安装Monty

在你的Python环境中，使用pip安装pydantic-monty包。命令：`pip install pydantic-monty`。

建议使用虚拟环境（如venv）来管理依赖，避免污染全局环境。

验证安装

创建一个简单的Python脚本（如test_monty.py），导入`pydanticmonty`模块。如果导入成功，说明安装正确。

如果导入失败，请检查Python版本（建议3.8+）和pip是否正确指向你的虚拟环境。

运行第一段代码

参考README的第一个代码块，创建一个Monty实例，运行一段简单的Python代码（如`x + 1`），并通过`inputs`参数传入变量值。使用`m.run()`方法执行并打印结果。

重点理解`Monty(code, inputs=['x'])`中`inputs`参数的作用：它定义了代码中需要从外部传入的变量名。

理解外部函数调用

尝试README中关于`fetch(url)`的示例。创建一个模拟的`fetch`函数，在Python主程序中定义它，并通过`externalfunctions`参数让Monty知道可以调用它。使用`m.start()`和`resume()`来控制执行流程。

这是Monty安全性的核心！代码中的`fetch`只是一个声明，实际的函数逻辑在你的主程序中。Monty会在调用时暂停，等待你提供返回值。

体验类型检查

编写一段包含类型提示（如`def greet(name: str) -> str:`）的Python代码。在创建Monty实例时，设置`typecheck=True`。尝试传入错误类型的参数，观察类型检查是否生效。

类型检查在代码执行前进行，有助于提前发现LLM生成代码中的类型错误。

实践状态快照

按照README的“Serialize execution state mid-flight”示例，完整走一遍流程：1. 启动执行到外部函数调用暂停。2. 使用`.dump()`保存状态。3. 使用`.load()`恢复状态。4. 使用`.resume()`继续执行。

这个功能非常强大，允许你将AI Agent的中间状态持久化到数据库或文件中，实现“暂停/继续”或跨进程恢复。

结合AI Agent框架

参考README末尾的“AI Agent Example”，尝试理解`CodeModeToolset`和`Agent`的用法。虽然可能需要安装额外的AI框架（如pydantic-ai），但这一步旨在理解Monty如何集成到AI工作流中。

即使不运行完整示例，也请阅读代码，理解Monty在这里的角色：它提供了一个安全的“沙箱”，让AI生成的工具代码在其中运行。

设计一个小项目

构思一个简单场景：例如，一个AI助手可以帮你计算（但只能使用你提供的`add`, `multiply`函数）或处理字符串。用Monty实现这个安全沙箱。

从最简单的开始，比如只允许一个外部函数。确保你完全控制了代码可以访问的所有资源。

阅读错误信息与调试

故意在Monty运行的代码中制造一些错误：语法错误、调用未授权的外部函数、类型错误等。观察Monty返回的错误信息，学习如何定位问题。

记住，Monty运行的是一个“子集”的Python。如果遇到不支持的语法，需要查阅项目源码或Issue来确认。