Tous les produits
Search
Centre de documentation

Elastic Compute Service:**Exploiter des instances ECS avec Workbench CLI dans les agents d'IA**

Dernière mise à jour :Aug 18, 2026

Chargez la compétence (skill) Workbench CLI dans des outils de codage assistés par IA tels que Wukong, Qoder et opencode. Utilisez le langage naturel pour piloter un agent afin d'interroger des instances ECS, d'exécuter des commandes et de transférer des fichiers. Grâce à une sortie JSON structurée et au transfert du code de sortie des commandes, l'agent évalue les résultats de manière autonome et enchaîne les opérations suivantes.

Pourquoi les agents d'IA sont bien adaptés à Workbench CLI

Contrairement aux autres méthodes de connexion aux instances ECS, Workbench CLI est conçu nativement pour être appelé par des agents d'IA :

  • Sortie JSON structurée : Toutes les commandes prennent en charge l'option --output json et renvoient une structure de champs prévisible (par exemple, exec renvoie output, stderr et exit_code). L'agent n'a ainsi pas besoin d'analyser la sortie textuelle avec des expressions régulières.

  • Transfert du code de sortie : La commande workbench exec transmet le code de sortie de la commande distante (comme SSH), ce qui permet à l'agent de déterminer si celle-ci a réussi. En cas d'échec, l'option --output json génère des informations d'erreur structurées. L'agent les analyse pour décider s'il doit réessayer ou signaler l'erreur.

  • Exécution sans état : Chaque appel à workbench exec s'exécute dans un environnement indépendant, sans conserver l'état du shell. L'agent n'a pas besoin de maintenir un contexte de session et les états résiduels ne rendent pas le comportement des commandes imprévisible.

  • Sémantique intuitive des commandes : Les noms list / exec / upload / download correspondent directement aux tâches opérationnelles courantes. L'agent apprend donc à les utiliser seul via l'option --help.

Prérequis

  • Workbench CLI est installé sur votre ordinateur. Vos identifiants et une politique RAM respectant le principe du moindre privilège sont configurés. Pour plus d'informations, consultez la rubrique Installer Workbench CLI et configurer les identifiants.

  • L'outil de codage assisté par IA cible (Wukong, opencode ou tout autre outil d'IA capable d'exécuter des commandes shell) est installé sur votre ordinateur.

  • Nous vous recommandons de lire au préalable la rubrique Gérer des instances ECS à l'aide de Workbench CLI afin de vous familiariser avec l'utilisation de chaque sous-commande workbench. Vous évaluerez ainsi mieux les résultats générés par l'agent.

Charger la compétence Workbench CLI dans un outil d'IA

Alibaba Cloud a publié une compétence officielle Workbench CLI. Elle inclut l'utilisation de toutes les sous-commandes, la description des paramètres, la signification des codes de sortie et les flux de travail typiques. Une fois cette compétence chargée dans un outil de codage assisté par IA, l'agent appelle indépendamment la commande workbench lorsque vous exprimez votre intention opérationnelle en langage naturel. Les sections suivantes décrivent comment charger cette compétence dans Qoder, Wukong et opencode, dans cet ordre.

Qoder

Dans le terminal où Qoder s'exécute, exécutez la commande suivante pour charger la compétence officielle à l'aide de l'interface CLI skills.

npx skills add aliyun/alibabacloud-aiops-skills --skill alibabacloud-workbench-cli --agent qoder -y --full-depth

Une fois la compétence chargée, testez la conversation suivante dans Qoder pour vérifier son fonctionnement :

You: Deploy the local app.jar to the /opt/app directory on instance i-bp1a2b3c4d5e6f.
Agent: (Calls workbench upload and then workbench exec to complete the deployment, and reports the result step by step.)

Wukong

Wukong ne prend pas encore en charge le chargement en une seule commande via l'interface CLI skills. Téléchargez le package de compétences et importez-le manuellement :

  1. Accédez à la page Workbench CLI Skill et téléchargez le package ZIP de la compétence.

  2. Importez le package ZIP téléchargé dans Wukong.

  3. Activez (chargez) la compétence après l'importation.

Une fois la compétence chargée, testez la conversation suivante dans Wukong pour vérifier son fonctionnement :

You: Use workbench to list the running instances in China (Hangzhou).
Agent: (Automatically runs workbench list ecs -r cn-hangzhou --status Running --output json and summarizes the result.)

opencode

Dans le terminal où opencode s'exécute, exécutez la commande suivante pour charger la compétence officielle à l'aide de l'interface CLI skills.

npx skills add aliyun/alibabacloud-aiops-skills --skill alibabacloud-workbench-cli --agent opencode -y --full-depth

Une fois la compétence chargée, testez la conversation suivante dans opencode pour vérifier son fonctionnement :

You: Connect to instance i-bp1a2b3c4d5e6f and check its disk usage.
Agent: (Automatically runs workbench exec -i i-bp1a2b3c4d5e6f -c "df -h" --output json and explains the result.)

Pour découvrir d'autres outils d'IA compatibles, visitez la page Workbench CLI Skill.

Méthode générale : laisser l'agent apprendre à partir de --help

Si votre outil d'IA ne prend pas en charge la compétence officielle Alibaba Cloud, ou si vous souhaitez une méthode rapide de vérification, permettez à l'agent d'apprendre par lui-même en lisant la sortie de l'option --help. Cette approche fonctionne avec tout agent capable d'exécuter des commandes shell.

Read the output of workbench --help and learn to use the workbench tool to manage and operate my Alibaba Cloud ECS instances.

L'agent exécute automatiquement workbench --help puis workbench <subcommand> --help pour comprendre l'utilisation de toutes les sous-commandes couche par couche. Il utilise ensuite l'option --output json pour obtenir des résultats structurés destinés au traitement ultérieur.

Remarque

Par rapport au chargement explicite de la compétence, la méthode générale oblige l'agent à relire la sortie d'aide à chaque nouvelle session. Elle consomme davantage de contexte et ne bénéficie ni des bonnes pratiques ni des conseils de gestion des erreurs intégrés à la compétence. Pour une utilisation à long terme, nous vous recommandons de charger explicitement la compétence.

Scénarios de conversation typiques

Scénario 1 : Interroger les instances en cours d'exécution

Invite utilisateur :

List the running instances in China (Hangzhou).

Exécution par l'agent :

workbench list ecs -r cn-hangzhou --status Running --output json

Réponse simplifiée :

{
  "instances": [
    { "instance_id": "i-bp1a2b3c...", "instance_name": "web-prod-01", "status": "Running", "private_ip": "172.16.0.10" },
    { "instance_id": "i-bp2x4y5z...", "instance_name": "api-prod-02", "status": "Running", "private_ip": "172.16.0.11" }
  ]
}

Résumé de l'agent : La région Chine (Hangzhou) (cn-hangzhou) compte actuellement 2 instances en cours d'exécution : web-prod-01 (i-bp1a2b3c...) et api-prod-02 (i-bp2x4y5z...).

Scénario 2 : Exécuter une commande distante et analyser le résultat

Invite utilisateur :

Check whether i-bp1a2b3c4d5e6f has enough disk space.

Exécution par l'agent :

workbench exec -i i-bp1a2b3c4d5e6f -c "df -h" --output json

Réponse simplifiée :

{
  "output": "Filesystem      Size  Used Avail Use% Mounted on\n/dev/vda1        40G   36G  4.0G  90% /\n/dev/vdb1       100G   20G   80G  20% /data\n",
  "stderr": "",
  "exit_code": 0
}

Analyse de l'agent : La partition racine / est utilisée à 90 %, il ne reste que 4,0 Go, ce qui est proche de la limite. Nous vous recommandons de nettoyer les journaux ou d'étendre le disque système. La partition /data est utilisée à 20 % et dispose d'une capacité suffisante.

Scénario 3 : Transférer des fichiers

Invite utilisateur :

Deploy ./app-2.0.tar.gz to the /opt/deploy directory on i-bp1a2b3c4d5e6f, then extract and verify it.

Exécution par l'agent (appels séquentiels) :

workbench upload ./app-2.0.tar.gz /opt/deploy/app-2.0.tar.gz -i i-bp1a2b3c4d5e6f
workbench exec -i i-bp1a2b3c4d5e6f -c "cd /opt/deploy && tar xzf app-2.0.tar.gz" --output json
workbench exec -i i-bp1a2b3c4d5e6f -c "ls -lh /opt/deploy/app-2.0/" --output json

Résumé de l'agent : Le fichier a été téléchargé avec succès. L'extraction s'est terminée avec le code de sortie 0. Le répertoire contient bin/, config/ et app.jar (120 Mo). Le déploiement est terminé.

Recommandations en matière d'autorisations et de sécurité

  • Utilisez un utilisateur ou un rôle RAM dédié pour l'agent d'IA : Séparez les identifiants de l'agent de ceux utilisés par les humains. Cela facilite la distinction entre les « opérations humaines » et les « opérations de l'agent » dans les journaux d'audit et permet de localiser rapidement la source de tout problème.

  • Appliquez une politique de moindre privilège et restreignez la portée par ressource : N'accordez à l'agent que les actions dont il a besoin. Utilisez les ARN d'instance pour limiter le champ d'application de la clé Resource à des instances spécifiques, afin qu'une erreur d'opération ne se propage pas à d'autres instances.

  • Activez la confirmation humaine dans la boucle (HITL) : Le mode agent intégré à workbench connect requiert par défaut une confirmation Y/n avant d'exécuter toute commande. Pour les outils d'IA externes, nous vous recommandons également d'activer la confirmation utilisateur avant l'exécution des commandes.

  • Privilégiez RamRoleArn en production : Les scénarios impliquant des agents s'exécutent souvent pendant de longues périodes et utilisent fréquemment des identifiants. Une paire AccessKey statique compromise présente donc un risque élevé. Privilégiez RamRoleArn ou CredentialsURI afin que les identifiants soient actualisés automatiquement.

FAQ

Comment résoudre l'erreur « command not found » après le chargement de la compétence par l'agent ?

Cause : Lorsque l'outil d'IA exécute un processus enfant, l'environnement shell qu'il utilise n'hérite pas du PATH de votre shell utilisateur. Il ne trouve donc pas le binaire workbench.

Solution :

  • Utilisez le chemin absolu /usr/local/bin/workbench (Linux/macOS) ou C:\Program Files\workbench\workbench.exe (Windows).

  • Déclarez explicitement le chemin du binaire dans la définition de la compétence ou dans l'invite système.

  • Vérifiez comment l'outil d'IA est lancé et s'il hérite du profil de votre shell (~/.bashrc ou ~/.zshrc).

Comment limiter le grand nombre de sessions causé par les tentatives répétées de l'agent ?

Cause : Lorsque l'agent rencontre une erreur, il effectue des tentatives répétées et crée une nouvelle session à chaque fois, consommant progressivement les ressources côté serveur.

Solution :

  • Dans la compétence ou l'invite, instruisez l'agent pour qu'il vous signale immédiatement l'erreur sans tenter de réessai automatique lorsqu'il rencontre une erreur non récupérable, telle qu'un échec d'authentification ou une instance inexistante. Déterminez cela en fonction du champ message de l'option --output json.

  • Les sessions sont automatiquement récupérées après environ 30 minutes d'inactivité. Lorsque vous n'avez pas besoin de conserver une session pendant une longue période, demandez à l'agent de la fermer avec /exit dès que possible.

  • Exécutez périodiquement workbench session close --all ou workbench daemon stop pour nettoyer les sessions résiduelles.

Comment forcer l'agent à utiliser uniquement --output json ?

Cause : Par défaut, l'agent peut utiliser une sortie textuelle, ce qui entraîne une analyse instable.

Solution : Dans la définition de la compétence ou l'invite système, exigez explicitement que l'agent ajoute l'option --output json à tous les appels de commande workbench et analyse les résultats selon le schéma JSON. En cas de succès, les champs sont output, stderr et exit_code ; en cas d'échec, la sortie est {code, message}.

Références