AutoGen Code Executor: การตั้งค่าสภาพแวดล้อม Sandbox สำหรับการรันโค้ดอย่างปลอดภัย

ในโลกของ AI Agent การรันโค้ดที่สร้างขึ้นโดย LLM เป็นฟีเจอร์ทรงพลัง แต่ก็มีความเสี่ยงสูง บทความนี้จะพาคุณตั้งค่า AutoGen code executor กับ sandbox environment อย่างถูกต้อง พร้อมวิธีแก้ไขปัญหาที่พบบ่อย

สถานการณ์ข้อผิดพลาดจริงที่เจอ

ตอนเริ่มต้นใช้งาน AutoGen กับ sandbox ผมเจอ error นี้:

RuntimeError: Failed to execute code. 
ConnectionError: timeout after 30s
Docker container exited with code 137 (OOM killed)
UserCodeExecutor timeout: exceeded 60 second limit

ปัญหานี้เกิดจาก 3 สาเหตุหลัก: timeout ไม่เพียงพอ, memory limit ต่ำเกินไป, และ sandbox container ถูก block โดย firewall หลังจากลองผิดลองถูกหลายวัน ผมได้วิธีแก้ที่ใช้ได้จริงมาฝาก

AutoGen Code Executor คืออะไร

AutoGen code executor เป็น component ที่ทำหน้าที่รันโค้ดที่ LLM สร้างขึ้นในสภาพแวดล้อมแยก (sandbox) เพื่อป้องกันไม่ให้โค้ดที่อาจเป็นอันตรายทำลายระบบหลัก โดยทำงานผ่าน Docker container หรือ local execution

การติดตั้งและตั้งค่า

1. ติดตั้ง dependencies

pip install pyautogen docker

2. สร้าง configuration file

import autogen
from autogen.code_executor import LocalCommandLineCodeExecutor
import os

ตั้งค่า API key สำหรับ LLM
os.environ["HOLYSHEEP_API_KEY"] = "YOUR_HOLYSHEEP_API_KEY"

กำหนดค่า LLM config
llm_config = {
    "config_list": [{
        "model": "gpt-4.1",
        "api_key": os.environ["HOLYSHEEP_API_KEY"],
        "base_url": "https://api.holysheep.ai/v1"
    }],
    "timeout": 120,
    "temperature": 0.7
}

สร้าง code executor พร้อม sandbox
code_executor = LocalCommandLineCodeExecutor(
    timeout=60,           # timeout รอบรับการรันโค้ด
    work_dir="./coding",   # โฟลเดอร์ที่ใช้รันโค้ด
    max_threads=2          # จำนวน thread สำหรับรันโค้ด
)

print("Code executor initialized successfully")

3. สร้าง Agent พร้อมใช้งาน

import autogen
from autogen.code_executor import LocalCommandLineCodeExecutor
import os

os.environ["HOLYSHEEP_API_KEY"] = "YOUR_HOLYSHEEP_API_KEY"

llm_config = {
    "config_list": [{
        "model": "gpt-4.1",
        "api_key": os.environ["HOLYSHEEP_API_KEY"],
        "base_url": "https://api.holysheep.ai/v1"
    }],
    "timeout": 120,
    "temperature": 0.7
}

code_executor = LocalCommandLineCodeExecutor(
    timeout=60,
    work_dir="./coding",
    max_threads=2
)

สร้าง user proxy agent
user_proxy = autogen.ConversableAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=10,
    code_execution_config={"executor": code_executor},
    llm_config=llm_config
)

สร้าง assistant agent
assistant = autogen.ConversableAgent(
    name="assistant",
    system_message="คุณเป็น AI assistant ที่ช่วยเขียนและรันโค้ด Python",
    llm_config=llm_config
)

ทดสอบการรันโค้ด
user_proxy.initiate_chat(
    assistant,
    message="เขียนโค้ดคำนวณ fibonacci ลำดับที่ 20 แล้วรัน"
)

การตั้งค่า Docker Sandbox (สำหรับ Production)

สำหรับการใช้งานจริง ควรใช้ Docker sandbox เพื่อความปลอดภัยสูงสุด

import autogen
from autogen.code_executor import DockerCommandLineCodeExecutor
import tempfile
import os

สร้าง temporary directory สำหรับ volume mount
work_dir = tempfile.mkdtemp()
print(f"Work directory: {work_dir}")

ตั้งค่า Docker executor พร้อม resource limits
docker_executor = DockerCommandLineCodeExecutor(
    image="python:3.11-slim",  # ใช้ image เบา
    timeout=120,               # timeout 2 นาที
    work_dir=work_dir,
    # กำหนด resource limits
    container_kwargs={
        "mem_limit": "512m",      # จำกัด memory 512MB
        "cpu_period": 100000,
        "cpu_quota": 50000,       # 50% CPU
        "network_mode": "none",   # ปิด network เพื่อความปลอดภัย
        "read_only": True         # filesystem เป็น read-only
    }
)

Initialize executor
with docker_executor:
    print("Docker sandbox ready")
    # รันโค้ดทดสอบ
    result = docker_executor.execute_code("print('Hello from sandbox!')")
    print(f"Result: {result}")

การใช้งานร่วมกับ Multi-Agent

import autogen
from autogen.code_executor import LocalCommandLineCodeExecutor
import os

os.environ["HOLYSHEEP_API_KEY"] = "YOUR_HOLYSHEEP_API_KEY"

llm_config = {
    "config_list": [{
        "model": "gpt-4.1",
        "api_key": os.environ["HOLYSHEEP_API_KEY"],
        "base_url": "https://api.holysheep.ai/v1"
    }],
    "timeout": 120
}

code_executor = LocalCommandLineCodeExecutor(timeout=90, work_dir="./workspace")

User proxy agent
user_proxy = autogen.ConversableAgent(
    name="user_proxy",
    human_input_mode="NEVER",
    max_consecutive_auto_reply=5,
    code_execution_config={"executor": code_executor},
    llm_config=llm_config
)

Coder agent
coder = autogen.ConversableAgent(
    name="coder",
    system_message="คุณเป็นโปรแกรมเมอร์ เขียนโค้ดที่สะอาด และรันทดสอบได้จริง",
    llm_config=llm_config
)

Reviewer agent
reviewer = autogen.ConversableAgent(
    name="reviewer",
    system_message="คุณเป็น senior developer ทำ code review และเสนอการปรับปรุง",
    llm_config=llm_config
)

ตั้งค่า group chat
groupchat = autogen.GroupChat(
    agents=[user_proxy, coder, reviewer],
    messages=[],
    max_round=10
)

manager = autogen.GroupChatManager(groupchat=groupchat, llm_config=llm_config)

เริ่ม conversation
user_proxy.initiate_chat(
    manager,
    message="สร้าง function ที่หา prime numbers จาก 1-1000 แล้วรันทดสอบ"
)

ข้อผิดพลาดที่พบบ่อยและวิธีแก้ไข

1. ConnectionError: timeout after 30s

สาเหตุ: เกิดจาก API timeout สั้นเกินไป หรือ sandbox ใช้เวลาเริ่มต้นนานเกิน

# วิธีแก้ไข: เพิ่ม timeout และเพิ่ม retry logic
import autogen
from autogen.code_executor import LocalCommandLineCodeExecutor

code_executor = LocalCommandLineCodeExecutor(
    timeout=180,              # เพิ่มเป็น 180 วินาที
    work_dir="./coding",
    max_threads=2
)

สำหรับ LLM config
llm_config = {
    "config_list": [{
        "model": "gpt-4.1",
        "api_key": "YOUR_HOLYSHEEP_API_KEY",
        "base_url": "https://api.holysheep.ai/v1",
        "timeout": 180          # เพิ่ม API timeout
    }],
    "timeout": 180,
    "max_retries": 3           # เพิ่ม retry 3 ครั้ง
}

2. RuntimeError: Docker container failed to start

สาเหตุ: Docker daemon ไม่ทำงาน หรือ permissions ผิดพลาด

# วิธีแก้ไข: ตรวจสอบ Docker และใช้ fallback เป็น local executor
import subprocess
import autogen
from autogen.code_executor import LocalCommandLineCodeExecutor, DockerCommandLineCodeExecutor

def get_executor():
    # ตรวจสอบ Docker status
    try:
        result = subprocess.run(
            ["docker", "info"],
            capture_output=True,
            timeout=5
        )
        if result.returncode == 0:
            print("Docker is available, using Docker sandbox")
            return DockerCommandLineCodeExecutor(
                image="python:3.11-slim",
                timeout=120,
                work_dir="./coding"
            )
    except (subprocess.TimeoutExpired, FileNotFoundError):
        print("Docker not available, falling back to local executor")
    
    print("Using local command line executor")
    return LocalCommandLineCodeExecutor(
        timeout=120,
        work_dir="./coding",
        max_threads=2
    )

ใช้งาน executor ที่เหมาะสม
code_executor = get_executor()

3. MemoryError: container exceeded memory limit

สาเหตุ: โค้ดใช้ memory มากเกิน limit ที่กำหนด หรือ memory limit ตั้งต่ำเกินไป

# วิธีแก้ไข: เพิ่ม memory limit และใช้ memory-efficient execution
import autogen
from autogen.code_executor import DockerCommandLineCodeExecutor

docker_executor = DockerCommandLineCodeExecutor(
    image="python:3.11-slim",
    timeout=180,
    work_dir="./coding",
    container_kwargs={
        "mem_limit": "2g",        # เพิ่มเป็น 2GB
        "mem_reservation": "512m",
        "cpu_period": 100000,
        "cpu_quota": 100000       # 100% CPU
    }
)

หรือใช้ local executor กับ resource monitoring
from autogen.code_executor import LocalCommandLineCodeExecutor

code_executor = LocalCommandLineCodeExecutor(
    timeout=180,
    work_dir="./coding",
    max_threads=1  # ลด threads เพื่อประหยัด memory
)

เพิ่ม memory monitoring ในโค้ด
def memory_efficient_executor():
    import resource
    # จำกัด memory usage
    resource.setrlimit(resource.RLIMIT_AS, (2 * 1024**3, 2 * 1024**3))  # 2GB
    return code_executor

4. PermissionError: [Errno 13] Permission denied

สาเหตุ: ไม่มีสิทธิ์เขียนใน work directory

# วิธีแก้ไข: สร้าง directory และตั้ง permissions
import os
import stat

work_dir = "./coding"

สร้าง directory ถ้ายังไม่มี
os.makedirs(work_dir, exist_ok=True)

ตั้ง permissions (read/write/execute)
os.chmod(work_dir, stat.S_IRWXU | stat.S_IRGRP | stat.S_IXGRP)

print(f"Directory {work_dir} permissions set")
print(f"Current permissions: {oct(os.stat(work_dir).st_mode)}")

ยืนยันว่าเขียนได้
test_file = os.path.join(work_dir, ".write_test")
try:
    with open(test_file, "w") as f:
        f.write("test")
    os.remove(test_file)
    print("Write permission verified")
except PermissionError as e:
    print(f"Permission error: {e}")
    # ลองใช้ /tmp แทน
    work_dir = "/tmp/autogen_coding"
    os.makedirs(work_dir, exist_ok=True)
    print(f"Using fallback directory: {work_dir}")

สรุป

การตั้งค่า AutoGen code executor กับ sandbox environment ต้องพิจารณาเรื่อง timeout, memory limits, permissions และ fallback strategies สำหรับ production แนะนำให้ใช้ Docker sandbox พร้อม resource limits และ network isolation

หากต้องการใช้งาน LLM ราคาประหยัด ลองใช้ HolySheep AI รองรับ GPT-4.1, Claude Sonnet 4.5, Gemini 2.5 Flash และ DeepSeek V3.2 ในราคาเริ่มต้นเพียง $0.42/MTok พร้อม latency ต่ำกว่า 50ms และรองรับการชำระเงินผ่าน WeChat และ Alipay

👉 สมัคร HolySheep AI — รับเครดิตฟรีเมื่อลงทะเบียน ```