用 Docker 跑 AI 生成的代码？Pydantic 说你可以不用那么重

你有没有被这个问题卡住过——AI 给你生成了一段 Python 代码，你想跑，但不敢直接在本地执行。担心有恶意依赖，担心文件被改，担心网络请求悄悄发出。

大多数人的解法是：Docker 容器。

但 Docker 冷启动要 1500ms。对于需要频繁执行 AI 代码的 Agent 场景，这个开销是不可接受的。想象一下，你的 AI 编程助手每次给你运行代码都要等 1.5 秒——那个体验就像每次点发送都要等半天才看到回音。

Pydantic 刚发布的 Monty，给出了第三种答案。

用 Rust 写一个专用的安全沙箱

Monty 是一个用 Rust 编写的轻量级 Python 解释器，专门用来安全地运行 AI 生成的代码。它的核心思路非常清晰：与其用容器隔离，不如用语言层隔离。

关键数字：

• 冷启动：< 1ms（从已预热的连接池）
• 完整 Agent 运行（10 条 REPL 命令）：< 2ms
• 对比竞品：Docker 沙箱 = 1900ms，Pyodide = 2735ms

这个差距不是 10% 的优化，是三个数量级的体验跃升。

怎么做到这么快的

Monty 没有走传统的虚拟化路线。它本质上是一个用 Rust 重写的 Python 3.14 解释器，专注于”只运行 AI 生成的代码片段”这个极窄场景。

在安全模型上，它做了很保守的设计：

• 沙箱内部没有文件系统（读取不到你本地的 .env 和 SSH keys）
• 没有网络访问（不会悄悄把数据外发）
• 没有环境变量（AI 代码看不到你的本地配置）

AI 代码唯一能接触外部世界的方式，是你主动传递进去的函数和挂载。比如下面这个例子中，nutrition 函数运行在宿主机，沙箱里只能拿到返回值：

from pydantic_monty import Monty

code = """
kcal = nutrition('chocolate bar')['kcal']
hours = kcal * 4184 / (bulb_watts * 3600)
print(f'a chocolate bar powers a {bulb_watts} W bulb for {hours:.1f} hours')
"""

with Monty() as pool:
    with pool.checkout() as session:
        session.feed_run(
            code,
            inputs={'bulb_watts': 10},
            external_lookup={'nutrition': lambda food: {'kcal': 230}},
        )

这行代码在沙箱里运行，只能调用你允许它调用的函数，所有危险操作都被屏蔽。

谁在用 Pydantic：自己先跑通再开源

值得注意的一点是，Monty 不是一个实验室项目。Pydantic 已经在自己的产品里大规模使用了它——Pydantic AI 框架的 Code Mode（代码执行模式）底层跑的就是 Monty。换句话说，这个工具已经在生产环境里经过了真实流量的验证，然后才开源给社区。

这很 Pydantic。他们做事的风格一贯是：自己的东西先跑通，再拿出来。

适合谁来用

如果你符合以下任一场景，Monty 值得关注：

• 正在做 AI Agent 开发：需要在 Agent 里安全执行用户提交的代码，不想引入 Docker 的运维复杂度
• 做 AI 应用后端：想给 AI 代码执行提供安全保障，而不是”祈祷它不会做坏事”
• 需要 Code Interpreter 能力：类似 GPT-4 的代码执行，但想自托管、轻量化、毫秒级响应

上手也非常简单：

# Python
uv add pydantic-monty

# JavaScript / TypeScript
npm install @pydantic/monty

# Rust
cargo add monty

文档在 pydantic.dev/docs/monty，包括 Python、JS、Rust 三种语言的快速入门。

GitHub：https://github.com/pydantic/monty

AI 代码执行这件事，Docker 不是终点。Pydantic 正在用 Rust 重新定义什么叫「既快又安全」。

GitHub: https://github.com/pydantic/monty