pydantic / monty

2,69868+456 todayRust

A minimal, secure Python interpreter written in Rust for use by AI

📖 README

MontyA minimal, secure Python interpreter written in Rust for use by AI.---Experimental - This project is still in development, and not ready for the prime time.A minimal, secure Python interpreter written in Rust for use by AI.Monty avoids the cost, latency, complexity and general faff of using a full container based sandbox for running LLM generated code.Instead, it lets you safely run Python code written by an LLM embedded in your agent, with startup times measured in single digit microseconds not hundreds of milliseconds.What Monty can do: Run a reasonable subset of Python code - enough for your agent to express what it wants to do Completely block access to the host environment: filesystem, env variables and network access are all implemented via external function calls the developer can control Call functions on the host - only functions you give it access to Run typechecking - monty supports full modern python type hints and comes with ty included in a single binary to run typec...

📊 Project Info

Language: Rust
Stars: ⭐ 2,698
Forks: 68
Today: +456
Ranking: #2
Collection: Overall
Trending Date: February 8, 2026
Last Push: 2/8/2026

5分钟上手 Monty：极简安全的Python解释器

本指南将帮助你在5分钟内安装Monty并运行第一个AI生成的Python代码

🖥️ OS

macOSLinuxWindows（通过WSL）

⚙️ Runtime

Python>=3.8

🔧 Tools

pip— Python包管理器，用于安装pydantic-monty

📝 Steps

安装Monty

使用pip安装pydantic-monty包

安装Monty Python包

$ pip install pydantic-monty

✓Expected: Successfully installed pydantic-monty-x.x.x 等类似信息

💡如果遇到权限问题，可以尝试添加 --user 参数

创建第一个Monty脚本

创建一个简单的Python文件来测试Monty

创建测试文件

$ echo "import pydanticmonty

code = '''
x = 41
print(f'Hello Monty! The answer is {x + 1}')
'''

m = pydanticmonty.Monty(code)
result = m.run()
print(f'Output: {result.output}')" > monty_test.py

✓Expected: 创建monty_test.py文件

💡在Windows上，可以使用文本编辑器创建文件并复制代码

运行Monty脚本

执行测试脚本，验证Monty是否正常工作

运行Monty测试脚本

$ python monty_test.py

✓Expected: Hello Monty! The answer is 42 Output: Hello Monty! The answer is 42

💡如果看到输出结果，说明Monty已成功运行Python代码

尝试外部函数调用

创建一个更复杂的示例，展示Monty如何与外部函数交互

创建外部函数示例

$ echo "import pydanticmonty

# 定义外部函数
def fetch(url):
    return f'Fetched data from {url}'

code = '''
data = fetch('https://example.com')
print(f'Result: {data}')
'''

m = pydanticmonty.Monty(code, externalfunctions=['fetch'])
result = m.run()
print(f'Final output: {result.output}')" > monty_external.py

运行外部函数示例

$ python monty_external.py

✓Expected: Result: Fetched data from https://example.com Final output: Result: Fetched data from https://example.com

💡这个示例展示了Monty如何安全地调用外部定义的函数

✅ 验证成功

如果所有步骤都成功执行，你将看到以下结果：

✓成功安装pydantic-monty包
✓Monty能够执行基本的Python代码
✓Monty能够调用外部函数并返回结果
✓没有出现权限错误或导入错误

⚡ Quick Tips

性能Monty启动极快，通常在微秒级别，适合需要快速执行AI生成代码的场景

配置使用inputs参数向Monty代码传递变量，使用externalfunctions参数控制可调用的外部函数

安全Monty默认阻止文件系统、网络和环境变量访问，所有外部访问必须通过你提供的外部函数

🔍 Troubleshooting

❓ ModuleNotFoundError: No module named 'pydanticmonty'

→ 确保已正确安装：pip install pydantic-monty，注意包名中的连字符

❓ Permission denied 错误

→ 使用 pip install --user pydantic-monty 或 sudo pip install pydantic-monty

❓ Monty不支持某些Python语法

→ Monty支持Python子集，主要用于AI生成的简单代码。复杂功能需要通过外部函数实现

🎯 Next Steps

查看官方示例

访问GitHub仓库查看更多高级用法示例

尝试类型检查

使用typecheck=True参数启用Python类型提示检查

实验快照功能

尝试使用dump()和load()方法保存和恢复解释器状态

Difficulty

初级

Est. Time

3-5小时

Target Audience

对AI Agent开发、Python沙箱环境或Rust语言感兴趣的开发者，特别是希望在自己的应用中安全执行LLM生成代码的开发者。

🎯 What You'll Learn

学会使用Monty在你的应用中安全地执行AI生成的Python代码，并理解其核心概念如外部函数调用、状态快照等。

📋 Prerequisites

Python基础熟悉

Monty是一个Python解释器，你需要理解Python的基本语法、函数定义和类型提示，才能编写和调试在Monty中运行的代码。

Rust基础（仅用于理解项目）了解(optional)

项目本身用Rust编写，但作为使用者，你主要通过Python绑定来调用。了解Rust有助于理解项目背景和高级用法，但不是使用它的必要条件。

命令行/终端使用熟悉

需要能够使用pip安装包，并运行Python脚本。

📚 Resources

必看

GitHub README

项目主页的README文件，包含了安装、核心示例和高级用法，是学习的第一手资料。

🗺️ Learning Phases

环境准备与初体验

⏱ 30分钟

安装Monty

在你的Python环境中，使用pip安装pydantic-monty包。命令：`pip install pydantic-monty`。

💡建议使用虚拟环境（如venv）来管理依赖，避免污染全局环境。

验证安装

创建一个简单的Python脚本（如test_monty.py），导入`pydanticmonty`模块。如果导入成功，说明安装正确。

💡如果导入失败，请检查Python版本（建议3.8+）和pip是否正确指向你的虚拟环境。

核心概念与基础运行

⏱ 1小时

运行第一段代码

参考README的第一个代码块，创建一个Monty实例，运行一段简单的Python代码（如`x + 1`），并通过`inputs`参数传入变量值。使用`m.run()`方法执行并打印结果。

💡重点理解`Monty(code, inputs=['x'])`中`inputs`参数的作用：它定义了代码中需要从外部传入的变量名。

理解外部函数调用

尝试README中关于`fetch(url)`的示例。创建一个模拟的`fetch`函数，在Python主程序中定义它，并通过`externalfunctions`参数让Monty知道可以调用它。使用`m.start()`和`resume()`来控制执行流程。

💡这是Monty安全性的核心！代码中的`fetch`只是一个声明，实际的函数逻辑在你的主程序中。Monty会在调用时暂停，等待你提供返回值。

高级功能探索

⏱ 1.5小时

体验类型检查

编写一段包含类型提示（如`def greet(name: str) -> str:`）的Python代码。在创建Monty实例时，设置`typecheck=True`。尝试传入错误类型的参数，观察类型检查是否生效。

💡类型检查在代码执行前进行，有助于提前发现LLM生成代码中的类型错误。

实践状态快照

按照README的“Serialize execution state mid-flight”示例，完整走一遍流程：1. 启动执行到外部函数调用暂停。2. 使用`.dump()`保存状态。3. 使用`.load()`恢复状态。4. 使用`.resume()`继续执行。

💡这个功能非常强大，允许你将AI Agent的中间状态持久化到数据库或文件中，实现“暂停/继续”或跨进程恢复。

结合AI Agent框架

参考README末尾的“AI Agent Example”，尝试理解`CodeModeToolset`和`Agent`的用法。虽然可能需要安装额外的AI框架（如pydantic-ai），但这一步旨在理解Monty如何集成到AI工作流中。

💡即使不运行完整示例，也请阅读代码，理解Monty在这里的角色：它提供了一个安全的“沙箱”，让AI生成的工具代码在其中运行。

总结与调试

⏱ 1小时

设计一个小项目

构思一个简单场景：例如，一个AI助手可以帮你计算（但只能使用你提供的`add`, `multiply`函数）或处理字符串。用Monty实现这个安全沙箱。

💡从最简单的开始，比如只允许一个外部函数。确保你完全控制了代码可以访问的所有资源。

阅读错误信息与调试

故意在Monty运行的代码中制造一些错误：语法错误、调用未授权的外部函数、类型错误等。观察Monty返回的错误信息，学习如何定位问题。

💡记住，Monty运行的是一个“子集”的Python。如果遇到不支持的语法，需要查阅项目源码或Issue来确认。

⚠️ Common Mistakes

❌ 忘记在`externalfunctions`参数中声明外部函数名

✅ 在Monty代码中调用的每一个主机函数，都必须先在创建Monty实例时，在`externalfunctions`列表中进行声明，否则执行会报错。

❌ 混淆`inputs`和外部函数调用

✅ `inputs`用于在代码执行前传入简单的数据（如字符串、数字）。复杂的操作或需要访问外部资源的操作，应通过外部函数调用来实现。

❌ 试图在Monty中运行不受支持的Python语法或模块

✅ Monty是Python的一个子集。避免使用复杂的语言特性或尝试导入标准库/第三方库。所有“危险”操作都应通过你控制的外部函数提供。

❌ 对`start()`和`resume()`的流程理解不清

✅ `m.start()`会执行代码，直到遇到第一个外部函数调用或执行完毕。它返回一个“快照”对象。你必须调用这个快照对象的`.resume(returnvalue=...)`来提供外部函数的返回值，并继续执行。这是一个分步过程。

🚀 Next Steps

学完基础后可以继续探索的方向：1. 深入研究Monty的Rust源码，理解其解释器的工作原理和安全性实现。2. 将其集成到更复杂的AI Agent流水线或Web服务中。3. 探索性能极限，测试在大量并发或复杂代码下的表现。4. 关注项目更新，了解其对Python语法支持范围的扩大。