Agenten code laten uitvoeren

Important

Om system.ai.sandbox, system.ai.web_search of system.ai.dbsql te gebruiken, moet een accountbeheerder de Unity Gateway-beta inschakelen via de pagina Previews van de accountconsole. Zie Voorbeelden van accounts beheren.

Gebruik de system.ai.sandbox MCP om je agent Python-, SQL- of shellcode in een geïsoleerde omgeving te laten uitvoeren. Dit voorbeeld verbindt een LangGraph-agent met de MCP en vraagt deze een berekening uit te voeren in Python.

Voordat je begint

Voer code uit met de sandbox MCP

Installeer de bibliotheken:

pip install --upgrade databricks-langchain langgraph "mcp>=1.24,<2"

Sla het volgende op als code_agent.py. WorkspaceClient gebruikt je workspace-aanmelding om de MCP-verbinding te authenticeren.

import asyncio
from databricks.sdk import WorkspaceClient
from databricks_langchain import (
    ChatDatabricks,
    DatabricksMCPServer,
    DatabricksMultiServerMCPClient,
)
from langchain_core.messages import convert_to_openai_messages
from langgraph.prebuilt import create_react_agent

workspace_client = WorkspaceClient()
server_url = f"{workspace_client.config.host}/ai-gateway/mcp-services/system.ai.sandbox"

async def main():
    mcp_client = DatabricksMultiServerMCPClient([
        DatabricksMCPServer(
            name="code-interpreter",
            url=server_url,
            workspace_client=workspace_client,
        ),
    ])
    agent = create_react_agent(
        ChatDatabricks(endpoint="databricks-claude-sonnet-4-5"),
        tools=await mcp_client.get_tools(),
        prompt=lambda state: convert_to_openai_messages(state["messages"]),
    )
    result = await agent.ainvoke({
        "messages": [{
            "role": "user",
            "content": "Run Python code to calculate the mean of [12, 18, 24].",
        }],
    })
    print(result["messages"][-1].content)

asyncio.run(main())

Voer de agent uit:

python code_agent.py

De agent ontdekt de tools van de MCP, voert Python-code uit en geeft 18 als gemiddelde terug. De sandbox MCP heeft geen uitgaand netwerkverkeer, dus gebruik code die geen pakketten hoeft te downloaden of externe API's aan te roepen.

Voor andere frameworks kun je dit server_url gebruiken met de Python-agentvoorbeelden. Voor implementatie, zie Een aangepaste agent bouwen.

Gebruik de Python-functie via MCP (legacy)

Voor een bestaande integratie met de system.ai.python_exec functie, gebruik het agentvoorbeeld hierboven met deze URL:

server_url = f"{workspace_client.config.host}/api/2.0/mcp/functions/system/ai/python_exec"

Dit eindpunt vereist de Managed MCP Servers workspace-preview en toegang tot de onderliggende functie. Het gebruikt werkruimte-endpointrechten. Voor de uitrol van de agent en toegang tot functies, zie Agentverificatie.

Aanvullende bronnen

  • Laatst bijgewerkt om