KeyFrame內部研究專用

别让 Agent 空转:从常驻 VM 到按需算力

Why QQ8 min中文
觀看原始影片

三句話摘要

云端 AI Agent 的基建架構:從一體式虛擬機到分層無狀態設計的工程演進。 虛擬機不再必然與 Agent 的生命週期同生共死,可以演進為按需申請的執行資源,但這要求在狀態管理、文件衝突、安全授權和灰度遷移上做紮實的工程功課。 資源浪費的本質問題:傳統架構中 Agent 綁定單台 VM,用戶開會兩小時期間機器持續空轉消耗算力。當用戶量從百級擴到十萬級,這種持續濟費會成為不可忽視的基礎設施成本,這是架構必須演進的根本動因。

重點整理

  1. 資源浪費的本質問題:傳統架構中 Agent 綁定單台 VM,用戶開會兩小時期間機器持續空轉消耗算力。當用戶量從百級擴到十萬級,這種持續濟費會成為不可忽視的基礎設施成本,這是架構必須演進的根本動因。

  2. 分層架構的核心思想:將 Agent 系統分解為三層——持久化狀態層(記錄任務進度、審批記錄)、無狀態控制層(調用模型、路由決策)、按需執行層(輕量工具調用、重型編譯測試)。Anthropic 和 Camel AI 等公司已在產品中驗證此路線。

  3. 工程落地的三大硬核挑戰:狀態同步與文件衝突(Agent 修改時用戶也在改,必須明確一致性策略);執行環境分級(不是所有任務都需要完整 Linux 容器,輕量任務可用 V8 Isolate);從粗放的環境授權轉向細粒度能力授權(防止提示詞注入導致密鑰洩露)。

  4. 安全與穩定性的必要條件:前端點擊「取消」不代表遠端副作用沒發生,最終結果只能靠狀態對帳;高風險操作必須經服務端工作流和人工審批;敏感數據絕不能暴露給模型生成的代碼。

實用技巧與重點

  • 架構方案對比:
  • 早期方案:一體式 VM/容器(Anthropic、Y Combinator 24、Camel AI 曾採用)
  • 2026 年新方向:Anthropic Managed Agents(大腦、雙手、記憶分離),Camel AI(Durable Objects + 獨立雲存儲 + 臨時 Linux 容器)
  • 執行環境分級:
  • 純結構化工具(API 調用)— 最輕量
  • V8 Isolate(自定義轉換、毫秒級啟動)— 中量級
  • 臨時 Linux 容器(編譯、測試、系統協調)— 重量級
  • 持續工作空間(大型工程)— 特殊情況
  • 文件衝突處理策略:條件寫入、單寫者約束、獨立分支、三方合併、版本保留、人工介入
  • 大倉庫優化:緩存鏡像、增量同步、內容尋址、分塊機制
  • 灰度遷移步驟:測算真實消耗 → 狀態剝離到持久層 → 文件系統掛影子後端 → 高風險操作封裝成可審計工作流 → 明確邊界後灰度切流

結論

虛擬機不再必然與 Agent 的生命週期同生共死,可以演進為按需申請的執行資源,但這要求在狀態管理、文件衝突、安全授權和灰度遷移上做紮實的工程功課。

完整解析

想象你在周一上午使用云端 AI Agent 修復登錄頁面的問題。Agent 瞬間被喚醒、搜索配置、修改代碼、運行測試,整個過程耗時 12 分鐘,然後你關掉網頁去開會。這兩小時裡,那台虛擬機在做什麼呢?它在空轉。如果架構採用傳統的「一條記錄綁定一台長期虛擬機」設計,平台無法完全消除這種持續消耗,即便有快照和恢復機制,資源成本也難以完全抵消。這就產生了一個根本性的生命周期錯位:Agent 真正需要的是保存對話狀態和項目文件,真正需要拉起 Linux 環境的時間往往只有短短幾十分鐘。當用戶量從百級成長到十萬級,空轉帶來的算力消耗就成了不可忽視的基礎設施成本。

Anthropic 和 Camel AI 等公司的公開實踐表明,一種正在形成的架構方向是將 Agent 系統分層:持久化狀態層記錄任務進度、審批記錄和外部任務 ID;無狀態的控制層靠事件日誌恢復現場;執行環境則按任務申請、用完即棄。但這種架構並非銀彈,它帶來三大工程挑戰。第一個是狀態與文件的玻璃關係——Agent 必須通過外部任務 ID 查詢和對帳遠端結果,不能只相信本地記錄;項目文件不能依賴臨時節點的本地磁盤,要落在共享存儲或對象存儲;當並發修改發生時(Agent 改代碼的同時用戶手動改同一文件),系統必須制定明確的一致性策略,比如條件寫入、單寫者約束或三方合併,否則代碼就丟了。面對 GB 級大倉庫,每次啟動都同步也是災難,實踐中需要組合權如緩存鏡像、增量同步或內容尋址加上分塊機制。

第二個挑戰是執行環境的精準分級。改一行文案不需要拉起完整 Linux 容器,那是極大浪費;但涉及編譯測試又根本跑不動輕量環境。成熟的 Agent 運行時會切分出多個檔位:純 API 調用的結構化工具最輕;V8 Isolate 適合自定義轉換,啟動毫秒級且絲滑;V8 環境必須顯式配置網路出口、繫結和資源上限;只有真正需要 Shell、包管理器、原生二進制或完整操作系統協調的任務才臨時拉起 Linux 容器。最後為超大工程保留持續工作空間,但這裡的靈魂是協調器,要注意計算等級和風險等級是正交維度——查庫發郵件算力低但業務風險高,絕不能依賴清量環境失敗後再恢復的邏輯,必須有獨立審批和隔離。

第三個挑戰是從環境授權走向能力授權。想象 Agent 碰到藏在開源項目 ReadMe 裡的惡意指令,要求讀取環境變量密鑰並上傳到外網。如果環境同時允許讀密鑰和訪問外網,一旦模型被騙,這就演變成真實數據洩漏——這正是安全業界說的「間接提示詞注入」。光改工具名字沒用,必須把粗放的環境授權收縮為極致的能力授權:權限由服務端強制執行、每次請求嚴格驗證、敏感數據絕不暴露給生成的代碼、高影響操作強制人工審批和審計。即便攻擊者沒拿到密鑰,間接注入仍可能誘導 Agent 刪改文件或污染代碼,這根弦必須時刻緊繃。

對於正準備改造 Agent 基礎設施的團隊,建議走穩妥的灰度路徑。先測算真實戰空消耗——如果業務全是大型編譯就保留完整常駐空間,文本處理居多才值得試點分層。別動老容器,先把任務狀態剝離到持久層,給文件系統掛上影子後端一邊讀老磁盤一邊寫新存儲,一部分對 hash 跑通後再推進。高風險操作(部署、查庫)統統封裝成可審計的服務端工作流,該用密鑰就用密鑰用不了就老實做對象。最後明確容器邊界後灰度切流。永遠記住,前端點擊取消不代表遠端沒副作用,最終結果只能靠狀態對帳。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。