ตัวแปรสภาพแวดล้อมสำหรับตัวแทน
os.environ, os.getenv() และเหตุผลที่ไม่ควรฝังข้อมูลลับไว้ในซอร์สโค้ด
ตัวแปรสภาพแวดล้อมสำหรับตัวแทน เป็นบทเรียน AI Agents ฟรีบน CoddyKit นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน AI Agents และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
เหตุใดจึงไม่ควรเขียนคีย์ส่วนต่อประสานโปรแกรมประยุกต์ไว้ตายตัว
การเขียนคีย์ส่วนต่อประสานโปรแกรมประยุกต์ไว้โดยตรงในโค้ดต้นฉบับเป็นหนึ่งในข้อผิดพลาดด้านความปลอดภัยที่พบบ่อยและสร้างความเสียหายสูงสุด คีย์ที่บันทึกลงในการควบคุมเวอร์ชันจะมองเห็นได้โดยทุกคนที่เข้าถึง repository ได้ รวมถึงผู้ร่วมพัฒนาในอนาคต ระบบผสานรวมอย่างต่อเนื่อง และผู้ที่พบคลังโค้ดออนไลน์
ปัญหาของประวัติ Git
แม้ว่าภายหลังคุณจะลบคีย์ที่เขียนไว้ตายตัวออกจากโค้ด คีย์นั้นก็ยังคงอยู่ในประวัติ Git ใครก็ตามที่โคลน repository แล้วเรียกใช้ git log หรือ git show ก็สามารถค้นพบคีย์ดังกล่าวได้ คีย์จะต้องไม่เข้าสู่ระบบควบคุมเวอร์ชันโดยเด็ดขาด
import os
os.environ['OPENAI_API_KEY'] = 'sk-proj-abc123def456' # simulate deployment env
OPENAI_API_KEY = os.environ['OPENAI_API_KEY']
print('Key loaded from environment — never hard-coded')os.environ[] เทียบกับ os.getenv()
มีสองวิธีในการอ่านตัวแปรสภาพแวดล้อม os.environ['KEY'] จะทำให้เกิด KeyError หากไม่พบตัวแปร ซึ่งเหมาะสำหรับคีย์ที่จำเป็น ส่วน os.getenv('KEY', default) จะคืนค่าเริ่มต้นเมื่อไม่พบตัวแปร ซึ่งเหมาะสำหรับ Settings ที่ไม่จำเป็น
import os
os.environ['OPENAI_API_KEY'] = 'sk-proj-demo-key'
try:
openai_key = os.environ['OPENAI_API_KEY']
except KeyError:
print('ERROR: OPENAI_API_KEY environment variable is not set!')
raise
model = os.getenv('AGENT_MODEL', 'gpt-4o-mini')
timeout = float(os.getenv('AGENT_TIMEOUT', '30'))
log_level = os.getenv('LOG_LEVEL', 'INFO')
max_steps = int(os.getenv('AGENT_MAX_STEPS', '20'))
print(f'Model: {model}, Timeout: {timeout}s, Log: {log_level}')การตรวจสอบตัวแปรสภาพแวดล้อมที่จำเป็นเมื่อเริ่มต้น
แนวทางปฏิบัติที่ดีคือ ตรวจสอบตัวแปรสภาพแวดล้อมที่จำเป็นทั้งหมดเมื่อเริ่มต้น และหยุดทำงานทันทีพร้อมข้อความข้อผิดพลาดที่ชัดเจน วิธีนี้ป้องกันข้อผิดพลาดขณะทำงานที่แก้ไขได้ยาก ซึ่งเกิดขึ้นลึกภายในลูปเอเจนต์เมื่อไม่มีคีย์ที่จำเป็น
import os
import sys
REQUIRED_VARS = [
'OPENAI_API_KEY',
'SEARCH_API_KEY',
'DATABASE_URL'
]
def check_required_env_vars():
missing = [var for var in REQUIRED_VARS if not os.getenv(var)]
if missing:
print('FATAL: Missing required environment variables:')
for var in missing:
print(f' - {var}')
print('\nSet these in your .env file or shell environment.')
sys.exit(1)
print(f'All {len(REQUIRED_VARS)} required environment variables are set.')
# Call this at the very start of your agent:
# check_required_env_vars()
if __name__ == '__main__':
for var in REQUIRED_VARS:
os.environ.setdefault(var, 'demo-value')
check_required_env_vars()
หลักการของแอปแบบ 12 ปัจจัย
ระเบียบวิธีแอปแบบ 12 ปัจจัยกำหนดแนวทางปฏิบัติที่ดีสำหรับซอฟต์แวร์สมัยใหม่ ปัจจัยที่ III: จัดเก็บการกำหนดค่าไว้ในสภาพแวดล้อม ทุกสิ่งที่แตกต่างกันระหว่างสภาพแวดล้อมการติดตั้ง (การพัฒนา การเตรียมใช้งาน และการใช้งานจริง) เช่น คีย์ส่วนต่อประสานโปรแกรมประยุกต์ ที่อยู่ และแฟล็กความสามารถ ควรมาจากตัวแปรสภาพแวดล้อม ไม่ใช่จากโค้ด
import os
os.environ['OPENAI_API_KEY'] = 'sk-proj-demo'
os.environ['SEARCH_API_KEY'] = 'tvly-demo'
os.environ['DATABASE_URL'] = 'postgresql://user:pass@localhost/agentdb'
config = {
'openai_key': os.environ['OPENAI_API_KEY'],
'search_key': os.environ['SEARCH_API_KEY'],
'database_url': os.environ['DATABASE_URL'],
'redis_url': os.getenv('REDIS_URL', 'redis://localhost:6379'),
'enable_caching': os.getenv('ENABLE_CACHING', 'true') == 'true',
'max_results': int(os.getenv('MAX_RESULTS', '10')),
'log_level': os.getenv('LOG_LEVEL', 'INFO'),
'env': os.getenv('ENV', 'development')
}
print('Config loaded from environment:', config['env'])การกำหนดตัวแปรสภาพแวดล้อมในเชลล์
กำหนดตัวแปรสภาพแวดล้อมในเซสชันเทอร์มินัลด้วย export (Mac/Linux) หรือ set (Windows) ตัวแปรเหล่านี้จะพร้อมใช้งานสำหรับโปรแกรมใด ๆ ที่เรียกใช้ในเซสชันนั้น
# Mac/Linux (bash/zsh):
# export OPENAI_API_KEY='sk-proj-your-key-here'
# export AGENT_MODEL='gpt-4o-mini'
# python agent.py
# Windows (Command Prompt):
# set OPENAI_API_KEY=sk-proj-your-key-here
# python agent.py
# Windows (PowerShell):
# $env:OPENAI_API_KEY = 'sk-proj-your-key-here'
# python agent.py
# One-liner (temporary, only for this command):
# OPENAI_API_KEY='sk-proj-...' python agent.py
print('Shell exports set env vars for the current session only')การระบุตัวแปรที่จำเป็นในความคิดเห็นของโค้ด
ระบุในโค้ดต้นฉบับโดยตรงว่าเอเจนต์ของคุณต้องใช้ตัวแปรสภาพแวดล้อมใดบ้าง ผู้พัฒนาคนใหม่ควรอ่านส่วนต้นของไฟล์เอเจนต์แล้วทราบได้ทันทีว่าต้องกำหนดค่าอะไรบ้าง
# agent.py
#
# REQUIRED ENVIRONMENT VARIABLES:
# OPENAI_API_KEY OpenAI API key (get from platform.openai.com)
# SEARCH_API_KEY Tavily search API key (get from tavily.com)
#
# OPTIONAL ENVIRONMENT VARIABLES:
# AGENT_MODEL LLM model (default: gpt-4o-mini)
# AGENT_MAX_STEPS Max loop iterations (default: 20)
# LOG_LEVEL Logging verbosity: DEBUG|INFO|WARNING (default: INFO)
# DATABASE_URL PostgreSQL URL (default: none, disables memory storage)
#
# EXAMPLE SETUP:
# cp .env.example .env
# Edit .env with your keys
# python agent.py --query 'Your question'
print('Document required variables at the top of each agent file')การเข้าถึงการกำหนดค่าแบบซ้อนอย่างปลอดภัย
สำหรับเอเจนต์ที่มีตัวเลือกการกำหนดค่าจำนวนมาก ให้สร้างคลาสการกำหนดค่าที่อ่านและตรวจสอบตัวแปรสภาพแวดล้อมทั้งหมดไว้ในที่เดียว วิธีนี้รวมศูนย์การตรวจสอบและทำให้โค้ดส่วนที่เหลือสะอาดขึ้น
import os
class AgentConfig:
def __init__(self):
self.openai_key = self._require('OPENAI_API_KEY')
self.search_key = self._require('SEARCH_API_KEY')
self.model = os.getenv('AGENT_MODEL', 'gpt-4o-mini')
self.max_steps = int(os.getenv('AGENT_MAX_STEPS', '20'))
self.log_level = os.getenv('LOG_LEVEL', 'INFO')
self.env = os.getenv('ENV', 'development')
def _require(self, key: str) -> str:
value = os.getenv(key)
if not value:
raise EnvironmentError(
f'Required environment variable {key} is not set. '
f'See .env.example for setup instructions.'
)
return value
# config = AgentConfig() # raises clear error if any key is missing
# client = openai.OpenAI(api_key=config.openai_key)
if __name__ == '__main__':
os.environ.setdefault('OPENAI_API_KEY', 'sk-demo-1234')
os.environ.setdefault('SEARCH_API_KEY', 'demo-search-key')
config = AgentConfig()
print(f'Model: {config.model}, max_steps: {config.max_steps}, env: {config.env}')
การปิดบังคีย์ในบันทึก
ห้ามบันทึกคีย์ส่วนต่อประสานโปรแกรมประยุกต์จริงลงในบันทึก หากจำเป็นต้องบันทึกการกำหนดค่าเพื่อดีบัก ให้ปิดบังทุกส่วนยกเว้นอักขระ 4 ตัวสุดท้าย วิธีนี้ยืนยันได้ว่าคีย์ถูกโหลดแล้วโดยไม่เปิดเผยคีย์
import os
def mask_key(key: str) -> str:
if not key or len(key) < 8:
return '****'
return '*' * (len(key) - 4) + key[-4:]
def log_config_summary(config: dict):
print('Agent configuration:')
for name, value in config.items():
if 'key' in name.lower() or 'secret' in name.lower() or 'token' in name.lower():
print(f' {name}: {mask_key(value)}')
else:
print(f' {name}: {value}')
config = {
'openai_key': os.getenv('OPENAI_API_KEY', ''),
'model': 'gpt-4o-mini',
'max_steps': '20'
}
log_config_summary(config)
# openai_key: ****abcd
# model: gpt-4o-miniตัวแปรสภาพแวดล้อมใน Docker และระบบผสานรวมต่อเนื่อง
ใน Docker ให้ส่งตัวแปรสภาพแวดล้อมด้วยแฟล็ก -e หรือ --env-file ใน GitHub Actions ให้จัดเก็บตัวแปรเหล่านี้เป็นข้อมูลลับและอ้างอิงในไฟล์ YAML ของขั้นตอนการทำงาน ห้ามฝังตัวแปรเหล่านี้ไว้ในอิมเมจ Docker โดยเด็ดขาด
# Docker run with env vars:
# docker run -e OPENAI_API_KEY='sk-...' -e AGENT_MODEL='gpt-4o-mini' myagent:latest
# Docker with an env file:
# docker run --env-file .env myagent:latest
# GitHub Actions workflow (secrets stored in repo settings):
# env:
# OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }}
# SEARCH_API_KEY: ${{ secrets.SEARCH_API_KEY }}
# docker-compose.yml:
# services:
# agent:
# image: myagent:latest
# env_file:
# - .env
print('Never bake secrets into Docker images — always inject at runtime')สิ่งที่ควรทำเมื่อคีย์รั่วไหล
หากคุณเผลอบันทึกคีย์ส่วนต่อประสานโปรแกรมประยุกต์ลงใน repository สาธารณะหรือที่ใช้ร่วมกัน ให้ดำเนินการทันที ให้ถือว่าคีย์ถูกบุกรุกตั้งแต่วินาทีที่อยู่นอกการควบคุมของคุณ บอตจะสแกน GitHub เพื่อค้นหาคีย์ภายในไม่กี่วินาทีหลังจากมีการบันทึก
# Immediate response if a key is exposed:
# 1. REVOKE the key immediately (provider dashboard)
# OpenAI: platform.openai.com/api-keys -> Delete key
# Anthropic: console.anthropic.com -> API Keys
# 2. Generate a new key
# 3. Update your .env file with the new key
# 4. Rotate in all environments (staging, prod)
# Remove from git history (does NOT guarantee removal from forks/clones):
# git filter-branch or git-filter-repo to rewrite history
# Force push to all branches
# Note: Rewriting git history cannot undo exposure
# if others have already cloned or forked the repo
print('Revoke immediately. Do not just remove from code — rotate the key.')ตรวจสอบความรู้: ตัวแปรสภาพแวดล้อม
ทดสอบความเข้าใจเกี่ยวกับตัวแปรสภาพแวดล้อมสำหรับการจัดการข้อมูลลับของเอเจนต์
สรุปทบทวน: ตัวแปรสภาพแวดล้อมสำหรับเอเจนต์
ขณะนี้คุณเข้าใจแนวทางที่ถูกต้องในการจัดการข้อมูลลับสำหรับเอเจนต์แล้ว:
- ห้ามเขียนคีย์ส่วนต่อประสานโปรแกรมประยุกต์ไว้ตายตัว เพราะคีย์จะอยู่ในประวัติระบบควบคุมเวอร์ชันตลอดไป
- ใช้
os.environ['KEY']สำหรับตัวแปรที่จำเป็น และใช้os.getenv('KEY', default)สำหรับตัวแปรที่ไม่จำเป็น - ตรวจสอบตัวแปรที่จำเป็นทั้งหมดเมื่อเริ่มต้น พร้อมข้อความข้อผิดพลาดที่ชัดเจน
- ระบุตัวแปรที่จำเป็นไว้ในความคิดเห็นของโค้ดและ
.env.example - ปิดบังคีย์ในบันทึก โดยแสดงเฉพาะอักขระ 4 ตัวสุดท้าย
- แทรกข้อมูลลับขณะทำงานใน Docker และใช้ข้อมูลลับของ GitHub ในระบบผสานรวมต่อเนื่อง
- หากคีย์รั่วไหล: เพิกถอนก่อน แล้วจึงเปลี่ยนคีย์ใหม่ในทุกแห่ง
คำถามที่พบบ่อย
บทเรียน “ตัวแปรสภาพแวดล้อมสำหรับตัวแทน” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “ตัวแปรสภาพแวดล้อมสำหรับตัวแทน” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส AI Agents ให้อัปเกรดเป็น CoddyKit PRO คอร์ส AI Agents มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “ตัวแปรสภาพแวดล้อมสำหรับตัวแทน”
os.environ, os.getenv() และเหตุผลที่ไม่ควรฝังข้อมูลลับไว้ในซอร์สโค้ด คุณปฏิบัติ AI Agents ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน AI Agents หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน AI Agents บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 1 จากทั้งหมด 4 บทเรียน
บทเรียน “ตัวแปรสภาพแวดล้อมสำหรับตัวแทน” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน AI Agents นี้ได้ไหม
ได้ บทเรียน AI Agents ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- ตัวแปรสภาพแวดล้อมสำหรับตัวแทน
- ไฟล์ .env และ python-dotenv
- การหมุนเวียนข้อมูลลับและความปลอดภัย
- โปรไฟล์การกำหนดค่าสำหรับสภาพแวดล้อมพัฒนาและใช้งานจริง