Neuer Python-SDK von jhansi: Code-Ausführung vereinfacht wie nie

Seit sechs Wochen hat sich die Art und Weise, wie Entwickler Code auf jhansi.io ausführen, grundlegend verändert. Was früher mit manuellen API-Aufrufen, Sandbox-IDs und aufwendiger Bereinigung verbunden war, lässt sich heute mit nur wenigen Zeilen Python erledigen.

Mit dem offiziellen Start des neuen SDKs von jhansi entfällt der Aufwand für die manuelle Verwaltung von Containern und Ressourcen. Stattdessen reicht ein einfacher Python-Code:

from jhansi import Sandbox

with Sandbox(language="python") as sb:
    sb.upload_file("main.py")
    result = sb.exec("python main.py")
    print(result["output"])

Diese Entwicklung markiert einen wichtigen Meilenstein: Die Integration der Ausführungsumgebung in eine nutzerfreundliche Python-Bibliothek macht die Technologie nun für ein breites Publikum zugänglich.

Warum das neue SDK eine Revolution ist

Die unterliegende API von jhansi war zwar bereits verfügbar, doch die Nutzung erforderte tiefgehendes Wissen über HTTP-Protokolle, Container-Lebenszyklen und manuelle Bereinigungsprozesse. Entwickler mussten Sandboxes explizit löschen, um Ressourcenlecks zu vermeiden – ein fehleranfälliger und zeitaufwendiger Prozess, besonders bei der programmgesteuerten Nutzung durch KI-Agenten.

Das neue SDK übernimmt diese Aufgaben automatisch. Die gesamte Infrastruktur wird im Hintergrund verwaltet, während sich Entwickler auf die eigentliche Code-Logik konzentrieren können. Der zentrale Vorteil: Keine manuelle Verwaltung mehr, keine vergessenen Container und keine unerwarteten Kosten durch ungenutzte Ressourcen.

Automatische Bereinigung mit dem Context Manager

Ein zentrales Feature des SDKs ist der integrierte Context Manager, der sicherstellt, dass Ressourcen stets korrekt freigegeben werden. Selbst wenn während der Code-Ausführung ein Fehler auftritt, wird der Sandbox-Container automatisch gelöscht:

with Sandbox(language="python") as sb:
    # Container wird hier erstellt
    sb.upload_file("main.py")
    result = sb.exec("python main.py")
    # Container wird hier garantiert gelöscht – auch bei Ausnahmen

Diese Funktion ist besonders in Umgebungen mit KI-Agenten entscheidend, die dynamisch Sandboxes erstellen und nutzen. Ohne diese Automatisierung könnten sich unzählige Container ansammeln und das System überlasten.

Docker-in-Docker: Eine technische Herausforderung gemeistert

Bei der Selbsthosting-Option von Petri, der Ausführungsumgebung hinter jhansi, zeigte sich eine unerwartete technische Hürde: Petri selbst läuft in einem Docker-Container, ist aber darauf ausgelegt, weitere Container für die Code-Ausführung zu starten. Das führte zu einem klassischen Docker-in-Docker-Szenario mit spezifischen Anforderungen.

Die Lösung bestand aus zwei Schritten:

• Bereitstellung des Docker-Sockets: Der Docker-Socket des Hosts wurde in den Petri-Container eingebunden, um die Container-Erstellung zu ermöglichen.

volumes:
  - /var/run/docker.sock:/var/run/docker.sock

• Gemeinsamer Arbeitsbereich: Petri erstellt Arbeitsverzeichnisse innerhalb seines Containers. Diese müssen jedoch in den Sandbox-Containern verfügbar sein. Durch die Angleichung der Pfade auf Host- und Container-Ebene wurde sichergestellt, dass Docker die Verzeichnisse korrekt findet.

volumes:
  - /var/run/docker.sock:/var/run/docker.sock
  - /tmp/petri-workspaces:/tmp/petri-workspaces
environment:
  - PETRI_WORKSPACE_ROOT=/tmp/petri-workspaces

Diese Konfiguration stellt sicher, dass der Arbeitsbereich konsistent bleibt und keine Pfadkonflikte auftreten.

Schnellstart: So nutzen Sie das SDK

Die Einrichtung von jhansi ist denkbar einfach:

1. Petri installieren:

git clone 
cd petri
docker compose up

1. SDK installieren:

pip install jhansi

Detaillierte Anleitungen und Dokumentationen finden sich auf der offiziellen Website von jhansi. Hier werden alle Funktionen, Beispiele und Best Practices erklärt.

Ausblick: Was kommt als Nächstes?

Das Entwicklungsteam von jhansi hat bereits konkrete Pläne für zukünftige Versionen. Besonders spannend sind die folgenden Features:

• v0.6: Ein persistenter Registry-Mechanismus, der sicherstellt, dass Sandboxes auch nach einem Neustart von Petri erhalten bleiben.

• v0.7: Echtzeit-Ausgabe während der Code-Ausführung, sodass Entwickler Ergebnisse direkt verfolgen können.

• MCP-Server: Integration in Tools wie Cursor und Claude Code, sodass diese direkt auf die Petri-Infrastruktur zugreifen können – ohne eigene Cloud-Lösungen betreiben zu müssen.

Der MCP-Server wird als besonders vielversprechend angesehen, da er die Nutzung von jhansi in modernen Entwicklungsumgebungen weiter vereinfachen wird. Weitere Details folgen in Kürze.

Für alle, die den Fortschritt verfolgen möchten, empfiehlt sich ein Blick auf das GitHub-Repository von jhansi, wo das Projekt aktiv weiterentwickelt wird.