sandbox
Sandbox 是一款开源的云端代码编辑环境,旨在为开发者提供集成了 AI 辅助编程与实时协作功能的现代化开发体验。它有效解决了传统本地编辑器在多人协同编码时配置复杂、环境不一致的痛点,让团队成员能够像在文档中协作一样流畅地共同编写和调试代码。
这款工具特别适合需要远程结对编程的开发团队、追求高效工作流的独立程序员,以及希望探索云端 IDE 架构的技术研究者。Sandbox 的核心亮点在于其独特的技术架构:前端基于 Next.js 构建,后端采用 Express 与 Socket.io 实现低延迟通信,并巧妙利用 Cloudflare Workers 系列服务(D1 数据库、R2 存储及 Workers AI)处理数据与智能任务。更值得一提的是,它通过 E2B 技术为每个项目实例化安全的 Linux 沙箱容器,不仅保障了代码执行的安全性,还实现了终端操作与实时预览的完美隔离。无论是想要搭建私有化协作平台的企业,还是希望深入学习云原生开发架构的极客,Sandbox 都提供了一个灵活且强大的开源解决方案。
使用场景
某初创团队的两名全栈工程师需要紧急协作开发一个带有实时数据预览功能的内部仪表盘,且希望借助 AI 加速代码编写。
没有 sandbox 时
- 环境配置耗时:每位成员需本地安装 Node.js、Docker 及各类依赖,常因版本不一致导致“在我机器上能跑”的冲突。
- 协作割裂低效:两人无法同时编辑同一文件,只能轮流操作或通过屏幕共享口头指导,沟通成本极高。
- AI 辅助缺失:缺乏集成的智能代码补全,开发者需频繁切换窗口查阅文档或手动编写重复样板代码。
- 预览流程繁琐:每次修改代码后,需手动重启本地服务并刷新浏览器才能查看终端输出和页面效果。
使用 sandbox 后
- 开箱即用环境:基于 E2B 的云原生 Linux 沙箱瞬间启动统一开发环境,彻底消除本地配置差异与依赖冲突。
- 实时多人协同:依托 Liveblocks 实现类似 Google Docs 的多人实时编辑,两人可同时在同一文件中编写逻辑与样式。
- 智能编码加速:内置定制 AI 副驾驶提供上下文感知的代码自动补全,显著减少样板代码编写时间并降低语法错误。
- 即时反馈闭环:代码保存即自动触发热更新,终端日志与前端预览实时同步,无需手动重启即可验证功能。
sandbox 通过整合云端隔离环境、实时协作与 AI 辅助,将原本分散冗长的开发流程转变为流畅高效的沉浸式共创体验。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
沙盒 📦🪄 (案例研究)
Sandbox 是一个开源的基于云的代码编辑环境,具备自定义的 AI 代码补全功能和实时协作能力。
快来看看包含演示视频的 Twitter 帖子 吧!
还有 @jamesmurdza 制作的这篇 指南,教你如何在本地搭建它!
本地运行
注意:
.env文件中的链接不要加尾部斜杠
前端
安装依赖
cd frontend
npm install
在 .env 文件中添加所需的环境变量(示例文件位于 .env.example)。你需要在 Clerk 和 Liveblocks 上注册账号以获取 API 密钥。
然后,在开发模式下运行:
npm run dev
后端
后端由一个主 Express 和 Socket.io 服务器,以及三个 Cloudflare Workers 微服务组成,分别用于 D1 数据库、R2 存储和 Workers AI。D1 数据库还包含一个指向 R2 存储 Worker 的 服务绑定。每个打开的沙盒都会在 E2B 上实例化一个安全的 Linux 沙盒,用于终端和实时预览。
你需要在 E2B 上注册账号以获取 API 密钥。
Socket.io 服务器
安装依赖
cd backend/server
npm install
在 .env 文件中添加所需的环境变量(示例文件位于 .env.example)。
项目文件将存储在 projects/<project-id> 目录下。中间件包含用于连接到服务器的基本授权逻辑。
在开发模式下运行:
npm run dev
该目录已容器化,因此你可以随意将其部署到任何你选择的平台上!由于成本和安全性考虑,我没有将此项目部署为公开访问,但自行部署供个人使用应该没有任何问题。
Cloudflare Workers(数据库、存储、AI)
目录结构:
/backend/database: D1 数据库/backend/storage: R2 存储/backend/ai: Workers AI
安装依赖
cd backend/database
npm install
cd ../storage
npm install
cd ../ai
npm install
阅读 文档 以了解更多关于 Workers 的信息。
对于每个目录,在 wrangler.toml 文件中添加所需的环境变量(示例文件位于 wrangler.example.toml)。对于 AI Worker,你可以为 CF_AI_KEY 定义任意值——在其他 .env 文件中设置此值以授权访问。
在开发模式下运行:
npm run dev
使用 Wrangler 部署到 Cloudflare:
npx wrangler deploy
贡献
感谢你对贡献的兴趣!在提交你的第一个 Pull Request 之前,请先阅读本节内容。如果你需要任何帮助,欢迎随时联系 @ishaandey_。
请优先处理现有的问题,但如果你有认为有用的特性或 bug 的想法,也欢迎提出新的议题。
结构
frontend/
├── app
├── assets
├── components
└── lib
backend/
├── server
├── database/
│ ├── src
│ └── drizzle
├── storage
└── ai
| 路径 | 描述 |
|---|---|
frontend |
前端的 Next.js 应用程序。 |
backend/server |
Express WebSocket 服务器。 |
backend/database |
用于与 D1 数据库(SQLite)交互的 API。 |
backend/storage |
用于与 R2 存储交互的 API。与 /backend/database 服务绑定。 |
backend/ai |
用于向 Workers AI 发送请求的 API 。 |
开发
分支这个仓库
你可以通过点击页面右上角的“Fork”按钮来分叉这个仓库。
克隆仓库
git clone https://github.com/<your-username>/sandbox.git
cd sandbox
创建新分支
git checkout -b my-new-branch
提交规范
在创建 Pull Request 之前,请确保你使用 Conventional Commits 格式。提交信息应采用以下格式:category(scope 或 module): message,其中类别包括:
feat / feature: 所有引入全新代码或新功能的更改fix: 修复 bug 的更改(理想情况下,如果有相关 issue,应一并引用)refactor: 不属于修复或特性的任何代码相关更改docs: 更改现有文档或创建新文档(如 README、库的使用说明或 CLI 使用说明)chore: 所有不属于上述类别的仓库更改
例如:feat(editor): improve tab switching speed
技术栈

前端
后端
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。