让 AI 分析 CSV 后交出图表，E2B 补上真正运行代码的一步

让 AI 写一段 pandas 代码并不难，难的是用户上传 CSV 后，应用能不能真的运行它，再交回一张可以保存的图。E2B Code Interpreter 提供的正是这一层：模型负责提出代码，云端沙箱负责执行，应用再接住文本、错误和图表结果。

一个值得读的官方案例，用各国数据分析人均 GDP 与预期寿命的关系。它的价值不在那张图能证明什么宏观结论，而在于把“问数据”到“拿到图”之间的环节摊开了。

CSV 先到位，模型才有东西可算

案例先由程序上传 data.csv 到沙箱，然后在模型提示中交代文件路径、逗号分隔方式和列名。上传是应用执行的确定性动作，并非让模型猜一个文件已经存在。

接下来，模型按要求生成 Python：读取指定列，将数值转成可计算类型，处理缺失或错误格式，再做回归与绘图。应用提取代码后交给 E2B 执行，返回图像结果，示例展示了 PNG 等可取回形式。

这里有一条很清楚的链路：原始数据决定计算材料，生成代码表达分析方法，沙箱输出则说明这段代码实际产生了什么。用户只看到一张图时，容易把这三者混成一句“AI 分析好了”；开发者把它们分别保存，才有条件回查列选错、过滤过多或方法不合适的问题。

当前 Python SDK 说明用更简单的例子展示了同一沙箱的状态：先运行 x = 1，再执行递增与读取，返回 2。对于数据任务，这意味着读取后的数据和中间计算可以在同一工作环境里继续使用，不必每次重新建立整个过程。

官方图表文档也区分静态和交互图。应用需要决定怎样把结果呈现给用户、保存文件或继续处理，而不能只把终端日志当成最终产物。执行有错误时，应保留错误信息，再决定交回模型修正还是让用户处理数据。

本文分析的是官方材料，没有运行这份数据助手。案例发表于较早时期，其中旧版 CodeInterpreter 和依赖版本不应直接当成今天的安装命令；当前 SDK 已使用 Sandbox.create() 与 run_code()，源码也已迁入 E2B 主仓库。

使用托管 E2B 需要账号和 API key，生成代码的模型还要另外配置。SDK 开放代码与云端资源费用是不同层，不能把 Apache-2.0 许可写成无限免费计算。

对于准备做数据助手的人，这个项目最有用的入口是一项成果明确的任务：上传一份表，计算指定关系，拿回图表和可追踪的执行材料。图生成了，仍要核对统计方法与数据含义；沙箱解决的是“真的算过”，分析是否回答了问题则需要继续判断。