Ejecutor Python REPL con espacio de nombres aislado en proceso de GenPark: qué saber antes del primer uso

Para quién es

• Para quienes necesitan que un agente de IA ejecute código Python durante una conversación y recupere el resultado. Este proyecto (GenPark AI Agent Skill) ofrece un ejecutor Python REPL con espacio de nombres aislado dentro del proceso, capaz de capturar stdout/stderr, restringir las funciones integradas disponibles (safe builtins restrictor) y admitir introspección de variables en tiempo de ejecución.
• Adecuado para entornos que no quieren introducir dependencias complejas: la documentación oficial indica explícitamente que tiene cero dependencias y está implementado puramente con la biblioteca estándar de Python.
• Adecuado para escenarios donde se teme que la memoria del agente se contamine: la documentación oficial enfatiza que el aislamiento dentro del proceso se logra mediante una separación limpia de globals, evitando la contaminación de la memoria del agente.
• Casos en los que no es adecuado: si necesitas un sandbox real a nivel de sistema operativo, aislamiento de red o límites de recursos, la página oficial no indica que ofrezca estas capacidades, por lo que es desconocido; tampoco se menciona en la documentación oficial la posibilidad de ejecutar el código en un proceso o contenedor independiente.
• Puntos previos desconocidos: la evidencia oficial no indica la versión mínima de Python soportada ni si se requiere un framework de host específico para invocarlo; consulta el README original del repositorio.

Primer intento en 3 minutos

Ruta principal recomendada: obtén el código del repositorio oficial de GitHub y, después de cargar este Skill en tu entorno de agente, ejecuta una expresión Python simple de solo lectura.

1. Requisito previo: un entorno capaz de ejecutar Python. Según la documentación oficial no tiene dependencias y usa solo la biblioteca estándar, por lo que no necesitas instalar paquetes de terceros.
2. Obtención: clona el repositorio oficial localmente:

git clone https://github.com/alphaparkinc/genpark-inprocess-python-repl-isolated-namespace-skill

1. La evidencia oficial no proporciona el comando de carga concreto, la firma de función ni el punto de entrada de llamada (por ejemplo, el nombre exacto de la función execute o el formato de configuración). Para este paso, lee las instrucciones de uso del README del repositorio y no supongas la interfaz por tu cuenta.
2. Para el primer intento, se recomienda ejecutar código sin efectos secundarios, por ejemplo, calcular una expresión e imprimir el resultado. Puedes confirmar el éxito observando dos cosas: el ejecutor devuelve la salida stdout de tu código, y la introspección de variables te permite ver las variables en tiempo de ejecución del espacio de nombres.
3. Señal de éxito: la telemetría de ejecución estructurada (structured execution telemetry, según la descripción oficial) incluye el contenido stdout/stderr generado por el código, y la propia memoria/variables del agente anfitrión no han cambiado tras esta ejecución.

Nota: la documentación oficial describe la ruta del código como «el agente genera código → motor con espacio de nombres aislado → telemetría de ejecución estructurada». Aunque existan restricciones de funciones integradas y aislamiento de globals, esto sigue siendo un aislamiento dentro del proceso, no un sandbox fuera del proceso; no interpretes «espacio de nombres aislado» como riesgo cero o imposibilidad de tocar el entorno local. La documentación oficial no ofrece tales garantías de seguridad.

Casos de uso

Caso 1: un cálculo puro en la conversación del agente

• Escenario: el usuario pide al agente calcular un resultado estadístico de un conjunto de datos.
• Método: entrega al ejecutor REPL un fragmento de código Python sin efectos secundarios, por ejemplo, construir una lista pequeña y calcular la suma/media y luego imprimirla con print.
• Resultado esperado: según la documentación oficial, captura stdout, así que el agente puede devolverte el resultado impreso; al tratarse de una separación limpia de globals, las variables temporales de este código no permanecerán en la memoria del agente.

Caso 2: inspeccionar las variables del espacio de nombres tras la ejecución

• Escenario: quieres confirmar qué variables produjo un código tras ejecutarse y cuáles son sus valores.
• Método: después de ejecutar tu código, usa la capacidad de introspección de variables en tiempo de ejecución (runtime variable introspection) para ver el estado de las variables en el espacio de nombres aislado.
• Resultado esperado: puedes ver las variables y su contenido que dejó esa ejecución en el espacio de nombres aislado; sobre la forma concreta de invocar la introspección y el formato de retorno, la evidencia oficial no da detalles; consulta el README del repositorio.

Límites de uso

• Naturaleza de lectura/escritura: es un ejecutor de código, por lo que por naturaleza puede ejecutar cualquier operación de escritura (como escribir archivos). La evidencia oficial solo menciona la restricción de funciones integradas sin especificar el alcance exacto; no está confirmado que pueda bloquear todas las operaciones de escritura.
• Grado de aislamiento: la documentación oficial solo garantiza el aislamiento del espacio de nombres dentro del proceso (separación de globals) y el safe builtins restrictor; no hay declaraciones oficiales sobre sandbox a nivel de proceso o contenedor ni restricciones de red.
• Efectos secundarios y confirmación: antes de ejecutar, confirma que el código no tiene efectos secundarios que no quieras asumir; la documentación oficial no ofrece un mecanismo para «deshacer el código ya ejecutado».
• Datos locales: el ejecutor se ejecuta en tu propio proceso Python; si puede leer archivos locales depende del alcance de las restricciones de las funciones integradas, algo que la documentación oficial no aclara, por lo que no debe considerarse sin fronteras de privacidad.
• Aún por confirmar: la interfaz de llamada concreta, el requisito de versión de Python, la forma de manejo de errores y el contenido de la lista blanca de safe builtins no se explican en la evidencia recopilada; verifica el repositorio original antes de usar.