Microsooft Foundry: así funciona el Code Interpreter bajo el capó

Microsoft ha documentado en profundidad cómo opera el Code Interpreter dentro de su ecosistema Foundry. No es solo una herramienta que devuelve un gráfico, sino un runtime de Python aislado que se provisiona bajo demanda para ejecutar código generado por el modelo.

El objetivo es claro: superar las limitaciones de los LLM en aritmética exacta y manipulación de datos. Pedirle a un modelo clasificado como GPT-5 que calcule el factorial de 100 o filtre un CSV de 50.000 filas por razonamiento puro suele terminar en alucinaciones numéricas. La solución, que ya existía en OpenAI y Anthropic, consiste en darle al modelo un entorno de ejecución real donde pueda escribir código, iterar sobre errores y leer resultados deterministas.

La arquitectura se basa en tres conceptos que suelen confundirse: la herramienta, el contenedor y la sesión. La herramienta es solo la declaración de capacidad en la definición del agente. El contenedor es el sandbox físico, que Foundry crea de forma perezosa al primer uso. La sesión es la vida útil facturable de ese contenedor, limitada por defecto a una hora, con un timeout de inactividad de 30 minutos. Aquí está la trampa operativa: si no gestionas explícitamente el ID del contenedor, cada llamada desde conversaciones distintas levantará un sandbox vacío. Si un usuario vuelve tres veces en una hora para refinar un análisis, sin gestionar la referencia, el agente perderá la memoria de los datos cargados previamente.

El flujo de ejecución es estricto. El modelo emite un tool call con código Python, el runtime lo intercepa y lo envía al sandbox. Este entorno no tiene acceso por defecto a tu VNet ni a internet público, lo que aísla la ejecución. El código lee archivos de entrada que se han subido previamente a Azure Storage, ejecuta la lógica y devuelve el stdout, stderr y artefactos generados. Los errores se devuelven al contexto del modelo, permitiendo que corrija el código y reintente en el mismo turno. Los archivos de salida se citan mediante anotaciones que el cliente debe resolver a través de la API de contenedores para descargar los bytes finales.

Para los equipos de infraestructura, los detalles de la implementación en Python son cruciales. Microsoft ha publicado ejemplos en su repositorio que muestran cómo integrar el Code Interpreter en Agent Framework. La documentación oficial en Learn detalla la diferencia entre agentes por prompt y agentes hospedados, que siguen vías de ejecución divergentes.

Entender estos mecanismos evita sorpresas en producción. No es magia: es orquestación de contenedores, latencia de red para staging de archivos y gestión de estado. Si planeas desplegar agentes que analicen datos sensibles, la aislamiento por sesión y la ausencia de red saliente son tus primeras líneas de defensa, pero la gestión del ciclo de vida del contenedor es tu responsabilidad total.