Shell: Изпълнение на команди
На тази страница
Shell: Изпълнение на команди
Това е най-мощният инструмент в този курс и единственият, при който грешка може да обърне силата му срещу Вас. Другите инструменти четат, изчисляват или търсят; този действа върху машината. Лошо формулирана системна диагноза остава просто диагноза; лошо формулирана команда за почистване изтрива файлове.
Този урок разглежда употребата и предпазните мерки заедно, защото те не могат да бъдат разделени. Златното правило: моделът никога не трябва да изпълнява команда, която не сте изрично autorizirali предварително.
Концепция и архитектура
Разликата спрямо Code Interpreter е критична и се свежда до една дума: изолация. Code Interpreter работи в изолирана от мрежата пясъчница за еднократна употреба, където най-лошият сценарий е грешно изчисление. Shell работи в среда, конфигурирана от Вас – потенциално Вашата локална машина, потенциално сървър – където най-лошият сценарий е необратима операция.
Тази свобода е смисълът: без нея автоматизираното внедряване и поддръжка са невъзможни. Това обаче изисква от Вас съзнателен избор на обхвата на изпълнение. Специализиран контейнер с ограничени привилегии е почти винаги правилният избор пред директен достъп до хоста.
from openai import OpenAI
client = OpenAI()
# The Shell tool is used via the Agents SDK
# because it requires a controlled execution environment
from agents import Agent, Runner
agent = Agent(
name="devops-assistant",
model="gpt-5.6-terra",
instructions=(
"You are a DevOps assistant. You execute system commands "
"to diagnose and resolve infrastructure issues. "
"Explain each command before executing it."
),
tools=[{"type": "shell"}]
)
Случай на употреба: Системна диагноза
# The agent can execute diagnostic commands
agent = Agent(
name="diagnostic",
model="gpt-5.6-terra",
instructions=(
"Diagnose the system state by executing appropriate commands. "
"Start with basic checks (disk, memory, CPU) "
"then dig deeper based on symptoms."
),
tools=[{"type": "shell"}]
)
# The agent will execute commands like:
# df -h -> disk space
# free -m -> memory
# top -bn1 -> CPU load
# systemctl status nginx -> service status
Осигуряване на изпълнението
Три предпазни мерки работят заедно и нито една не е достатъчна сама по себе си. Списъкът с позволени (allowlist) е основата: изброявате какво е позволено, а не какво е забранено, защото списъкът със забрани винаги пропуска някой вариант – а е достатъчен само един. Таймаутът предотвратява заседнала команда да блокира системата. Ограничената работна директория ограничава щетите, ако легитимна команда сочи към грешното място.
Четвъртата предпазна мярка е нетехническа, но струва колкото другите три взети заедно: изисквайте човешко потвърждение за всяка деструктивна или необратима операция. Моделът прави грешки със същата увереност, с която е прав.
# Pattern: wrapper function with validation
import subprocess
import shlex
ALLOWED_COMMANDS = {
"diagnostic": ["df", "free", "top", "uptime", "ps", "netstat", "curl", "ping"],
"deployment": ["git", "docker", "npm", "pip"],
"files": ["ls", "cat", "head", "tail", "wc", "grep", "find"],
}
FORBIDDEN_COMMANDS = ["rm", "dd", "mkfs", "shutdown", "reboot", "kill", "passwd"]
def execute_secure_command(command: str, category: str = "diagnostic") -> dict:
"""Executes a command with security validation."""
# Parse the command
parts = shlex.split(command)
executable = parts[0]
# Check prohibitions
if executable in FORBIDDEN_COMMANDS:
return {
"error": f"Forbidden command: {executable}",
"reason": "This command is on the blocklist"
}
# Check permissions
allowed = ALLOWED_COMMANDS.get(category, [])
if executable not in allowed:
return {
"error": f"Command not allowed in category '{category}'",
"allowed": allowed
}
# Execute with timeout
try:
result = subprocess.run(
parts,
capture_output=True,
text=True,
timeout=30,
cwd="/tmp" # Restricted working directory
)
return {
"stdout": result.stdout,
"stderr": result.stderr,
"return_code": result.returncode
}
except subprocess.TimeoutExpired:
return {"error": "Timeout: command exceeded 30 seconds"}
Внедряване като персонализирана функция
Внедряването на това самостоятелно чрез извикване на функции предлага предимство, което не бива да разглеждате като резервен вариант: валидацията живее във Вашия код. Вие решавате списъка с позволени команди, регистрирането и стъпките за потвърждение и можете да одитирате всичко. За инструмент с това ниво на риск, запазването на контрол над контролната точка е за предпочитане, дори когато стане налична нативна версия.
tools = [
{
"type": "function",
"name": "execute_command",
"description": (
"Execute a shell command on the server. "
"Allowed commands: system diagnostics (df, free, top, uptime, ps), "
"file reading (ls, cat, head, tail, grep), "
"network (curl, ping, netstat). "
"Destructive commands are forbidden."
),
"parameters": {
"type": "object",
"properties": {
"command": {
"type": "string",
"description": "The shell command to execute"
},
"directory": {
"type": "string",
"description": "Working directory (default: /tmp)"
}
},
"required": ["command"],
"additionalProperties": False
},
"strict": True
}
]
import json
def handle_calls(response):
results = []
for item in response.output:
if item.type == "function_call" and item.name == "execute_command":
args = json.loads(item.arguments)
result = execute_secure_command(
args["command"],
category="diagnostic"
)
results.append({
"type": "function_call_output",
"call_id": item.call_id,
"output": json.dumps(result)
})
return results
# Full loop
response = client.responses.create(
model="gpt-5.6-terra",
input="Check disk space and available memory",
tools=tools
)
results = handle_calls(response)
final_response = client.responses.create(
model="gpt-5.6-terra",
input=response.output + results,
tools=tools
)
print(final_response.output_text)
Работни потоци за автоматизация
Автоматизирано внедряване
Внедряването е най-ценният случай на употреба, при условие че разбирате какво делегирате. Моделът не измисля процедурата: той свързва заедно стъпки, които сте дефинирали, проверява междинните изходи и спира при всяка аномалия. Той е внимателен оператор, а не вземащ решения.
tools_deploy = [
{
"type": "function",
"name": "execute_deploy_step",
"description": (
"Execute a deployment step. "
"Possible steps: git_pull, tests, build, deploy, rollback. "
"Each step is validated before proceeding to the next."
),
"parameters": {
"type": "object",
"properties": {
"step": {
"type": "string",
"enum": ["git_pull", "tests", "build", "deploy", "rollback"]
},
"parameters": {
"type": "object",
"properties": {
"branch": {"type": "string"},
"environment": {"type": "string", "enum": ["staging", "production"]}
}
}
},
"required": ["step"],
"additionalProperties": False
},
"strict": True
}
]
def execute_step(step: str, params: dict) -> dict:
scripts = {
"git_pull": "cd /app && git pull origin {branch}",
"tests": "cd /app && npm test",
"build": "cd /app && npm run build",
"deploy": "cd /app && ./deploy.sh {environment}",
"rollback": "cd /app && ./rollback.sh {environment}"
}
command = scripts[step].format(**params)
return execute_secure_command(command, "deployment")
Мониторинг и известия
Мониторингът обръща логиката на останалата част от този урок: командите тук са само за четене, следователно са безвредни, а стойността е в интерпретацията. Модел, който чете дисково пространство, натоварване и логове за грешки, открива корелации, които един изолиран праг пропуска – което прави това най-безопасната входна точка за започване на работа с този инструмент.
def check_system_health() -> dict:
"""Checks system health and returns a report."""
checks = {}
# Disk space
r = execute_secure_command("df -h /", "diagnostic")
checks["disk"] = r
# Memory
r = execute_secure_command("free -m", "diagnostic")
checks["memory"] = r
# Services
for service in ["nginx", "postgresql", "redis"]:
r = execute_secure_command(
f"systemctl is-active {service}",
"diagnostic"
)
checks[f"service_{service}"] = r
return checks
# The AI analyzes the results and suggests actions
response = client.responses.create(
model="gpt-5.6-terra",
input=f"Analyze this system health report and identify issues:\n"
f"{json.dumps(check_system_health(), indent=2)}",
tools=tools
)
Ключови изводи
- Инструментът Shell свързва модела с Вашата инфраструктура
- Внедрете списъци с позволени и забранени команди
- Използвайте таймаути и ограничени работни директории
- Извикването на функции Ви позволява да внедрите Shell като персонализиран инструмент
- Комбинирайте Shell с други инструменти за пълни DevOps работни потоци