问 建议 WPS 灵犀 Python 沙箱引入 uv 工具，允许用户"用后即焚"，减少存储空间占用

一、问题背景

WPS 灵犀 Claw 内置了一套完整的 Python 运行环境，用于支撑 AI 代理执行数据处理、文件操作、自动化脚本等任务。该环境预装了 numpy、pandas、matplotlib、requests、openpyxl、Pillow、scipy 等常用第三方库，并支持在任务执行过程中按需安装额外的依赖包。

然而，随着灵犀 Claw 的持续使用，一个日益突出的问题正困扰着大量用户：Python 环境的体积持续膨胀，且用户对此缺乏有效的管控手段。

更关键的问题在于：随着 AI 代理在执行各类任务时按需安装新的第三方库（例如处理 PDF 时安装 pdfplumber、处理地理数据时安装 geopandas、进行网络爬取时安装 beautifulsoup4 等），环境体积呈现不可逆的增长趋势。

相关讨论可见 WPS 社区帖子：

• 《 WPS灵犀claw空间占用》

• 《【建议】WPS灵犀Claw支持自定义内置 Python 环境安装位置》

二、当前方案的三重困境

2.1 环境体积持续膨胀，C 盘空间不断被蚕食

Python 环境固定安装在 %APPDATA%（C 盘）目录下，用户无法自定义安装位置。随着使用时间的推移，环境体积将持续增长：

对于 C 盘空间有限的用户，这种持续增长将显著挤压系统可用空间。

2.2 程序本体与运行时依赖分属不同磁盘

许多 Windows 用户习惯将系统盘（C 盘）与数据盘分离，灵犀 Claw 程序本体安装在 D 盘，但 Python 环境却被强制放置在 C 盘的 %APPDATA% 目录下。程序本体与运行时依赖分属不同分区，不符合用户预期的管理逻辑。

2.3 环境不可迁移，清理手段单一

用户无法通过简单迁移将环境移至其他分区。手动移动目录将导致 Python 执行功能异常。唯一"清理"手段是完全卸载并重新安装，但此举无法保证环境路径可更改，且会丢失所有已安装的第三方库。

三、方案建议：引入 uv 工具，实现"用后即焚"

3.1 什么是 uv？

uv 是 Astral 团队（Ruff 的原班人马）用 Rust 开发的极速 Python 包管理工具，相比 pip 快 10-100 倍。它具备以下核心特性：

• uv run --with：直接在临时环境中运行脚本，无需预先安装任何包

• 共享缓存机制：包下载到共享缓存中，多个任务间复用，但不会污染全局环境

• 原生沙箱支持：可创建临时虚拟环境，任务完成后自动销毁

• Rust 底层实现：安装和解析速度远超传统的 pip 方案

3.2 核心方案设计

将灵犀 Claw 当前"永久安装 + 逐步膨胀"的模式，改造为"按需加载 + 用后即焚"的沙箱模式：

# 当前模式（永久污染）
pip install pdfplumber
→ 包永久写入 site-packages，体积只增不减

# uv 沙箱模式（用后即焚）
uv run --with pdfplumber --with beautifulsoup4 python script.py
→ 运行完毕，临时环境自动销毁，仅共享缓存保留

具体实现要点

1. 沙箱执行层：AI 代理在执行 Python 脚本前，由调度器将脚本所需的依赖声明传递给 uv，uv 在临时目录中创建隔离的虚拟环境，安装指定依赖后执行脚本。

2. 共享缓存层：所有下载的包统一存入可配置的共享缓存目录（可设置在 D 盘或其他分区），同一包的多个版本可并行缓存，但不会导致全局环境膨胀。

3. 自动清理层：任务完成后，临时虚拟环境自动删除。共享缓存可通过"定期清理"或"设置容量上限"的方式管理，用户可一键清理所有缓存。

uv cache clean

4. 向后兼容层：保留当前的预装环境作为回退方案。当用户离线或网络状况不佳时，自动降级到预装环境执行；当网络可用时，优先使用 uv 沙箱模式。

3.3 方案优势对比

四、分阶段实施建议

阶段一：路径自定义（近期，低投入）

在灵犀 Claw 设置界面中增加"Python 环境安装路径"配置项，允许用户将环境迁移至 D 盘或其他分区。这是当前最迫切的诉求，工程实现成本较低，可在不影响现有架构的前提下快速上线。

阶段二：引入 uv 沙箱（中期，中投入）

在沙箱执行引擎中集成 uv run，新建 Python 脚本任务默认走沙箱模式，逐步减少对全局环境的依赖。预装环境仅保留 numpy、pandas 等最核心的包作为离线回退方案。此阶段可并行运行两种模式，确保平稳过渡。

阶段三：彻底重构（远期，高投入）

完全以 uv 替代 pip 作为包管理器。全局环境仅保留一个轻量的"启动器"和共享缓存目录，所有实际执行都在临时沙箱中完成。用户可通过设置界面自由配置缓存路径和容量上限，实现"零永久占用 + 按需加载"的理想状态。

五、潜在挑战与应对

5.1 首次启动延迟

uv 虽快，但每次任务仍需解析和下载依赖。可通过预热机制（预判常用包，后台预下载）来缓解，将延迟控制在用户可接受的范围（1-3 秒）。

5.2 离线场景兼容

保留当前预装环境作为回退方案，在网络不可用时自动降级。同时，uv 的共享缓存机制也支持离线复用已下载的包。

5.3 与现有生态的兼容性

当前 Claw 的 Python 环境可能依赖某些预装包的内置引用（如 matplotlib 的字体缓存、scipy 的编译缓存）。沙箱模式需要逐一适配，但总体工作量可控。

六、总结

WPS 灵犀 Claw 内置 Python 环境的设计，有效降低了用户使用 AI 代理的技术门槛。然而，该环境"只增不减"的膨胀模式，已对用户的磁盘空间造成持续压力。引入 uv 工具实现"用后即焚"的沙箱执行模式，不仅可以从根本上解决环境膨胀问题，还能带来更快的安装速度、更好的依赖隔离和更灵活的管理方式。

这是一个兼具技术可行性和用户体验收益的方案。 uv 本身已是成熟的开源工具，在 Python 社区获得了广泛认可，将其引入灵犀 Claw 的沙箱体系，既是对现有架构的优化，也是对未来 AI 代理执行引擎的一次前瞻性升级。

希望开发团队能够评估此方案的可行性，早日为广大灵犀用户带来更轻盈、更可控的 Python 沙箱体验。