如何手搓代码沙箱与FastAPI-MCP结合实战？

最近Vibe Code在各种技术社区刷屏，不过说实话，在日常工作中，我更多是用LLM来生成文档、批量修改代码或者排查问题。毕竟业务需求嘛，很少有能一次性描述清楚的（懂的都懂哈哈~）。但在看了最新的SWE-Bench Pro评测后，我决定尝试一下端到端的AI编程体验。 前两章我们讨论了JupyterAgent，当时用的是E2B的代码沙箱。这次我决定自己动手，用字节的TRAE从头构建一个Python代码沙箱，并加入MCP支持。完整代码已经开源在simple_sandbox，Star is Welcomed！ 个人体感TRAE在国内Coding IDE里算Very Good，比开源的Cline，Kilo等在Token使用上效率更高，但和cursor还有距离。如何最大化Token使用效率和效果是个系统工程问题~ Vibe Coding实战：从零构建代码沙箱 本来想完整分享整个Vibe Coding过程的，结果TRAE升级把历史对话记录清空了（哭）。那就跟大家分享一下我的操作思路和最终成果吧！ 我在使用AI IDE时通常有两种策略： 模型主导：让模型先做整体规划，我人工调整后让模型执行，依赖模型的测试文件和执行报错进行迭代优化 人工主导：我自己拆解任务，让模型逐步实现，每一步都进行人工校验 如何选择这两种模式完全取决于我对于整个项目是否有很强的先验思考，哈哈就是我知道怎么做的我带着模型做，我不知道的模型带着我做。