播客
Latent Space — ⚡️Monty: the ultrafast Python interpreter by Agents for Agents — Samuel Colvin, Pydantic
核心要点：Pydantic 创始人 Samuel Colvin 在圣诞假期用 Rust 写了一个超轻量 Python 解释器 Monty，专门解决 AI agent "代码调用工具" 场景下的安全隔离与极低延迟问题。
Samuel Colvin 是 Pydantic 的创始人。Pydantic 是 Python 生态中广泛使用的数据验证库，其商业化产品 Logfire 是一个 AI 原生可观测性平台，与 Braintrust、Langsmith、Langfuse 等平台竞争，同时支持完整的 OpenTelemetry 日志、指标和 trace。Logfire 的差异化优势在于允许用户写任意 SQL 查询自己的数据，这让接入 MCP server 的 AI 几乎不需要额外开发就能实现强大的数据探索能力。
Monty 的诞生源于一次意外的共鸣。Samuel 在和四位 Anthropic 员工分别交谈时，每个人都独立提到"如果要做链式 tool calling，type safety 非常重要"，这让他意识到 Anthropic 内部正在思考某件事。不久后，Anthropic 发布了 programmatic tool calling 和 code mode 相关能力，Cloudflare 也推广了"code mode"这个概念。一位关注沙箱领域的投资人估计，70% 的沙箱调用其实是"tool calling 或美化版 tool calling"，比如渲染图表、做计算，并不需要完整的计算机使用能力，但用代码表达却极为强大。
Monty 的定位介于"简单 tool calling"和"完整沙箱"之间。简单 tool calling 安全、轻量，但表达能力有限；完整沙箱（如 Modal、E2B、Daytona）功能强大，但需要外部基础设施，对大型金融机构等无法使用云沙箱的企业而言几乎是不可能的选项。Monty 作为单一 Rust 二进制文件，可以通过 pip 或 npm 安装，运行在同一进程内，热循环下代码执行延迟低至 800 纳秒，冷启动也只需个位数微秒，而 Daytona 沙箱的启动时间约为 1 秒。
Monty 的安全控制粒度极细。所有外部函数调用都通过宿主程序，开发者可以精确限制它能连接哪些域名、允许执行多长时间、最多消耗多少内存。Samuel 举了一个实际案例：用 Monty 配合 Playwright 构建一个全自动网页爬虫 agent，让它从各 AI 公司官网抓取模型定价。整个 agent 运行花了 102 秒，成本 30 美分，最终成功提取价格。他进一步指出，如果让 LLM 在回复结果的同时也返回"下次执行此任务的最优 Python 代码"，并在下次运行时直接输入这段代码，第一次就能成功，大幅降低探索成本。
关于与 CPython 的差异，Samuel 坦率承认 Monty 不是完整的 CPython，无法安装 Pydantic、NumPy 等第三方库，也不支持在 Monty 内部定义 class，match 语句暂未支持，标准库只实现了部分模块。但他认为这对大多数 agent 场景已经足够，因为外部函数调用（网络请求、Pydantic 验证等）都可以注册为宿主函数，由外部执行后把结果传回 Monty。Monty 内置了类型检查器，LLM 写的代码必须通过类型检查才能运行，大幅减少运行时错误。
Samuel 分享了 AI 辅助开发 Monty 的心得。他认为当一个任务同时满足四个条件时，LLM 的效率不是提升 3-5 倍，而是提升 100 倍：一、内部实现对模型来说是已知的（如字节码解释器）；二、外部 API 也是已知的（Python 语义模型早已内化）；三、单元测试极其简单（只需对比 CPython 和 Monty 的输出是否一致）；四、不需要对接口设计做任何讨论（Python 行为已经定义好了）。在这四个条件下，他能在圣诞假期用 AI 写出 30000 行 Rust 代码，并觉得"这个世界真的疯了"。
他的日常工作流是混合使用 Claude Code、Codex 和 Gemini CLI。他把三者比作超级英雄：Claude Code 是美国队长，能干、自信，偶尔过于自信；Codex 是 Q（邦德电影里的那个），神经质、精确、专注于小细节；Gemini 是小丑，偶尔表现惊艳，但一半时间会删掉你的文件。他通常让 Gemini 只做代码 review（不给它文件写入权限），把报告交给 Claude Code 去实现。他认为 Gemini 的优势在于技术深度，因为 Google 最大的私有代码库影响了它的权重，处理字节码解释器这类底层技术时偶有惊喜。
关于商业化，Samuel 承认 Monty 最大的问题是"怎么赚钱"。由于 Monty 的核心价值就是不需要托管服务，提供 SaaS 版本本身有些矛盾。他认为更大的机会在于 Logfire 方向：基于 Pydantic AI 构建 agent 持续自我优化的能力，让 agent 的 prompt、模型选择、代码逻辑随着运行积累不断改进，无论是完全自动还是人工确认变更。他还提到 Pydantic AI 即将推出"可序列化 agent"，允许用一个 TOML 文件定义 agent 的所有配置，包括模型、system prompt、code mode、MCP server 等，为 agent 的跨环境复用和自动优化打下基础。