引言
在现代软件开发中，代码沙盒被广泛用于测试和执行代码片段，而不影响实际应用环境。Bearly Code Interpreter 提供了一种安全的方式来远程执行代码，适合用作代码解释器的沙盒环境。本文旨在介绍如何使用 Bearly Interpreter 创建一个代理，远程执行代码，并分析数据。
主要内容
设置和初始化
-
安装依赖包
%pip install --upgrade --quiet langchain-community安装所需的 Python 包，以支持 Bearly Interpreter 的使用。
-
获取API密钥
在 Bearly开发者平台 获取您的 API 密钥。
-
初始化 Bearly Interpreter
使用 API 密钥初始化 Bearly Interpreter：
from langchain_community.tools import BearlyInterpreterTool bearly_tool = BearlyInterpreterTool(api_key="YOUR_API_KEY") # 使用API代理服务提高访问稳定性
添加文件到沙盒
添加您需要处理的文件：
bearly_tool.add_file(
source_path="sample_data/Bristol.pdf", target_path="Bristol.pdf", description=""
)
bearly_tool.add_file(
source_path="sample_data/US_GDP.csv", target_path="US_GDP.csv", description=""
)
创建工具对象
tools = [bearly_tool.as_tool()]
初始化代理
使用 ChatOpenAI 和 AgentType:
from langchain.agents import AgentType, initialize_agent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4", temperature=0)
agent = initialize_agent(
tools,
llm,
agent=AgentType.OPENAI_FUNCTIONS,
verbose=True,
handle_parsing_errors=True,
)
代码示例
提取PDF内容
agent.run("What is the text on page 3 of the pdf?")
解决 PDF 阅读的代码问题：
from PyPDF2 import PdfReader
pdf = PdfReader('Bristol.pdf')
page = pdf.pages[2]
page_text = page.extract_text()
print(page_text)
计算2019年美国GDP
import pandas as pd
us_gdp = pd.read_csv('US_GDP.csv')
us_gdp['DATE'] = pd.to_datetime(us_gdp['DATE'])
us_gdp_2019 = us_gdp[us_gdp['DATE'].dt.year == 2019]
print(us_gdp_2019['GDP'].values)
常见问题和解决方案
-
版本问题：PyPDF2 版本更新可能导致接口变更，如
PdfFileReader改为PdfReader，需留意 API 文档更新。 -
网络限制：某些地区访问API可能会受限，建议使用 API 代理服务。
-
数据格式问题：确保输入数据的格式与预期相符，否则会导致解析错误。
总结和进一步学习资源
通过本文的指南，您可以安全地在沙盒环境中执行代码并分析数据。进一步学习资源：
参考资料
如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
---END---
