全行業的「龍蝦熱」中，什么是AI Infra下半場的「神之一手」？

編輯｜冷貓

我確實對運行 OpenClaw 持相當懷疑的態度。…… 整個生態給人的感覺就像是一個徹底的狂野西部，在安全性上簡直是一場噩夢。 —— Andrej Karpathy

OpenClaw 這只龍蝦，徹底從開發者和科技愛好者的小圈子里跳出來了。

從 Clawdbot 誕生至今，其在 Github 上已狂攬 352k stars，超越 Linux 與 ReAct ，飛漲速度令人瞠目結舌。

放眼望去，站在 AI 前沿的各大互聯網大廠，手機廠商，甚至就連谷歌、英偉達等海外科技巨頭，無一缺席，紛紛發布部署 OpenClaw 的相關產品或是相關工作。

各種 OpenClaw 類的「龍蝦」工具，和目前已經相當成熟的智能體最大的不同，其實是與社交媒體和實時通訊工具的無縫融合。

這只龍蝦滿足了人們對于「智能體」時代的想象：發一條消息，遠在千里之外的人工智能就能幫你把活搞定。

全民養龍蝦的熱潮，真正是一堂認知課，讓每一個普通人都意識到了 AI 圈子里早些日子認知到的一個事實：AI 已經進入了「自主執行時代」。

AI 進入「自主執行時代」

在 OpenClaw 這類的自治 Agent 系統爆火之后，人們第一次如此直觀地感受到：AI 的角色正在發生根本變化。

早期的 LLM Agent 主要依賴 Prompt、知識檢索和簡單工具調用，本質仍然是對話助手；隨后出現的 Workflow Agent 引入了流程編排和任務自動化，模型可以根據預設流程完成復雜操作；而在最新一代 Agentic Agent 架構中，智能體可以自主規劃任務、動態調用工具并持續與環境交互。

換句話說，AI 正在從「聊天助手」走向「數字員工」，這也是智能體最具魅力的地方。

但硬幣總有第二面。我們前段時間做過相關的報道，給「龍蝦熱」狠狠潑上一盆冷水。

簡單來說，就是在工作中使用智能體時候，最經典的「rm -rf」操作頻頻上演。有刪除 D 盤文件的，刪除社交賬號記錄的，這種問題就連 Meta 超級智能安全總監都中招了。

另外，如果一個智能體可以執行代碼、訪問網頁甚至調用系統命令，那么它本身就會成為新的攻擊入口。也有案例，員工私自在公司電腦上安裝 OpenClaw，導致把機器掛到了公網，被黑客入侵了整個公司內網。

也難怪 Karpathy 發出了本文開頭的感慨。本質上來說，Agent 缺少可控的「安全執行邊界」、身份認證、權限管理，亟需一個可控的執行環境和隔離機制。

而安全問題只是其中之一。我們知道，Agent 的任務往往具有一些非常典型的特點：生命周期短，并且帶有上下文狀態。

很多 Agent 執行任務的時間只有幾秒到幾分鐘，用完即銷毀，同時系統可能在瞬間創建大量執行環境。然而傳統云計算架構主要是為長期運行的服務設計的，就會出現資源利用率低、冷啟動慢以及成本高的問題。

也就是說，Agent 的會話性、上下文敏感、極致彈性的資源架構，決定了需要更加靈活的服務資源支撐。

第三個挑戰來自并發規模。Agent 的并發規模遠遠超過普通應用。尤其是在強化學習訓練中，每一個智能體都需要一個獨立環境進行交互，需要海量的并發環境來實現。這對底層基礎設施提出了極高要求。

本質上，我們需要一個輕量級、快速啟動、可水平擴展的執行環境來承載智能體所需的高并發任務。

實話說，目前的智能體及其執行環境正處于一個野蠻生長的階段。據我們了解，行業內執行環境 API 形態繁雜，至少存在十幾種不同的智能體協議。

缺少一個強有力的協議標準的情況下，智能體基礎設施在多云以及跨平臺的可移植性和規?；涞厣闲纬闪藷o形的巨大阻力。

護航企業「龍蝦類」智能體的基礎設施

這正是各大云服務和 AI Infra 廠商正在考慮的問題，讓 AI 擁有一個可控、可管理、高效執行的空間，是智能體「自主執行時代」的兵家必爭之地。

我們發現，騰訊不僅在養龍蝦這件事上上心，更要在 AI Infra 領域深度擁抱智能體時代。

騰訊云云原生產品副總經理、騰訊云專家工程師 Gary認為「AI agent 的這一次的變化，改變企業的形態、改變社會的形態、改變組織的形態、改變軟件的形態、改變用云的角色的形態?！?/p>

為此，騰訊云 Agent Runtime 深度洞察企業核心訴求，為企業級 AI 智能體應用打造了全方位的專業支持，助力企業高效構建智能化能力。

騰訊云 Agent Runtime 的解決方案包含瀏覽器、code 執行、手機、電腦等豐富的沙箱類型，提供全鏈路安全、Agent 原生資源架構、極致彈性與生態兼容的能力，實現極速啟動和十萬級實例并發開箱即用的領先特性，讓 Agent 在企業應用中具備安全、可靠的執行環境。

作為 AI Agent 走向產業化的核心驅動力，騰訊云 Agent Runtime 已成為支撐騰訊內部及多家國內頭部大模型企業的關鍵基礎設施。

目前，該平臺已穩健托管數十萬個 Agent 實例，能夠完美補齊企業級場景所需的可用性、安全性與可治理性，打通了從開源框架到生產力工具的「最后一公里」。

開發者們選擇騰訊云 Agent Runtime 很重要的原因，是其開箱即用的省心特性。騰訊云 Agent Runtime 解決了以 OpenClaw 為代表的這類自主智能體，在企業級部署中最令人頭疼的兩大問題：

Agent 狀態管理

我們知道，Agent 和普通服務不一樣，會在運行過程中不斷留下狀態，并且大部分時候處于等待任務的狀態。

如果讓它常駐運行，高昂的成本讓企業難以承受；如果隨用隨啟，Agent 在運行過程中積累的上下文、工具鏈產物和環境配置就會隨著容器的銷毀而化為烏有。

Agent Runtime 的核心突破在于實現了狀態與算力的解耦。沒請求時暫停實例、釋放算力；有請求時自動恢復，整個文件系統原樣保留。這樣一來，Agent 空閑時可以停，干活時又能從上次的狀態接著干。

在這個基礎上，Agent Checkpoint也就成了自然能力。一個已經調教好的 Agent，可以在任意時刻做快照，后續用來恢復、回滾，或者直接克隆出更多實例，讓已經積累下來的經驗和能力可以復制、繼承。

Agent 行為治理

Agent 擁有編寫代碼和調用接口的能力，這賦予了它極高的生產力，但也帶來了巨大的行為管理難題。企業要讓它們運行在可控、可審計的邊界里。

Agent Runtime 會對所有 Agent 都進行嚴格的隔離。每個 Agent 實例都運行在獨立的 VM 級安全沙箱里。這樣即使某個實例被攻破或者出了異常問題，影響也只會停留在它自己身上，不會影響其他實例或平臺。

對外訪問及本地敏感操作統一治理。Agent 發起外部請求時，憑證不保存在實例里，而是由 Gateway 按需注入、用完即銷毀，做到實例本地零憑證；權限由網關統一控制、統一審計；刪除資源、修改權限、發起外部請求這類高危操作，還可以配置審批或攔截規則。

這套方案的本質，是 AI Infra 的能力基礎，承托起 Agent 業務的靈活高效。這一架構沒有試圖通過限制「龍蝦」的感知和行動來換取安全，反而為企業補齊了安全、治理與運營的基礎設施。

不懼變動的數據資產

Agent 在運行中沉淀三類資產：技能（Skill）、記憶（Memory）、協作關系

三類資產從第一天起就獨立于框架存儲和管理。Skill 以制品形式入庫，版本管理、權限管控，任意實例可引用；Memory 從本地同步上云，跨實例共享，新 Agent 繼承老 Agent 的經驗；Agent 之間通過 Gateway 做服務發現和路由，協作在平臺層編排，不依賴框架私有協議。

Agent 框架可能會更新、會被替代，但 Agent 們積累的數據不會過時。知識與技能永遠留在企業內部，不跟著個人走，也不跟著框架走，最終轉化為企業的生產資料。

迎接智能生產力

AI 進入企業，發生變化的不會只有技術。流程、分工、權限、成本，都會跟著進行進化。

Agent Runtime 的核心使命，是為企業提供一套全局視角的「AI 員工」管理模式，讓組織能夠接得住、管得好這股新型生產力。

Agent Runtime 服務于企業對全局 Agent 的技能、行為、權限和成本的管控：平臺團隊先把 skill、初始化腳本、鏡像和配置封裝成模板，統一化管理任意開源或自建 Agent 在內部的創建和版本變更；再通過策略管控所有 Agent 的工具調用、數據訪問、LLM 調用等行為執行邊界；還可以通過 token 額度管理實例、用戶和組織三層的成本消耗。

在騰訊云 Agent Runtime 的加持下，龍蝦不再難以馴服，能夠成為在企業復雜網絡環境中縱橫馳騁、安全合規的高產工具，成為了企業 AI 轉型的第一步

業界最強性能亮相，Minimax 用上也「真香」

隨著 AI 演進從簡單的「會話」跨越到「動態交互」，Agentic RL（智能體強化學習） 已成為通往 AGI 的必經之路。

如果說大模型的「大腦」是通過海量文本喂養出來的，那么真正具備自主靈魂的智能體，則是通過在真實環境中的「摸爬滾打」練就的。

Agent RL 最大區別就是需要和環境交互，交互好壞影響訓練效率和效果。這種交互一般是在沙箱中執行的，因此沙箱是強化學習的「命門」，是決定 Agent 進化速度與天花板的核心基礎設施

騰訊云 Agent Runtime 作為最前沿的智能體基礎設施技術突破，在今年的英偉達 GTC 大會上亮相。

在 GTC 大會上，騰訊云團隊提出，Agent RL 將帶給沙箱的挑戰推向了極致：需要訓練、推理、環境交互與系統復雜性的四重疊加

騰訊云 Agent Runtime 智能體沙箱在 GTC 的亮相，吸引了全球開發者的目光。沙箱已從單純的安全組件，進化為 Agent 時代的「基礎設施一等公民」 。通過 Agent-Native 的設計理念，它正為全球開發者提供一個更安全、更高效、更具擴展性的 Agent 進化搖籃。

毫秒級啟動，十萬級并發，MiniMax 高性能穩定落地

還記得過年前后，那個溫暖打工人錢包的 1 美元時薪大模型 MiniMax M2.5 嗎？

一個 10 B 參數量的全能選手，在多語言任務 Multi-SWE-Bench 上拿下了行業第一；在 SWE-Bench Verified 評測集上，基于 Droid 和 OpenCode 的實戰測試中，它的通過率（79.7% / 76.1%）雙雙超越 Opus 4.6。

而鮮為人知的是，MiniMax 與騰訊云在 Agent RL 場景下進行了合作，在騰訊云 Agent Runtime 的強大性能的基礎上，突破了現實世界的智能體 RL 的「不可能三角」：平衡系統吞吐量、訓練穩定性和智能體靈活性。

MiniMax Forge 架構圖

交互環境的并發、彈性和質量直接決定了模型訓練的效率和效果。

• 極致性能響應： 實現 80ms 極速啟動與 P99 延遲小于 1 秒 ，確保 Agent 在復雜任務中獲得近乎實時的交互反饋。
• 海量并發能力： 支持每分鐘十萬級沙箱實例的并發創建與瞬時銷毀，實現 99.99% 的穩健成功率。
• 分發加速架構： 憑借「鏡像去重 + 多級緩存 + 加速中心」的三位一體技術，實現數十萬鏡像的分發加速。
• 全場景環境模擬： 深度覆蓋代碼、瀏覽器、手機及桌面端全平臺環境，原生適配 SWE-bench 與 OSWorld 等主流 Agent 評測標準。
• 原生開發生態： 提供兼容 E2B 協議的開源 SDK、API 及完整工具鏈，深度集成主流訓練框架以實現無縫遷移。

依托騰訊云提供的 Agent Runtime 沙箱服務，MiniMax 實現了強化學習場景中大規模交互環境的毫秒級拉起、十萬級并發、瞬時銷毀，大幅提升了并發 Rollout 的訓練吞吐量和穩定性，更為模型在系統終端的自主試錯構建了安全邊界。

在性能方面，騰訊云 Agent Runtime 在單個鏡像（如 Code Interpreter）場景下，大規模并發啟動沙箱，最大可以支持每分鐘 60 萬沙箱創建，QPS 可以達到 1 萬以上，整體P99 延遲控制在 1 秒左右。因為整體架構沒有單點依賴，整體系統仍然可以橫向擴展。

在 SWE RL 場景下 Agent Runtime 沙箱的壓測效果可以達到16 萬 QPM 的吞吐，P99 延遲控制在 1 秒以內，成功率達 99.99%。這仍然不是 Agent Runtime 沙箱的并發上限，系統支持便捷橫向擴容。

MiniMax 與騰訊云的深度技術共建，有效突破了傳統架構在大規模并發、極速啟動上的能力瓶頸。

MiniMax 的 Agent 首席架構師阿島說，目前 Agent 已經能夠自主地驅動很大部分的 agentic RL 過程，但「這里面最有可能卡住的就是沙箱的環節，（如果任意環節卡住）就會極大的影響我的模型的迭代，如果迭代速度慢了，那可能和別的模型相比，我的競爭力就會受到影響?！?/p>

在如此白熱化的激烈競爭態勢下，Minimax 與騰訊云 Agent Runtime 的協作，從輕量級調度、極致存儲優化，到全場景的真實環境模擬，這套 Agent Infra 方案，為強化學習框架提供了一個極致彈性、可持續擴展的生產級試驗場，對 Minimax 保持強勢的競爭力至關重要。

結語：在狂野西部，建立文明的邊界

我們獲悉，騰訊云 Agent Runtime 底層平臺 Cube 將全面開源，企業可直接用于智能體訓練和部署。

如果說 OpenClaw 的爆火象征著 AI 開發者們在「狂野西部」的一次集體沖鋒，那么騰訊云 Agent Runtime 的出現，則標志著這場運動開始從無序走向秩序與成熟。

過去我們習慣于討論模型的參數量、推理能力或是多模態性能，但在「自主執行時代」，這些只是智能體的「大腦」。正如 Karpathy 所擔憂的那樣，沒有安全邊界和性能保障的智能體，很可能是數字世界混亂的源頭。

騰訊云 Agent Runtime，第一次為這群「數字員工」提供了一個既能自由探索、又絕對可控的「數字化工位」。

基礎設施的演進往往滯后于應用層爆發，但它決定了應用能走多遠。當毫秒級的冷啟動、容器級的安全隔離以及標準化的執行協議成為標配，智能體才真正具備了大規模進入產業生產線的資格。

騰訊云 Agent Runtime 正在成為智能體時代的「調度中心」，更是智能體自我學習，通往 AGI 閉環過程中，不可或缺的一塊拼圖。

這只從圈子里「跳出來」的龍蝦，終于在云端找到了它最穩健的棲息地，也找到了它通往自我進化的快車道。