Agent 沙盒环境：让代码执行安全落地

让 AI 直接在你服务器上执行代码，胆子再大也得配个沙箱。框架把「Agent 动手能力」的运行环境分成本机与沙箱两档，这一页讲清取舍和配法。

两种运行环境

在「配置文件 → AI → 能力 → 使用电脑能力」里选择：

本机环境（local）：Agent 直接使用框架所在环境的文件工具。能力最强、配置最省，但风险直达宿主机——所以官方默认把它锁给管理员，普通成员按本地权限矩阵控制，能精确到允许文件访问但禁止执行代码这类细粒度。

第三方沙箱环境（sandbox）：Agent 在独立隔离环境里读技能、跑代码。隔离对爆炸半径负责——跑飞了也只是沙箱内部的事。配置好沙箱连接后，框架会把本地及插件的技能同步进沙箱。Docker 部署可配合官方仓库的带沙盒编排文件（compose-with-shipyard.yml），拉起配套的沙盒镜像。

none：不开电脑能力。技能清单可能仍提供给模型，但没有文件与执行工具，读了说明也干不了活。

沙箱能干什么

上图的演示就是典型场景：用户丢给 Agent 一个数据文件，Agent 在沙盒里写 Python 读数据、跑拟合、画图、算残差分布，全程自己决定步骤、自己执行、把结果图发回来。同样的动作如果发生在 local 环境，跑的就是你宿主机的 Python——数据是私有的，风险也是。

选型建议

与技能、MCP 的关系

• Agent Skills 的脚本执行依赖这里的运行环境，none 环境下技能形同虚设
• MCP 是连接外部服务，不依赖电脑能力——查询类工具不需要沙箱
• 沙箱预置技能由沙箱侧发现，至少启动一次沙箱会话后才会出现在清单里

安全边界记住三句

沙箱隔离的是执行，不是数据——丢进沙箱的数据依然按已交给第三方环境处理；本机环境的权限矩阵是最后一道闸，名单外的人碰不到；官方文档对 MCP 进程与沙箱的关系有专门说明，本机隔离设置不会自动把 MCP 服务进程放进隔离环境。