgwrite / Wand	SVG 创建、ImageMagick

数据存储与格式

库	常见用途
duckdb	对 DataFrame 和文件执行 SQL 查询
SQLAlchemy	SQL ORM 和数据库抽象
pyarrow	Parquet 和 Arrow 格式处理
orjson / ujson / PyYAML	快速解析 JSON/YAML

Web 与 API

库	常见用途
requests / httpx	HTTP 请求、API 调用
beautifulsoup4	网页抓取
fastapi / Flask / Django	Web 框架

实用工具

库	常见用途
pydantic	数据验证、模式定义
Faker	测试数据生成
rich	美化输出、表格
cryptography	加密、哈希
qrcode	QR 码生成
boto3	AWS SDK

如需查看包含版本号的 200 多个库的完整列表，请运行：execute_command(command="pip list")

使用模式

模式 1：数据分析

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}%")

模式 2：可视化（使用 output_filename）

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')

模式 3：机器学习

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))

模式 4：使用 DuckDB 执行 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))

模式 5：从 Web 获取数据

import requests
import pandas as pd

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

模式 6：多步工作流（会话状态会保留）

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

同一会话中的变量（df）和文件会在多次调用之间保留。

重要规则

1. 在 import matplotlib.pyplot 之前调用 matplotlib.use('Agg') — 沙盒没有显示设备。
2. 使用 print() 输出文本 — 结果通过 stdout 返回。
3. output_filename 必须完全匹配 — plt.savefig() 或 wb.save() 中的文件名必须与 output_filename 参数一致。
4. 使用 execute_command 执行 shell 任务 — 如 ls、pip install、curl 等。
5. 使用 file_operations 管理文件 — 明确读取、写入、列出和删除文件。
6. 会话状态会保留 — 变量和文件会在多次调用之间保留。可将此功能用于多步工作流。

应避免的常见错误

• 忘记在 import matplotlib.pyplot as plt 之前调用 matplotlib.use('Agg')
• 使用 plt.show() 而不是 plt.savefig() — 没有显示设备
• output_filename 中有拼写错误 — 必须与代码保存的文件名完全一致
• 使用 execute_code 执行 shell 任务 — 应改用 execute_command
• 通过 file_operations 写入二进制文件 — 使用 execute_code 生成二进制文件，然后通过 output_filename 下载