返回资讯中心
外部精选
软件工程
#开发者实时流

AI Agent沙盒:让智能体自证代码可用

来源标题:Sandboxes for AI Agents

博客文章指出,AI Agent 提交代码前若没有沙盒环境,就只能靠猜。沙盒是应用的练习副本,Agent 通过仅限开发的登录方式进入完整技术栈和自有数据,并在 PR 上留下验证凭据。成熟应用可能需运行数十个服务,隔离是其中的关键难点。

Hacker News 最新ShMcK2026/11/15 · 2 天前25 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

Shawn 2026年11月15日 分享 没有沙箱,你的 agent 只能靠猜 让 agent 开发一个新功能——它会信心满满地提交 PR 等你审核。但你怎么知道这些代码真的能跑?你得亲自测一遍。把失败结果发回去,反复迭代,来回拉扯,直到拿到能用的东西。 难道没有办法让 agent 自己测试和验证代码吗?有没有办法让 agent 向你证明它的改动确实有效?这就是沙箱的用武之地。 沙箱是你应用的一份练习副本。想想飞行模拟器:它足够接近真实,所以练习有意义;又足够虚假,所以坠机也不会伤到任何人。 沙箱的解剖结构 · 边界、访问、技术栈、数据、凭证 agent 通过仅限开发环境的登录方式进入,面对完整的技术栈和属于它自己的数据开展工作,并在 PR 上留下“凭证”——证明某项改动已经过验证。客户数据和真实凭证则始终留在边界之外。 你的服务、数据库和队列,再加上针对支付、邮件等第三方 API 的模拟实现或厂商沙箱。听起来很简单,实际很少如此。每个服务都会拖进来几个别的服务,一个成熟的应用可能需要几十个服务同时运行,首页才能加载出来。 隔离让其他一切变得安全。把客户数据挡在外面。共享数据也要挡在外面,比如另外三个团队依赖的 staging 数据库。锁死出站流量,永远不要把真实的第三方凭证放进去。 判断任何一套配置是否合理,一个简便的方法是看它的爆炸半径:agent 在完全按照你的要求行事时,最坏能触达什么。有一次我让一个 agent 验证对“删除组织”流程的改动。它确实验证了——通过删除组织。在 staging 或生产环境里,这可能是个问题;但在沙箱里,没关系。 真实、安全、快速:三选二 每个沙箱都要在真实(行为像生产环境)、安全(错误留在内部)和快速廉价(几秒内就能启动很多个)之间做取舍。没人能三者兼得。 沙箱的权衡 · 3 个目标下的 7 种设计 以下是我在实践中见过的示例设计——名字是我起的。 单个服务独立运行,所有依赖都用假的:mock、LocalStack 这类模拟器、录制的 HTTP 响应。这是你能做到的最快、最便宜的检查,而且什么也逃不出去。但它的真实程度取决于你的假实现,而且会漏掉服务之间发生的一切——而这恰恰是开头那个 agent 栽跟头的地方。把它当作第一道检查。我几乎不把它算作沙箱。 大多数人已经拥有的沙箱:技术栈跑在开发者的笔记本上,用原生进程或 Docker Compose,也许还包了一层 CLI。反馈即时,零成本。 但它一次只能跑一个 agent,而且每台机器上都不一样。agent 用开发者的凭证运行,所以爆炸半径是这台笔记本,加上那些凭证能触达的一切。 devbox 是把本地开发搬到云端。一台由预构建镜像生成的持久机器,可以每个工程师一台,也可以留几台专门给 agent 用。它比笔记本大,对所有人来说都一模一样,合上盖子也还在运行。但它闲置时你照样付费,不重建就会漂移,多个 agent 共用一台机器就会共享它的一团乱。 Devbox · 持久化,每个工程师或每个 agent 一台 每个任务一台全新的 VM 或容器,从预热好的快照启动,用完即弃。生产和开放互联网都够不着。 这正是大规模运行 agent 的团队最终采用的方案。Stripe 的 Minions 跑在预热 devbox 上,启动约需 10 秒。Ramp 把每个会话放在一个 Modal 沙箱里运行,沙箱从每 30 分钟重建一次的快照启动。GitHub Copilot 的 coding agent 在防火墙允许列表之后的 Actions runner 上工作。 快照需要重建,每个任务都有成本,而且你拿到的是开发技术栈,而不是生产的真实基础设施。 宠物有名字,生病了你会照料它康复。牲畜只有编号,会被替换。Devbox 是宠物。临时沙箱是牲畜。 agent 不该花一个小时调试自己的环境。如果沙箱进入了奇怪的状态,扔掉它,换一个新的。 生产环境的孪生体。你部署生产环境自己的配置,但使用沙箱设置,每个环境一份隔离副本,agent 从外部接入。这是最真实的选项,而且没有第二套技术栈定义需要同步。 预览环境 · 生产的配置,复制而来 它启动慢、昂贵且复杂,而且有些第三方服务根本无法复制。Lyft 曾为每个工程师运行完整环境,直到无法扩展,然后转向请求路由。一个用于集成和基础设施工作的小型预热池通常就够了。 只运行你正在改动的服务,其余从共享环境借用。打了标签的请求会到达你的版本;其他一切都落到共享副本上。Uber 的 SLATE 和 Lyft 的 staging overrides 都是这么做的。它几秒内就能启动,而且依赖是真实的。 混合模式 · 你的服务进来,其余借用 问题在于数据和队列是共享的,所以你的“沙箱”总有风险搞坏别人的东西。这是用成本换安全。 新版本在生产环境旁边运行,处理一份真实流量的副本。它的响应会与生产环境的响应做比较,然后被丢弃,所以用户永远看不到。Twitter 把这一方案开源为 Diffy。 影子模式 · 镜像流量,比较后丢弃 你能拿到真实输入,还能捕获没人写过测试的回归问题。但也会有客户数据流经其中,这与测试账号规则相冲突,而且每个写入和副作用都必须被拦截或发送到测试存储。这可以充当一种验证检查。 为什么沙箱很难 想法很简单。真正构建的时候,团队才会卡住。 当技术栈无法塞进一台机器时,你可以开始裁剪。更小的数据种子会有帮助。用更轻量的替身替代最重的服务也有帮助。如果服务边界定义得好,还能加分。如果定义得不好,你可能只能从大处着手。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →