Open PTC Agent：让大模型用代码"写"出工具调用

背景：传统工具调用的困境

2025年末，Anthropic 在一篇工程博客中抛出了一个尖锐的问题：大模型擅长写代码，却被迫用笨拙的 JSON 描述工具调用，这本身就是一种浪费。

传统 Agent 的工具调用模式是这样的：模型每需要一次数据，就要发起一次 JSON 格式的 tools/call 请求。比如获取10只股票一年的每日价格数据——2500多条 OHLCV 记录、每个数据点都要转成 token 塞进上下文窗口。仅计算一个投资组合摘要，就要消耗数万个 token。这不是工具调用，这是对上下文窗口的"污染"。

Anthropic 给出的答案叫 Programmatic Tool Calling（PTC）——让模型直接写 Python 代码来调用工具，代码在沙箱中执行，处理完数据后只返回最终结果，token 消耗减少 85-98%。

Chen-zexi/open-ptc-agent 是这一理念的开源实现，发布仅两个多月便获得 700+ stars，成为 MCP 生态中关注度最高的项目之一。

核心原理：代码即工具

PTC 的工作流程可以概括为三个步骤：

1. 工具发现（Tool Discovery）：Agent 首先了解当前会话中有哪些可用的 MCP 工具——不是一次性加载所有工具定义（那样会消耗大量 token），而是按需发现，在需要时才了解工具的接口和用法。

2. 代码生成（Code Writing）：Agent 拿起"它最擅长的武器"——写 Python 代码。代码中调用 tool() 函数来触发 MCP 工具，tool() 内部完成参数组装、HTTP 请求发送、响应解析等所有脏活累活。Agent 只需写业务逻辑，比如：

# 获取数据
data = tool("yfinance", symbol="NVDA", period="2y")

# 处理数据（过滤、聚合、可视化）
filtered = data[data['Close'] > 150]
result = filtered.groupby(filtered.index.to_period('M')).mean()

# 保存结果到 data/ 目录
result.to_csv("data/monthly_avg.csv")

3. 沙箱执行（Sandbox Execution）：代码交给 Daytona 云沙箱执行。Daytona 提供了文件系统隔离——代码无法访问宿主机资源，只能操作 data/ 目录下的文件。所有中间计算都在沙箱内完成，最终只有结果文件返回给 Agent。

用户任务
    ↓
PTCAgent（工具发现 + 代码生成）
    ↓
Daytona 沙箱（MCP工具执行）
    ↓
结果文件 + 最终输出

技术架构：LangGraph + Daytona + MCP 三层架构

第一层：LangGraph 状态机

项目基于 LangGraph 构建核心 Agent 编排逻辑。graph.py 中定义了 StateGraph(MessagesState)，入口节点 ptc_node 负责：

• 懒加载沙箱（首次调用时才初始化 Daytona 连接）
• 注入 MCP 工具注册表
• 调用 PTCAgent.create_agent() 创建深度 Agent 实例

这种懒加载设计非常重要——LangGraph Cloud/Studio 部署时，沙箱连接在请求到达前不应该建立，否则会导致连接超时或资源浪费。

第二层：PTCAgent 核心

agent.py 中的 PTCAgent 类是真正的执行引擎。它通过 LangChain 的 create_agent 接口组装 Agent，但关键在于自定义的中间件栈（Middleware Stack）：

• BackgroundSubagentMiddleware：子 Agent 后台执行。子 Agent（如 Task-1、Task-2）异步运行，主 Agent 在等待期间可以继续工作，完成后通过 task_output() 获取结果。
• PlanModeMiddleware：HITL（Human-in-the-Loop）中断模式。Agent 遇到关键步骤时暂停，等待人工确认。
• ToolCallCounterMiddleware：统计工具调用次数，用于成本控制。
• ViewImageMiddleware：多模态支持，让具有视觉能力的 LLM 分析来自 URL 或沙箱内的图片。
• deepagent_middleware：基于 DeepAgents 框架的深度 Agent 实现。

第三层：Daytona 沙箱

sandbox.py 中 PTCSandbox 是整个系统的执行底座。它：

• 通过 Daytona SDK（daytona-sdk>=0.0.1）连接 Daytona 云服务
• 管理沙箱生命周期（创建、快照、重连）
• 预装 30+ Python 依赖（pandas、numpy、matplotlib、yfinance 等）
• 捕获代码执行结果，包括 stdout/stderr、生成的文件、matplotlib 图表

第四层：MCP 工具注册

MCPRegistry 负责将任意 MCP 服务器的工具转换为 Python 函数。项目自带两个示例 MCP 服务器：

• yfinance_mcp_server.py：Yahoo Finance 金融数据
• tickertick_mcp_server.py：任务管理数据

用户也可以自己实现 MCP 服务器，通过 mcp_upload 部署到沙箱中。

代码质量：从 Ruff 到完整的 CI

项目采用 monorepo 结构，两个核心库：

• libs/ptc-agent/：核心 Agent 库（ptc_agent/）
• libs/ptc-cli/：交互式 CLI 应用（ptc_cli/）

代码质量配置极为严格：

• Ruff：启用 ALL 规则（200+ 条），仅忽略少量与格式化冲突的规则，代码风格高度统一
• MyPy：严格模式（strict=True），所有模块类型注解完备
• Pytest：完整测试套件，pytest-asyncio 支持异步测试，覆盖率报告（pytest-cov）

CI 流程包含三个 workflow：

• ci.yml：标准测试 + lint
• claude-code-review.yml：Claude Code 辅助代码审查
• claude.yml：自动化代码改进

整体代码质量评分：8.5/10（类型安全严格、中间件设计优雅、CI 完备扣分项为无 Dockerfile/compose 部署支持）。

功能生态：不止于工具调用

项目在纯工具调用之外构建了丰富的扩展能力：

功能	描述
Agent Skills	基于 agentskills.io 标准的可扩展技能系统（PDF/XLSX/DOCX/PPT 操作，财务建模）
图表自动上传	matplotlib 图表自动上传到云存储（Cloudflare R2 / AWS S3 / 阿里云 OSS）
子 Agent 并行	多子 Agent 异步执行，主 Agent 协调结果
多 LLM 支持	OpenAI / Anthropic / DeepSeek / 任何 LangChain 支持的模型
LangGraph 部署	支持 LangGraph Cloud / Studio 部署

局限与风险

需要明确告知用户的：

1. Daytona 是核心依赖：代码执行完全依赖 Daytona 云服务，没有 Daytona API Key 项目无法运行。这意味着存在供应商锁定风险——Daytona 服务不可用时，整个工具链瘫痪。

2. API Key 满天飞：项目需要同时配置 Daytona Key + LLM Provider Key（OpenAI/Anthropic/DeepSeek），如果配置文件中不小心提交了真实 Key，会造成安全隐患。

3. Python 3.12+ 门槛：项目明确要求 Python >= 3.12，部分企业内网环境仍在使用 3.9/3.10，可能遇到兼容性问题。

4. Token 减少是双刃剑：虽然减少了 token 消耗，但代码执行本身有延迟，对于需要快速响应的场景（如实时聊天），PTC 的优势不明显。

行业意义

Open PTC Agent 的出现代表了一个重要趋势：大模型正在从"对话机器"进化为"代码执行器"。传统的 JSON 工具调用本质上是让模型用自然语言描述 API 调用，这是对模型编程能力的浪费。PTC 允许模型做它最擅长的事——写代码——同时保持工具调用的灵活性。

从更宏观的视角看，这个项目处于三个前沿领域的交汇点：

• MCP 生态：Anthropic 主导的 Model Context Protocol，正在成为 AI 工具互操作的"USB-C"
• Agent 架构：从单轮对话到多步推理，代码执行成为 Agent 的标配能力
• 云沙箱：Daytona/Safe榕等云代码执行平台，解决 AI Agent 的安全隔离问题

2026年，随着 MCP 生态的成熟和更多云沙箱方案的涌现，PTC 模式很可能成为 Agent 开发的事实标准。这个项目的 700+ stars，已经说明了社区的态度。