创作动机

此前在《Kimi、豆包与ChatGPT的对比分析》一文中，已经提及豆包缺少代码解释器的问题。虽然可以用自己的Code Interpreter替代，但总是需要切换平台，无法无缝集成到豆包或飞书的对话中。组织内部的其他员工也并非人人都有Code Interpreter，使用起来并不方便。

现如今，打工人无论是做企业决策、科学研究，还是个人项目，都离不开对数据的深入分析和处理。Python作为一种功能强大且简洁易学的编程语言，在数据分析和科学计算领域占据重要地位，也是Code Interpreter的编程语言。然而，并非人人都是Python高手，大多数打工人都还在不断学习，想要利用Python进行代码运行和数据分析并非易事。如果在工作对话过程中，通过自然语言的交互就能运行Python程序，做一些类似数据分析的事情，那会方便不少。

为了解决豆包环境中缺乏代码解释器的难题，基于扣子平台做了一个“Python代码终结者”的AI智能体。通过在豆包环境中模拟Code Interpreter的功能，为用户提供一种便捷、实时的编程体验。用户可以直接在聊天窗口用自然语言发出指令，机器人就会分析需求、运行代码、获取数据可视化结果，并导出必要的文件。

初步测试下来，除了能作为学习Python的好帮手，还能解决一些日常的数据分析和可视化任务。在扣子的Bot商店里搜索“Python代码终结者”即可找到，可以试用一下。

主要功能与特点

支持的编程语言和环境

Python代码终结者智能体主要支持Python语言，能够根据用户的需求准确运行各种类型的Python代码。无论是简单的数学计算、字符串处理，还是复杂的数据分析算法和机器学习模型，智能体都能轻松应对。

支持的代码类型和复杂程度

例如，如果需要计算两个数的和，可以直接向智能体发送指令：“计算 5 + 3 的结果。”智能体会产生对应的Python代码来进行计算，避免了大模型输出的不确定性。当然，如果有一段想执行的数据分析代码，只需将代码片段发送给智能体，它也会立即运行并返回结果。基于扣子插件的沙盒技术，智能体还可以加载外部模块，如numpy、pandas和sympy等，为数据分析提供更强大的支持。

代码执行和结果展示

用户可以在聊天窗口中输入Python代码，智能体将尝试运行并返回结果。使用了扣子的卡片格式返回结果，相比纯文本回复，更加直观和高效。这种无缝的互动体验，使用户无需离开豆包环境即可完成代码编写、调试与执行。

数据可视化功能

在数据分析过程中，数据的可视化尤为重要。Python代码终结者智能体支持Matplotlib这样的绘图库，用户可以通过简单的代码生成图表，并直接在聊天窗口中查看。智能体支持多种数据可视化方式，包括折线图、柱状图、饼图、散点图等。

文件输出与管理

智能体支持将代码执行的结果以文件形式导出，如CSV文件、图像文件等。用户可以方便地下载这些文件，以便后续处理或分享。

使用场景与应用

编程教学与学习

Python代码终结者智能体在编程教学与学习中有着一定的应用潜力。教师可以在豆包中与学生实时互动，通过智能体演示代码的运行结果，学生则可以即时提交代码并获取反馈，从而大大提高学习效率。

例如，想查看一个Matplotlib的例子，可以发送指令：“展示一个简单的Matplotlib代码示例”，智能体就会自动给出示例代码。如果想执行看结果，就点击“执行这段代码”的快捷指令。

数据分析与处理

日常的数据分析任务，比如数据清洗、统计分析和可视化等，都能在智能体中运行并得到即时的反馈，使得数据分析过程更加高效、灵活。

例如，销售在对话中正好有一组销售数据想要简单画图展示一下，不用打开Excel或PPT这样的工具。只要向智能体发送指令：“2000到2005年的销售额分别是：1万，3万，4万，5万，6万，7万，请帮我做个柱状图进行展示”，智能体就会根据数据自动生成柱状图，并将图表展示出来。

还可以通过调整指令中的参数，如图表的标题、坐标轴标签、颜色等，来定制自己想要的可视化效果。比如发指令说：“柱状图颜色帮我改成绿色”，智能体就会再画一个绿色的柱状图。

文件和图片下载

有时候想把代码运行的结果保存下来，因此添加了文件和图片下载功能，方便用户把文件分享给他人，或做进一步处理。

代码修复和解释

在实际测试过程中，大模型产生的代码会有一定概率出现错误，执行返回error，所以需要再次迭代修复一下代码。这个功能在Code Interpreter中会自动修复，但目前豆包的插件还不支持，只会返回执行的错误信息。因此添加了一个快捷指令“修复这段代码”，让智能体根据返回的错误信息，尝试修复代码并再次运行。

其他待研究功能

因为Python能做的事情很多，官方并没有给出代码执行器插件具体安装的Python库列表，所以只能尽量尝试。比如发现安装了Sympy库，可以用来求解数学方程式。比如发指令：“x^3+3x^2+3x+1=0，编写程序求解这个方程”，智能体就会运行Python代码来进行数学求解。之后如果有新的发现，也会持续分享。

智能体的工作原理

核心插件和挑战

Python代码终结者智能体能够理解用户的自然语言输入，生成对应的Python代码，并在安全的沙箱环境中进行执行。其核心是扣子的一个官方插件代码执行器（CodeRunner），这个插件接受一段Python代码，运行并返回执行结果。

如果都是正确的代码，那自然没有问题。所以这个智能体的核心挑战就是如何自动产生正确的代码。大家很容易想到，LLM可以生成代码，但实测时发现，直接让LLM生成代码成功率很低，因为LLM会以不确定的方式输出代码，而且会前前后后加很多解释和引导语。这样的字符串给到代码执行器，肯定无法执行，所以需要让LLM的输出更精确，不要有多余的废话，然后还需要把生成的代码从上下文中提取出来，这样成功率才会提高。

工作流模块划分

为这个智能体设计的工作流，主要分为四大模块：意图识别、LLM代码生成、代码后处理、以及代码执行模块。意图识别模块负责理解和处理用户输入的需求；LLM代码生成模块尝试产生包含Python代码的字符串；代码后处理负责提取纯粹的代码；代码执行模块在沙箱环境中安全地运行代码。

豆包环境中的集成

工作流设计好之后，能够无缝集成于豆包的机器人聊天环境中。通过豆包Bot平台的简单设置，智能体就能够调用工作流，快速响应用户请求，并将代码执行结果返回到聊天窗口中，确保用户体验的流畅性。

优势与局限性分析

相比 Code Interpreter，Python 代码终结者智能体能够直接绑定扣子支持的所有发布渠道，如豆包和飞书。这使得用户无需科学上网，就能在工作和生活的社交平台上，通过自然语言进行代码执行和数据分析任务，打破了编程环境的传统束缚。

然而，当前版本仍有一些局限。例如，智能体本身尚不支持上传文件的分析，代码生成执行的成功率并非100%，LLM的模型选项中尚无专门用于代码生成的大模型可选，代码执行器的运行时间也有限。期望未来豆包能直接推出类似Code Interpreter的功能，或者增强LLM和代码执行器对复杂Python代码的支持程度。

结语

Python 代码终结者智能体是基于扣子平台做的首个小实验，旨在弥补豆包中缺少代码解释器的缺陷。它可以依据用户需求运行 Python 代码、进行数据可视化以及输出文件等操作，为用户提供了高效、便捷的编程和数据分析工具。从实践来看，不管是在教学、学习方面，还是在实际项目里，它都能助力用户更出色地达成目标。不妨体验一下 Python 代码终结者智能体，期待更多的反馈与建议。