LLM-in-Sandbox

这个 Agent 能做什么，适合哪些场景？

LLM-in-Sandbox 是中国人民大学 RUC AI Box 开发的开源研究框架（Apache-2.0），配套 arXiv 论文《Computer Environments Elicit General Agentic Intelligence in LLMs》。它的核心做法是把任意 LLM 放进一个提供基本计算机功能（文件系统、命令执行等）的代码沙箱，让模型以通用智能体方式完成任务。软件通过 llm-in-sandbox run CLI 调用，后端无关，可连接 OpenAI、Anthropic 以及自托管 vLLM/SGLang 等 OpenAI 兼容端点。执行环境是 Docker 镜像 cdx123/llm-in-sandbox:v0.1，首次运行自动拉取约 400MB，隔离保证安全。每次运行在 ./output 下生成带时间戳的结果目录，包含最终答案文件和 trajectory.json 执行轨迹。仓库还提供 v0.2.0 基准模块用于复现论文结果，并有姊妹仓库 LLM-in-Sandbox-RL 提供强化学习代码、模型与训练日志。

用户通过 llm-in-sandbox run 提交一条 --query 任务和模型配置；框架启动 Docker 沙箱（默认镜像 cdx123/llm-in-sandbox:v0.1），将任务交给所选 LLM，模型在沙箱内迭代执行命令、读写文件来解决问题，最多进行 --max_steps（默认 100）轮对话。可挂载 --input_dir 输入文件夹，结果写入 --output_dir（默认 ./output）下的时间戳目录，含 files/answer.txt、产出文件和 trajectory.json 轨迹。文件系统充当长期记忆，论文称最多节省 8 倍 token。通过 --prompt_config（默认 ./config/general.yaml）可切换提示模板；llm_in_sandbox/benchmark/ 模块支持复现论文评测、评测任意 LLM 或添加自定义任务。llm-in-sandbox build 允许基于 docker/Dockerfile 构建自定义镜像。

1. 研究者想复现论文中'沙箱让 LLM 在化学、物理、数学、生物医学、长文本理解、指令遵循上全面提升'的评测结果
2. 拥有 vLLM 或 SGLang 自托管模型（如 Qwen3-Coder-30B、DeepSeek-V3.2）的团队，想给模型加上通用智能体能力而无需训练
3. 工程师希望用 Docker 隔离的方式让 LLM 执行代码和文件操作，而不是 OpenClaw 式的无限制环境
4. 研究者想基于 LLM-in-Sandbox-RL 的开源代码、模型和 wandb 日志做强化学习实验
5. 评测人员想用内置 benchmark 模块对任意 OpenAI 兼容端点的 LLM 做跨领域智能体评测
6. 需要科学推理、旅行规划、视频制作、音乐创作、海报设计等非编码任务示例的智能体开发者

如何安装或部署这个 Agent？

前置要求：Python 3.10+ 和 Docker。安装 Docker（如尚未安装）：

curl -fsSL https://get.docker.com -o get-docker.sh && sh get-docker.sh
dockerd > /var/log/dockerd.log 2>&1 &

通过 pip 安装：

pip install llm-in-sandbox==0.2.0

或从源码安装：

git clone https://github.com/llm-in-sandbox/llm-in-sandbox.git
cd llm-in-sandbox
pip install -e .

默认 Docker 镜像（约 400MB）会在首次运行时自动拉取，无需本地 GPU（使用 API 服务时）。已在 Ubuntu 22.04、Python 3.10 环境测试。

如何使用这个 Agent？

方式一：调用云端/API 服务（提供 base URL 和 API key）：

llm-in-sandbox run \
    --query "write a hello world in python" \
    --llm_name "openai/gpt-5" \
    --llm_base_url "http://your-api-server/v1" \
    --api_key "your-api-key"

方式二：自托管模型。先启动 vLLM 服务器：

vllm serve Qwen/Qwen3-Coder-30B-A3B-Instruct \
    --served-model-name qwen3_coder \
    --enable-auto-tool-choice \
    --tool-call-parser qwen3_coder \
    --tensor-parallel-size 8  \
    --enable-prefix-caching

然后在新终端运行智能体：

llm-in-sandbox run \
    --query "write a hello world in python" \
    --llm_name qwen3_coder \
    --llm_base_url "http://localhost:8000/v1"  \
    --temperature 0.7

也可用 SGLang 服务 DeepSeek-V3.2（加 --extra_body '{"chat_template_kwargs": {"thinking": True}}'）。常用参数包括 --input_dir（挂载输入文件夹）、--output_dir（默认 ./output）、--max_steps（默认 100）、--prompt_config（默认 ./config/general.yaml）。运行 llm-in-sandbox run --help 查看全部参数。复现论文结果见 llm_in_sandbox/benchmark/README.md。

这个 Agent 有哪些优点和局限？

这个 Agent 与同类方案有什么区别？

与相关度最高的同类 agent 并排比较关键指标。

FollowAgents 如何评估这个 Agent？

最近版本

来自该项目 GitHub Releases 的最新发布记录，说明为上游原文摘录，未经本站改写或测试。

1. v0.2.0 2026-02-11
   发布说明摘录

   What's New Benchmark Module - Added benchmark framework to reproduce our paper results and evaluate any LLM/task - Support reward function to facilitate LLM-in-Sandbox-RL - Support for LLM-in-Sandbox and vanilla LLM modes - LLM-as-Judge evaluation Improvements - Restructured README and benchmark docs - Better error handling and Docker cleanup guidance - Clean action, improve observation PyPI - pip install llm-in-sandbox==0.2.0

   在 GitHub 查看 ↗

常见问题