Der AgentExecutor von OnPrem.LLM ermöglicht autonomen KI-Agenten die Ausführung komplexer Aufgaben mithilfe von Cloud- und lokalen Modellen. Die Pipeline funktioniert mit jedem LiteLLM-unterstützten Modell, das Tool-Aufrufe unterstützt, einschließlich Cloud-Modellen wie OpenAI's GPT-5.2-Codex, Anthropic's Claude Sonnet 4.5 und Google's Gemini 1.5 Pro sowie lokalen Modellen über Ollama, vLLM oder llama.cpp.

Integrierte Tools

Standardmäßig bietet AgentExecutor Zugriff auf neun integrierte Tools:

• read_file - Komplette Dateiinhalte lesen
• read_lines - Bestimmte Zeilenbereiche aus Dateien lesen
• edit_file - Dateien über Suchen/Ersetzen bearbeiten
• write_file - Komplette Dateiinhalte schreiben
• grep - Nach Mustern in Dateien suchen
• find - Dateien nach Glob-Muster finden
• run_shell - Shell-Befehle ausführen
• web_search - Das Web nach Informationen durchsuchen
• web_fetch - Inhalte von URLs abrufen und lesen

Konfigurationsbeispiele

Sie können den Tool-Zugriff basierend auf Ihren Sicherheitsanforderungen anpassen:

# Standardeinstellungen verwenden (alle Tools einschließlich Shell):
executor = AgentExecutor(model='anthropic/claude-sonnet-4-5')

Standardeinstellungen, aber ohne Shell-Zugriff (sicherer):
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    disable_shell=True
)
Minimale Tools:
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['read_file', 'write_file']
)
Nur Web-Recherche:
executor = AgentExecutor(
    model='openai/gpt-5-mini',
    enabled_tools=['web_search', 'web_fetch']
)

Abgesicherte Ausführung

Für mehr Sicherheit können Sie Agenten in kurzlebigen Containern mit sandbox=True ausführen. Dies ist wichtig, da Agenten mit Shell-Zugriff potenziell Dateien außerhalb des Arbeitsverzeichnisses lesen oder ändern können. Der Agent arbeitet innerhalb des angegebenen Arbeitsverzeichnisses und kann nicht außerhalb davon lesen oder schreiben, es sei denn, er erhält Shell-Zugriff.

Einfaches Beispiel mit Sandboxing:

executor = AgentExecutor(
    model='anthropic/claude-sonnet-4-5',
    sandbox=True,
)

result = executor.run(
    task="""
    Erstellen Sie ein einfaches Python-Rechnermodul mit Folgendem:
    - calculator.py mit add-, subtract-, multiply-, divide-Funktionen
    - test_calculator.py mit pytest-Tests
    - Alle Tests müssen bestehen
    """,
    working_dir='./calculator_project'
)

Dieser Ansatz ist nützlich für Entwickler, die Codierungsaufgaben automatisieren müssen, während sie Sicherheitsgrenzen einhalten. Das Tool erfordert die Installation von PatchPal mit pip install patchpal.