mirror of
https://github.com/langbot-app/LangBot.git
synced 2026-11-02 05:45:20 +08:00
RockChinQ
9d2042478a
git-subtree-dir: docs git-subtree-mainline:0582d1b3d4git-subtree-split:51dddcb3f8
143 lines
6.4 KiB
Plaintext
143 lines
6.4 KiB
Plaintext
---
|
|
title: "Telegram：体验 LangBot 沙箱 Agent"
|
|
description: "通过 Telegram 与 LangBot 沙箱 Agent 对话，让 AI 运行命令、处理文件、编写代码并完成实际任务。"
|
|
---
|
|
|
|
发布于 2026-09-17 · 作者：LangBot Team
|
|
|
|
普通 AI 对话只能告诉你“应该怎么做”，连接沙箱后的 LangBot Agent 则可以在隔离工作区中真正执行任务。
|
|
|
|
你可以直接在 Telegram 中描述目标，让 Agent 运行命令、创建文件、修改内容、搜索资料或执行代码，再把结果返回给你。
|
|
|
|
|
|
|
|
## 不只是回答，而是动手完成
|
|
|
|
沙箱为 Agent 提供了一个可以操作的工作区。根据你的要求，它可以：
|
|
|
|
- 运行 Shell 命令
|
|
- 读取工作区中的文件
|
|
- 创建或覆盖文件
|
|
- 修改已有文件内容
|
|
- 按文件名查找文件
|
|
- 搜索文件中的文字
|
|
- 执行 Python 等代码
|
|
- 启动并管理任务进程
|
|
|
|
整个过程通过 Telegram 对话完成，不需要在聊天窗口和命令行之间反复切换。
|
|
|
|
## 可以让它做什么
|
|
|
|
### 处理文本和文件
|
|
|
|
你可以让 Agent 创建或整理文件：
|
|
|
|
- 帮我生成一份项目 README
|
|
- 把这段内容整理成 Markdown
|
|
- 创建一个包含标题和表格的报告
|
|
- 查找工作区中所有包含某个关键词的文件
|
|
- 修改配置文件中的指定参数
|
|
|
|
Agent 会在工作区中完成操作，并告诉你处理结果。
|
|
|
|
### 编写和运行代码
|
|
|
|
你可以直接描述一个小程序或数据处理任务：
|
|
|
|
- 写一个 Python 脚本统计 CSV 中每一列的平均值
|
|
- 生成 100 条测试数据并保存为 JSON
|
|
- 检查这段代码为什么运行失败
|
|
- 创建一个简单的网页并启动预览
|
|
- 运行测试并根据错误修改代码
|
|
|
|
连接沙箱后，Agent 不仅能生成代码，还能实际运行命令并根据结果继续处理。
|
|
|
|
### 分析工作区内容
|
|
|
|
当工作区中已有文件时，可以让 Agent 帮你快速定位信息：
|
|
|
|
- 列出当前目录下的所有 Markdown 文件
|
|
- 搜索哪些文件使用了某个函数
|
|
- 找出配置文件中重复的字段
|
|
- 读取日志并归纳最常见的错误
|
|
|
|
它会使用文件查找和内容搜索工具完成这些任务。
|
|
|
|
## 如何描述任务
|
|
|
|
任务越明确，Agent 越容易给出符合预期的结果。建议同时说明目标、输入和输出格式。
|
|
|
|
例如，不要只说：
|
|
|
|
> 帮我处理这个文件。
|
|
|
|
可以说得更具体：
|
|
|
|
> 读取工作区中的 sales.csv，按月份统计销售额，将结果保存为 summary.csv，并告诉我销售额最高的月份。
|
|
|
|
如果任务包含多个步骤，也可以一次完整说明。Agent 会根据执行结果继续推进，并在必要时向你确认信息。
|
|
|
|
## 关于沙箱
|
|
|
|
沙箱是 Agent 的独立执行环境，用于降低运行命令和处理文件时对其他环境的影响。不同会话的文件是否共享，取决于当前沙箱的作用域设置。
|
|
|
|
请不要在对话中发送密码、API Key、身份证件或其他敏感信息。对于删除文件、批量修改和长时间运行等操作，建议先明确范围，并在执行前确认。
|
|
|
|
## 在 LangBot Cloud 部署 Telegram 沙箱 Agent
|
|
|
|
LangBot Cloud 已经准备好托管环境、公网访问地址和沙箱，不需要购买服务器、安装 Docker 或配置运行时。开始前只需准备一个 Telegram 账号。
|
|
|
|
### 1. 创建 LangBot Cloud 实例
|
|
|
|
1. 打开 [LangBot Cloud](https://cloud.langbot.app)，登录 LangBot Account。
|
|
2. 为机器人选择一个名称。这个名称也会成为实例的 `.langbot.cloud` 访问地址。
|
|
3. 选择当前可用的体验版、免费版或订阅套餐。不同套餐的可用平台、资源和自动休眠规则以页面显示为准。
|
|
4. 确认配置并部署。实例通常会在 1 到 2 分钟内完成初始化。
|
|
5. 状态变为**运行中**后，点击**打开机器人**进入 LangBot 控制台。
|
|
|
|
Cloud 会为实例提供可直接使用的 LangBot Models 及一定的模型积分。你也可以在**模型**页面接入自己的模型 API Key。
|
|
|
|
### 2. 配置沙箱 Agent 流水线
|
|
|
|
进入**流水线**页面，打开默认流水线或创建一条新流水线，然后在 **AI 能力**中：
|
|
|
|
1. 将运行器选择为**内置 Agent**。
|
|
2. 选择一个支持工具调用的模型。接入自有模型时，需要同时启用模型的**工具使用能力**。
|
|
3. 确认沙箱已启用。Cloud 已经配置好沙箱后端，无需额外安装。
|
|
4. 选择沙箱作用域。个人私聊建议使用**每个会话**；多人群聊且需要隔离文件时，建议使用**每个用户**。
|
|
5. 保存流水线，并在**对话调试**中让 Agent 执行一个简单任务，例如“用 Python 计算 1 到 100 的和”。
|
|
|
|
如果 Agent 只返回代码但没有执行，请检查模型是否支持工具调用、是否启用了工具使用能力，以及流水线运行器是否为内置 Agent。
|
|
|
|
### 3. 在 Telegram 创建机器人
|
|
|
|
1. 打开 [BotFather](https://t.me/botfather)，发送 `/newbot`。
|
|
2. 按提示设置机器人名称和以 `bot` 结尾的用户名。
|
|
3. 保存 BotFather 返回的 API Token，不要将它发送给其他人。
|
|
4. 如果机器人需要读取群聊中的普通消息，在 BotFather 中执行 `/setprivacy`，选择该机器人并关闭 Privacy Mode；只用于私聊时可以保持默认设置。
|
|
|
|
### 4. 将 Telegram 接入 LangBot
|
|
|
|
回到 LangBot 控制台，进入**机器人**页面并创建机器人：
|
|
|
|
1. 平台选择 **Telegram**。
|
|
2. 填入 BotFather 提供的 API Token。
|
|
3. 绑定前面配置好的内置 Agent 流水线。
|
|
4. 保存并启用机器人。
|
|
|
|
打开 Telegram，进入刚创建的机器人会话并点击 **Start**，发送：
|
|
|
|
> 请用 Python 生成一份包含 20 条示例数据的 CSV 文件，并统计其中数值列的平均值。
|
|
|
|
Agent 能执行命令、创建文件并返回统计结果，就说明模型、沙箱、流水线和 Telegram 接入均已配置成功。完整配置项可继续参考 [Telegram 接入文档](/zh/usage/platforms/telegram)和[沙箱文档](/zh/usage/sandbox/readme)。如有私有部署要求，再参考 [Docker 部署文档](/zh/deploy/langbot/docker)。
|
|
|
|
## 扫码开始体验
|
|
|
|
使用 Telegram 扫描下方二维码，打开 LangBot 沙箱 Agent 后直接发送任务。
|
|
|
|
|
|
|
|
如果不知道从哪里开始，可以先试试：
|
|
|
|
> 请用 Python 生成一份包含 20 条示例数据的 CSV 文件，并统计其中数值列的平均值。
|