E2B 沙箱默认能连外网,得自己动手关掉
关闭 allowInternetAccess 即可封锁所有出站路由,一段短脚本就能向客户安全团队证明这一点。
要点速览
- E2B 在云端隔离沙箱中运行 AI 生成的代码,与你的机器和客户的机器分开。
- 沙箱默认可以出站访问互联网;要实现网络隔离,必须自己配置并亲自验证。
- 已暂停的沙箱会无限期保留状态,因此需要一套明确的销毁流程。
每个 E2B 沙箱默认都有一条通往互联网的路由。这一点就写在官方文档里,而 E2B 本身恰恰是一款让代码在独立环境中运行的工具。
所以,前线部署工程师(FDE)不能向客户的安全团队保证:代码一进沙箱就哪儿也去不了。你的 Agent 写出没人读过的代码,这些代码总得有地方运行。E2B 回答的是“在哪里运行”;“代码可以去哪里”这个问题,仍然要你自己回答。
这个工具到底做什么?
E2B 对自己的定位是:一套开源基础设施,用于在云端隔离沙箱中运行 AI 生成的代码。主仓库采用 Apache-2.0 许可证。
举个典型场景。客户是一家物流公司,想让 Agent 做发票对账:Agent 读取文件,自己写 Python,运行,看到报错再修改。如果这个循环跑在你的笔记本或客户的某台机器上,一行写坏的代码就可能删错文件,或者碰到内部系统。
这正是该用 E2B 的时候:代码没有经过人工审阅,要反复迭代很多轮,而你也不想只为做一个概念验证就去申请客户基础设施的权限。如果代码已经审阅过,并且必须紧挨着内网里的数据运行,那就是另一类问题了,云端沙箱未必是答案。
动手试试:断网环境下做发票对账
第 1 步:关闭网络。 创建沙箱时关闭 allowInternetAccess;这等同于把 denyOut 设为 0.0.0.0/0,封锁所有出站路由。把这段配置保存好,它是你的第一份证据。
第 2 步:证明网络已关闭。 写一段短脚本,去访问一个确定可用的公网地址,然后分别在你的机器上和沙箱里运行。你的机器应当成功,沙箱应当失败;如果沙箱访问成功了,立即停下。两份日志都要保留,对照日志可以说明失败来自网络规则,而不是目标地址本身。
第 3 步:导入数据。 到这一步,才把客户批准的样本放进沙箱,比如一个包含 200 行匿名发票记录的 CSV 文件。在沙箱里再数一遍:必须正好是 200 行。把这个数字和客户的书面同意一起存档。
第 4 步:运行 Agent 的代码。 让 Agent 写的 Python 处理刚导入的文件。它可能返回一个结果文件,记录 188 张匹配的发票和 12 张不匹配的发票,合计仍是 200。保留确切的代码和输出文件,方便客户的员工核对。
这种设计有一个容易忽略的后果。断网之后,放在沙箱里的 Agent 也无法调用外部的模型 API。所以要把 Agent 循环放在外面:Agent 在你这一侧写代码,沙箱只负责运行代码。
假设真实的对账任务要跑 3 小时。在 Hobby 套餐下,沙箱最长可连续运行 1 小时;Pro 套餐是 24 小时,所以用 Pro 可以一次跑完。
用 Hobby 就必须借助暂停功能:每次暂停都会重置运行时长计时,状态则完整保留。如果为了稳妥,每到第 50 分钟就暂停一次,任务会被切成 50、50、50 和 30 分钟四段,也就是暂停三次。因此你的代码必须能在中途停下再接着跑,这一点要尽早测试。
成本方面,E2B 按每 vCPU 秒 0.000014 美元计费。2 个 vCPU 运行 3 小时,合计 21,600 vCPU 秒,仅 CPU 一项就是 0.3024 美元。
Hobby 套餐附带 100 美元一次性额度,允许 20 个沙箱并发。只算 CPU 的话,足够把这个任务跑 330 多次,所以 Hobby 适合用假数据或客户批准的样本做概念验证。
在为客户做正式工作之前,先确认你所用的套餐能否通过对方的安全评审。从技术角度看,如果任务不能中途停下,或者需要同时运行超过 20 个沙箱,就值得考虑 Pro。
沙箱里的代码还能去哪里?
在上面的例子中,代码并不在客户的机器上运行。但只要你不改配置,它仍然有办法把数据发到互联网上,而一张恶意发票的内容,就可能引导 Agent 直接走上这条路。
NVIDIA AI Red Team 把间接提示注入列为 Agent 工具面临的主要威胁。它把封锁出站流量视为必备的控制措施,因为这样可以阻止数据外传,也能防止反弹出远程 shell。E2B 提供三种选项,分别适合不同阶段。
| 配置 | 沙箱可以访问哪里 | 适用场景 |
|---|---|---|
| 默认 | 可以出站访问互联网 | 用假数据做演示 |
| 关闭互联网 | 完全没有出站连接 | 代码处理客户数据,且不需要对外调用 |
| 允许/拒绝规则 | 按规则执行;允许规则始终优先于拒绝规则 | 代码必须调用少数几个固定目标 |
最后一行最容易出错,因为允许规则始终优先于拒绝规则。假设一条允许规则覆盖了某合作承运商的所有地址,而一条拒绝规则针对该承运商位于 203.0.113.50 的测试服务器。代码仍然能访问 203.0.113.50。所以要把允许规则写窄,而不是指望用拒绝规则去补漏洞。
域名在 allowOut 中声明,因此最站得住脚的写法是:先全部封锁,再只放行确实需要的具体主机名。两个方向都要测试:放行的目标必须能访问,其他任何目标都必须失败。条件允许时,彻底关闭互联网仍然是最容易向客户安全团队说明的方案。
NVIDIA 还建议,沙箱不应继承宿主机的凭据,只应获得明确授予的密钥。在对账场景中,代码只需读取一个文件,所以最简单的做法是不授予任何密钥。
需要提前告诉客户的限制
最大的限制来自代码的运行位置:沙箱在云端。把客户数据放进沙箱,意味着数据已经离开了客户的基础设施,而开源许可证本身并不能回答数据存放在哪里的问题。第一次开会就要提出来,别拖到最后一周。
第二个限制较少有人注意。已暂停的沙箱会无限期保留全部状态。这对长任务很方便,但一个被遗忘的沙箱可能在合同结束很久之后还存着客户数据,所以销毁沙箱必须写进交接流程。
第三个限制是规模:Pro 套餐最多允许 100 个沙箱并发。如果你的设计是给每个终端用户分配一个沙箱,在承诺可扩展性之前,先拿这个数字和你的并发用户数比一比。
如果有人问起虚拟化层,别急着回答。AWS 的 Firecracker 基于 Linux KVM,在 microVM 中运行工作负载;NSDI 2020 的论文介绍了它如何在 Lambda 和 Fargate 中保持强安全隔离。
但本文引用的 E2B 文档并没有确认 E2B 使用哪种虚拟化层,所以不要想当然地认为是 Firecracker,直接请 E2B 确认。
先学什么,简历上写什么
合理的顺序是先从网络入手,而不是先学怎么调用 E2B API。更难的部分是:看着一个 Agent,能说清它读什么、写什么、调用哪里。其次是设计能中途停下再继续、又不会把结果弄乱的任务。
阅读岗位描述时,如果看到 code execution 或 sandboxing 这类字眼,可以在面试时问面试官:Agent 的代码在哪里运行,允许调用哪里?简历上别只写“用过 E2B”。要写清楚:你在关闭出站流量的沙箱中运行 Agent 生成的代码,有测试确认代码无法对外调用,还有一套在交接时销毁沙箱的流程。
客户很少需要听你说沙箱是安全的。他们需要看到的,是代码试图外连时被拦下的那一行日志。
这篇文章对你有帮助吗?
感谢你的反馈!
7 个信源
- GitHub - e2b-dev/E2B
- Internet access - E2B Documentation
- Sandbox - E2B Documentation
- E2B Pricing
- GitHub - firecracker-microvm/firecracker
- Firecracker: Lightweight Virtualization for Serverless Applications (NSDI '20) · 2020-02
- Practical Security Guidance for Sandboxing Agentic Workflows and Managing Execution Risk · 2026-01-30