AI热榜 在 AI 系统架构快速演进的今天，当软件越来越多地以 Agent 形态运行时，执行环境已不再是一个简单的基础设施细节，它在很大程度上决定了整个系统的能力上限。
本文整理自阿里巴巴高级技术专家、研发 TL 陶宇田 在 QCon 全球软件开发大会 2026 北京站 的分享《OpenSandbox：重新思考 Agent 时代的 Runtime》。
从 2024 年 12 月底开源至今，OpenSandbox 在社区引起了广泛关注。
陶宇田在分享中系统阐述了他和团队在 AI Agent 执行环境设计上的思考与探索，从 Agent 场景下执行环境面临的核心挑战出发，深入解析 OpenSandbox 的协议优先设计理念、批量交付效率优化、三层安全防护体系，以及它在自主 Agent、批量评测和 RL 训练等典型场景中的具体实践，并简要探讨未来的演进方向。
以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）。
AI Agent 执行环境的新挑战 最近这一两年，我有一个特别强烈的体感：当我们讨论 coding agent 系统、批量评测系统，甚至是训练系统的时候，随着模型能力越来越强，很多时候最后卡住的点已经不是模型本身了，而是 runtime。
所以我们首先要回答一个根本性的问题：在 AI Agent 这个场景下，执行环境到底遇到了什么样的问题？
今天的 Agent workload 在业务形态上呈现出越来越多样化的趋势。
我认为有三种场景最具代表性。
第一种是 autonomous agent，即自主智能体。
这类 Agent 的能力正在快速增强，它需要一个特定的文件系统通道去操作，需要特定的命令执行通道。
不仅如此，Agent 自己能够进化式地去实现一些服务，因此它需要一种统一的对内对外服务暴露方式，有些时候甚至需要暴露长连接。
随着 Agent 能力越来越强，除了要限制它本身在容器内的行为之外，网络层面上的管控也变得至关重要。
这里我们需要的不是简单地把网掐掉这种粗暴方式，而是更细粒度的网络管控手段。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接