为什么需要
AI Agent 写出 Python 代码后，传统执行方案是用 Docker / gVisor / Firecracker 跑一个隔离环境，安全性好但开销大——启动要几百毫秒，每个 Agent 实例都要一份资源。如果你要做的是「Agent 写 10 行代码做个数据处理」，容器启动比代码执行还慢。
Monty 是 Pydantic 团队（也是 ty 类型检查器、Logfire 可观测平台的同一拨人）专门为 LLM 写的 Python 解释器。它用 Rust 实现，只支持 Python 的子集（够 Agent 用，不支持第三方库、不支持 class 定义），换来的好处：
- 启动时间 < 1μs — 不是「比容器快」，是「比 CPython 启动快」
- 完全可观测的状态 — 解释器可以在外部函数调用点快照到字节流，存在数据库里、稍后恢复
- 可控的资源限制 — 内存、栈深度、运行时间都能限制，超了自动取消
- 可从 Rust / Python / JS 调用 — 因为不依赖 CPython，任何能跑 Rust 的地方都能用
- 安全沙箱 — 默认不能访问文件系统、环境变量、网络，全部走外部函数
典型场景：Agent 写一段 Python 脚本对 CSV 做处理，传统方案要 300ms 启动 + 50ms 执行 = 350ms，Monty 是 50μs 启动 + 50ms 执行 = 50ms，省 7 倍。
怎么用
Python 集成：
bash
pip install pydantic-monty
python
import monty
def get_data(url: str) -> str:
return requests.get(url).text
code = """
data = get_data("https://api.example.com/users")
users = json.loads(data)
print(f"用户数：{len(users)}")
"""
result = monty.execute(
code=code,
external_functions={"get_data": get_data}
)
print(result.stdout)
Rust 集成可以直接 monty::Interpreter::new()，异步执行用 monty.run_async()。
注意事项
- 实验性项目，版本号还在 0.x，API 可能变化
- 不支持第三方库（不能用 requests、pandas）
- 不支持 class 定义、不支持 match 语句（计划中）
- 内置支持：sys、os、typing、asyncio、re、datetime、json、dataclasses
- 类型检查完整支持现代 Python type hints，自带 ty 引擎
- 跑在 Serverless / Edge 环境里特别合适：冷启动比 Node.js 还快