核心用法
python-executor 是一个通过 inference.sh 云服务在远程沙箱环境中执行 Python 代码的 Skill。用户通过 infsh CLI 将代码发送至云端，在隔离的 Python 3.10 环境中运行（CPU-only，8GB/16GB 内存可选），执行结果和 outputs// 目录下的文件自动返回。支持 1-300 秒超时配置，适用于无需本地配置复杂环境的场景。
显著优点
开箱即用的丰富生态：预装 NumPy、Pandas、Matplotlib、requests、BeautifulSoup、Selenium、Playwright、MoviePy、Pillow、OpenCV、trimesh 等 100+ 库，覆盖数据科学、网络爬虫、图像视频处理、3D 建模、PDF 生成等主流场景，省去繁琐的环境配置。
安全隔离的执行环境：代码在远程沙箱中运行，不直接访问本地文件系统，避免恶意代码对宿主环境的破坏。资源受限（内存上限、超时机制）进一步降低风险。
灵活的输出机制：自动检测 outputs// 目录的文件并返回，支持图表、数据集、视频、3D 模型等多种格式的生成与下载。
潜在缺点与局限性
第三方服务依赖：所有执行依赖 inference.sh 云服务，存在服务可用性、网络延迟、数据隐私政策等外部约束。代码和数据必须上传至第三方服务器，不适合强数据隔离场景。
无 GPU 支持：纯 CPU 环境，无法运行 PyTorch、TensorFlow 等深度学习框架（需使用专门的 AI 生成 Skill）。
非交互式限制：无法使用 plt.show()() 等交互式命令，仅支持文件输出模式。
网络访问的双刃剑：沙箱内允许网络请求，虽方便 API 调用和爬虫，但也存在数据外泄风险（若运行恶意代码）。
适合的目标群体
- 数据分析师/科研人员：快速验证数据处理脚本、生成可视化图表，无需本地配置 Python 环境。
- 开发者/自动化工程师：执行爬虫、API 集成、文件格式转换等自动化任务。
- 内容创作者：批量处理图像、生成视频字幕、转换 3D 模型格式。
- 学习者：安全地实验 Python 代码，无需担心环境破坏。
使用风险
- 数据隐私风险：敏感数据上传至第三方云服务，需充分评估合规性。
- 供应链风险：依赖 inference.sh 平台的安全性和持续运营。
- 代码注入风险：若未审查用户输入的代码，可能执行意外操作（尽管沙箱隔离）。
- 性能瓶颈：网络传输和云端排队可能带来延迟，不适合高频、低延迟要求的任务。
- 成本不确定性：云服务通常有调用配额或计费机制，大规模使用需关注成本。