我的AI文档助手实战：解决代码沙箱执行

让AI读PDF和Excel很容易，但让它能真正地、安全地运行代码来处理数据，这才是真正的门槛。很多公司内部推AI助手时，最怕的就是AI写段Python代码把服务器跑崩了，或者内存溢出导致整个服务宕机。

为了解决这个问题，我搞了一个叫DocMake的工具，核心逻辑就是把“分析”和“执行”彻底剥离。

核心技术实现：沙箱隔离

最关键的架构设计是：DataFrame绝对不能留在主进程里。所有的分析任务必须在分叉的子进程（forked subprocess）中运行，并且严格限制超时时间和内存上限。

这样即使AI写了一个死循环或者尝试加载一个巨大的数据集，也只会杀死那个子进程，而不会影响主服务的稳定性。这种部署方式对于在公司环境下落地AI Agent至关重要，因为稳定性永远优先于功能。

提升分析维度的 Analyst Swarm

为了避免单个模型产生幻觉，我引入了类似多智能体（Multi-agent）的机制。简单来说，就是让多个不同人格的AI分析师并行工作：

• 独立分析： 每个AI分别写代码、跑数据。
• 共识校验： 只有当多个分析结果达成一致时，才输出最终结论。

这种并行处理模式在处理复杂报表时，准确率比单次对话高出不少。

MCP 协议的实操意义

这次还接入了 MCP (Model Context Protocol)，这意味着它不再是一个孤立的网页工具。如果你在用 Cursor 或 Claude Desktop，可以直接调用 DocMake 的工具集。它把 AI 从一个“只会聊天”的对话框，变成了能真正执行文件转换和数据处理的插件。

总结这次踩坑经验，代码沙箱的隔离程度决定了工具的可用性，而 MCP 正在成为 AI 工具集成的标准接口。

具体的工具路径参考：

https://docmake.online