智东西编辑｜三北
开年伊始，开源AI代理框架OpenClaw在全球范围内迅速走红。它就像一只不知疲倦的“龙虾”，具备记忆功能、操作能力和低门槛的特点，让许多用户第一次直观地感受到人工智能的实际应用价值。
然而，当企业从最初的小规模尝试转向大规模部署时，问题也随之而来。这些代理能力强却未经充分训练，在企业的基础设施上7×24小时自主运行，带来了失控的风险：记忆丢失、密钥泄露、脚本失控以及预算超标等问题层出不穷。
特斯拉创始人埃隆·马斯克曾将这种情况比喻为把装满子弹的枪交给了猴子使用。
▲马斯克X发文截图
面对代理技术带来的挑战，腾讯云提出了新的解决方案——打造专门为AI代理设计的“数字办公环境”Agent Runtime沙箱方案。这一方案旨在为每个代理提供安全和规则指导，确保企业能在不削弱其能力的前提下实现大规模的安全部署。
目前这项技术已经在多家领先企业中成功应用，例如在知名大模型公司MiniMax的强化学习训练等场景中得到了验证，并支持十万级并发、百万级吞吐量下的零事故运行。
此外，在大规模代理培训环境下，腾讯云的技术帮助MiniMax的Forge框架实现了“环境秒开、用完即删”的特点，提升了训练效率和稳定性，同时降低了成本，为AI技术的企业级落地提供了坚实的基础。
腾讯云已宣布将Agent Runtime底层沙箱技术Cube开源，为企业提供更加灵活的服务部署选项。
一、解决三大难题，确保企业能够安全可靠地管理AI员工
类似OpenClaw的AI代理正在被越来越多的企业员工自发采用。尽管如此，真正让几万甚至几十万个这样的“龙虾”在公司环境中稳定工作并非易事。企业在尝试规模化部署人工智能时面临三个关键挑战。
首先，现有基础设施能否承受大规模的代理运行？这些代理具有状态、能够自主操作，并且7×24小时在线，数以万计的实例共享同一个环境，如何管理和控制它们的状态和行为成为一个问题。此外，密钥和其他敏感信息散布在各个角落，谁来负责管理风险？
其次，在这种环境下，企业的收益是什么？技能、记忆和协作关系都被锁在个人代理实例中，一旦员工离职，这些宝贵的资源就会丢失。新的代理彼此不认识，无法协同工作。
最后，企业能否有效利用这些工具？哪些操作需要审批？流程如何调整？令牌的使用是否划算？这些问题如果不解决，人工智能技术就可能沦为“玩具”。
腾讯云Agent Runtime的企业级治理方案正是为了克服这些挑战而设计。它旨在帮助企业真正地接纳和管理大规模的人工智能代理。
1、让基础设施扛得住
其中一个关键问题是基础设施的兼容性。解决方案包括两方面：状态管理和行为控制。
在状态管理上，由于代理具有上下文依赖、缓存等特性，在运行过程中会产生高昂的成本。为了解决这一问题，Agent Runtime将计算资源和存储分离，并通过快照技术实现任意时间点的状态保存与恢复，从而确保经验可以轻松复制并继承给新的实例。
行为控制方面，每个代理都在独立的虚拟机沙箱中运行，相互隔离。凭证管理严格且安全，在使用后立即销毁；所有外部访问均通过统一网关处理，并可配置审批或拦截机制。整个过程中都有详细的审计记录，确保每一步操作都是可控和可追溯的。
2、数据资产留得下
知识和技术不会因为员工离职而流失，框架更换也不影响积累的经验。
为了实现这一点，腾讯云Agent Runtime将技能、记忆和协作关系作为独立资产进行存储：技能以制品形式入库并由版本控制系统管理；记忆可以跨实例共享，新代理可以直接继承旧代理的知识；通过网关服务发现机制确保不依赖于特定框架的私有协议。
即使老张离职了，他训练出的专业合同审核技能和行业经验仍然可用，新人入职后可直接使用这些资源。这样，知识和技术就成为了企业的资产而非个人或某个项目的专属品。
3、组织接得住用得好
技术可行性是一方面，组织层面的实际应用又是另一挑战。
通过Agent Runtime，企业可以实现对代理的全局管理：平台团队能够封装初始化脚本、镜像和配置作为模板进行统一版本控制；策略设定工具调用权限等行为边界；按实例、用户、组织层级分配Token额度，便于成本追踪与优化。
这只是开始。如何在不同行业场景下实现代理之间的协作、调整工作流程以及匹配预算需求是未来的探索方向。然而，有了Agent Runtime提供的基础架构支持，企业可以先确保“接得住”，之后再逐步实现“用得好”。
通过这三个关键特性，企业有信心让几万只“龙虾”安心上岗——不是削弱它们的能力，而是确保每一步操作都在受控、可追溯的环境中执行。
二、MiniMax验证了大规模吞吐量和并发能力
腾讯云Agent Runtime沙箱产品已在外部头部厂商中获得认可，特别是在知名大模型公司MiniMax的核心训练场景中的成功应用就是明证之一。
自成立以来，MiniMax自主开发了多个多模态大型语言模型，并推出了Forge智能体强化学习框架。在AGI发展的关键阶段，这种框架需要大量的交互式实验以优化性能，这对计算资源的安全性、灵活性和并发处理能力提出了极高的要求。
为此，MiniMax与腾讯云合作，在其Agent Infra中采用了腾讯云的沙箱技术，显著提升了Forge训练过程中的效率和稳定性。
▲ Forge：大规模原生智能体强化学习系统
在实际应用中，“Forge”框架面临极端挑战。为了实现大规模并行模拟环境下的智能体自主进化，需要底层计算资源具备高并发、绝对安全隔离的沙箱环境，这对基础设施提出了前所未有的要求。
▲ 智能体强化学习对基础设施的需求
腾讯云Agent Runtime沙箱产品之所以被MiniMax选中，是因为它在此类场景下表现出色：
1、快速启动：仅需80毫秒即可完成实例交付，99百分位延迟小于1秒，确保训练流程不中断。通过资源池化和镜像预热技术实现这一目标。
▲ 资源池化与快照恢复示意图
2、强大的吞吐量：每分钟可创建六十万个沙箱实例，成功率高达99.99%，满足AGI训练所需的高并发需求。依靠腾讯云百万核资源池的支持，系统能够每分钟扩容超过十万实例。
▲ 大规模沙箱实例生成能力展示
3、全面的环境模拟：支持代码级到浏览器再到操作系统级别的全场景沙箱设置，为模型训练提供接近真实的交互体验。无论是网页操作还是桌面办公，都能在安全隔离环境中进行测试。
4、便捷的工具链：对外开源SDK、API等开发接口，简化了开发者的工作流程，并且能够与各种主流框架无缝集成。
MiniMax首席架构师阿岛表示：“腾讯云提供的沙箱产品是为类似我们的场景量身定制。”
“最初我们在Kubernetes上运行代理时遇到了瓶颈。后来我们转向了腾讯云的解决方案，问题得到了解决。”阿岛补充道，“从M2.7版本开始，我们可以实现大部分智能体驱动过程自主化。任何环节卡住都会极大影响模型迭代速度，而沙箱环境正是最可能成为瓶颈的部分。因此，高性能、稳定性和低延迟对于我们的训练至关重要。”
MiniMax的案例证明了腾讯云Agent Runtime不仅是支持AI代理运行的基础平台，更是推动前沿人工智能技术发展的生产级基础设施。
▲ 多种类型的沙箱和交互方式覆盖主流智能体强化学习场景
不论是在日常工作中成千上万只OpenClaw的使用，还是在极限训练条件下实现百万吞吐量、十万并发量的目标，这些都验证了一个事实：AI代理时代需要一种不同于传统云计算的新一代运行环境。
结语：确保AI代理的安全性和可用性是关键
OpenClaw的成功体现了AI代理的生产力价值，同时也强调了安全控制的重要性。只有当每个“龙虾”都能在规定和保护下正常工作时，企业才能真正从尝试使用人工智能过渡到与之协同工作的阶段。
通过为MiniMax模型训练保驾护航，以及为OpenClaw设立规则，腾讯云正在构建一个安全可控的基础设施，迎接智能体时代的到来。当每一只AI“龙虾”都能在一个受保护的空间内安心工作时，企业大规模采用人工智能的新时代就真正到来了。