La capacité à générer et exécuter du code représente l'une des fonctionnalités les plus puissantes pour les agents d'intelligence artificielle basés sur des modèles de langage. Lorsque ces systèmes autonomes peuvent écrire, interpréter et sauvegarder des scripts, ils ouvrent la voie à une multitude d'applications, notamment dans le traitement de données et l'automatisation de tâches complexes. Le développement de ces architectures repose sur trois piliers fondamentaux : le modèle de langage qui orchestre les décisions, un espace de travail dédié aux échanges de fichiers, et un environnement d'exécution isolé où le code est effectivement lancé. Pour concrétiser ce concept, le SDK Agents d'OpenAI propose une approche structurée centrée sur le SandboxAgent. Cette solution s'appuie sur un manifeste qui définit les fichiers d'entrée et de sortie, tout en s'intégrant à des conteneurs Docker pour garantir un espace d'exécution sécurisé et reproductible. Dans une étude de cas pratique, un agent a été configuré pour analyser un jeu de données CSV représentant la consommation horaire d'énergie d'un bâtiment. L'objectif consistait à identifier des anomalies énergétiques en croisant les données de consommation avec la température extérieure. La mise en œuvre débute par la préparation de l'environnement. Un conteneur Docker est construit avec un environnement Python préconfiguré, incluant les bibliothèques nécessaires à l'analyse de données. Ce container fonctionne comme une machine virtuelle temporaire : l'agent n'y accède pas directement, mais lui envoie du code à exécuter à distance. Les données d'entrée sont rendues accessibles via le manifeste, tandis que les instructions système définissent clairement le rôle de l'agent, ses outils disponibles et le format des résultats attendus. Lors de l'exécution, l'agent consulte les fichiers, rédige un script de détection d'anomalies, le lance dans le sandbox, puis génère trois livrables : un fichier récapitulant les points aberrants, un graphique visuel et un rapport détaillé. Une fois le traitement terminé, l'état du sandbox est archivé et les fichiers de sortie sont extraits vers le poste de travail local. L'agent a identifié avec précision un pic de consommation anormal, validant ainsi la fiabilité de l'ensemble du pipeline. Cette méthode démontre une architecture robuste et réutilisable pour les développeurs souhaitant intégrer l'exécution de code dans leurs workflows d'agents. Plusieurs principes garantissent son efficacité : des instructions explicites définissant le rôle et les objectifs, une gestion rigoureuse des fichiers, une dépendance logicielle précise dans l'image Docker, et une spécification claire des chemins de sortie. En suivant ces bonnes pratiques, les équipes peuvent déployer rapidement des agents capables d'analyser des datasets et d'automatiser des tâches complexes sans intervention manuelle. Cette approche accélère considérablement le développement d'applications IA autonomes et positionne l'exécution de code comme un standard émergent pour les systèmes agents modernes.