用途：Code Execution 工具在 Anthropic 托管的沙箱中运行 Python，作为模型响应的一部分。适合需要模型真正计算而非仅描述的场景，如数据分析与转换（CSV、JSON、parquet）、图表绘制（matplotlib、plotly）、数学验证、运行模型刚写的单元测试，以及任何“答案取决于代码输出”的任务。
主要能力：沙箱内为 Python 3.12+，预装 pandas、numpy、matplotlib、scipy、scikit-learn、pillow、requests、beautifulsoup4 等；文件系统为临时性，默认无网络访问，CPU 与内存有限，不适合训练模型。执行在服务端完成，无需自行管理工具调用循环。
使用方式：在请求中启用工具，例如 tools: [{ type: "code_execution_20250522", name: "code_execution" }]，并附带请求头 anthropic-beta: code-execution-2025-05-22。上传文件用 Files API，文件在沙箱内位于 /mnt/user-data/。读取结果时遍历响应内容中的 code_execution_tool_result 块，检查 stdout、stderr 与 return_code，生成的文件通过 file_id 经 Files API 下载。多轮分析可传入 container ID 复用沙箱，使 pip 安装、写入文件与变量得以保留；容器在闲置后自动过期。matplotlib 图可保存为图片文件并返回 file_id。可搭配扩展思考，让模型先规划再编码。
限制：新容器不保留已安装包，需在开头 pip install；默认无不受限网络，外部数据需预先获取；容器过期后文件系统清空；每次调用执行时间有限（通常 60-120 秒）；不适合长时间训练或网页抓取。安全上沙箱隔离，但模型可能把上传数据写入日志或把消息中的密钥打印到 stdout，持久化前应清理输出。
最佳实践：仅在分析、数学、测试、绘图时启用；多轮分析使用容器持久化；复杂分析搭配扩展思考；始终检查 return_code；通过 Files API 获取生成的图；限制上传文件大小，大数据先在客户端采样。