项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1822
使用教程
环境要求
- 一台支持 KVM 虚拟化的 Linux 主机(Firecracker 微虚拟机依赖 KVM)
- 已安装 Docker 与 Docker Compose(单机 Embed 部署方式)
- 想跳过自建时,需在 e2b.dev 获取 E2B Cloud API key
安装与启动步骤
-
1准备 Linux 环境
准备一台带 KVM 的 Linux 主机,装好 Docker 和 Docker Compose;没有 KVM 或不想运维就直接走 E2B Cloud。
-
2下载部署文件
新建 e2b 目录,并从仓库 main 分支下载 embed/compose 下的 compose.yaml 与 .env 两个文件。
mkdir e2b && cd e2b curl -fsSL --remote-name-all "https://raw.githubusercontent.com/e2b-dev/runtime/main/embed/compose/{compose.yaml,.env}" -
3启动整套服务
在刚创建的 e2b 目录里执行,-d 后台运行,--wait 会等各容器就绪后返回,其中包含真实 Firecracker 沙箱。
docker compose up -d --wait -
4云端创建沙箱
不想自建时,用 e2b.dev 领取的 API key 配合官方 SDK 创建沙箱并执行命令,适合快速验证。
from e2b import Sandbox with Sandbox.create() as sandbox: result = sandbox.commands.run('echo "Hello from E2B!"') print(result.stdout) -
5考虑 Terraform 部署
同一个 Embed 包也以 GCP Terraform 和 Kubernetes manifest 形式提供;生产自建需参考企业版方案。
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
.env | 是 | 与 compose.yaml 同处 embed/compose 目录的环境变量文件,由下载命令一并拉取 | 随 curl 下载到 e2b 目录下的 .env |
API key | 否 | 仅在走 E2B Cloud 用 SDK 时使用,需到 e2b.dev 自行获取 | your-api-key |
如何确认成功
docker compose up -d --wait 成功返回即表示容器已就绪,可用 docker compose ps 查看状态;云端路径会打印 Hello from E2B!
常见问题
Q:单机部署可以用于生产吗?
A:README 明确说明 E2B Embed 是评估包,不是生产部署模式。生产场景应使用 E2B Cloud,或采用把 runtime 部署在你自己云账号内的企业版方案。
Q:没有 KVM 的机器能跑吗?
A:不行。单机方案依赖 Firecracker 微虚拟机,需要支持 KVM 的 Linux 主机。没有 KVM 就用 E2B Cloud,拿 API key 通过 SDK 创建沙箱。
Q:除了 Docker Compose 还有别的部署形式吗?
A:有。同一个 Embed 包还以 GCP 的 Terraform 和 Kubernetes manifest 形式提供,可按现有基础设施选择。
Q:自己部署后怎么对外提供代码执行能力?
A:使用 E2B 官方 JavaScript 或 Python SDK 连接运行沙箱,示例与 CLI 见 e2b-dev/E2B 仓库,使用手册见 e2b-cookbook。
注意事项
- 单机 Embed 部署是评估用途,不要直接当作生产环境使用。
- 项目用 Go 编写,Apache-2.0 许可,公开云、企业专属部署和单机 Embed 共用同一套代码。
- 更多细节请查阅仓库内 embed/README.md(Run it yourself)与 docs/ARCHITECTURE.md。
- 自建生产环境建议走企业版,runtime 会部署在你自己云的账号内,数据留在本地。
核心亮点
- 基于Firecracker微虚拟机,启动速度快,隔离性强,适合AI高频调用
- 深度集成Nomad和Consul,调度与服务发现健壮,适合大规模部署
- 专为AI代理设计,提供代码解释器沙箱,与E2B Cloud生态无缝衔接
不足之处
- 项目文档较少,上手门槛较高,需自行阅读源码理解架构
- 依赖较多外部组件(Nomad、Consul、Firecracker),部署运维复杂
- 社区规模尚小,生态和案例有限,需等待更多实践沉淀
适用场景
- 构建AI代码解释器,让模型安全执行Python/JS等代码
- 为AI代理提供隔离的沙箱环境,用于运行数据分析或自动化任务
- 作为云平台基础设施,支撑多租户的AI应用后端
替代项目
E2B、Firecracker、gVisor
上一篇:graphjin
下一篇:model-compose
同类项目推荐
agentglass
开源
一个屏幕管住所有 AI 编程代理,实时看成本、拦危险操作
Every AI coding agent on your machine, on one screen — live cost, tokens and tool c···
vllm-metal
开源
让 Mac 也能跑 vLLM 高吞吐推理
Community maintained hardware plugin for vLLM on Apple Silicon
llmtrace
开源
零代码给 OpenAI API 加安全盾,实时防注入、扫隐私、控成本
Zero-code LLM security & observability proxy. Real-time prompt injection detection, ···
humming
开源
运行时生成量化矩阵乘内核,推理更快更灵活
Humming is a high-performance, lightweight, and highly flexible JIT (Just-In-Time) c···
Olares
开源
把个人设备变成专属 AI 云,让智能体 7x24 小时在线干活
Open-Source Personal Cloud OS for Always-On Agents
agentic-api
开源
给智能体应用加状态管理,接上 vLLM 直接跑
Stateful API logic for agentic applications using vLLM
sbx-releases
开源
给 AI 编码代理一个隔离沙箱,随便跑不伤本机
Docker Sandboxes run AI coding agents in isolated environments on your machine or on···
pi-anthropic-auth
开源
给 Pi 扩展一键接上 Anthropic 账号授权
Pi extension package for Anthropic OAuth compatibility
ollama-to-lmstudio-symlinks
开源
一份模型两处用,省下几十 GB 磁盘
A small utility to use Ollama models in LM Studio (and vice versa via symlinking) wi···
