AI 沙箱已死
Agent 越来越强，围绕它们构建的技术栈也在不断变化。我们需要提前准备好基础设施，迎接它们接下来能够完成的工作。
一切从运行代码开始
2023 年，我们创立了 E2B。那时 GPT-3.5 刚问世不久，大家还在争论什么才算 Agent。Agent 也刚开始尝试使用工具：十次尝试可能只有三次成功，即使成功，也往往只能往下执行几步。
但这几次成功已经让我们看清了一件事：Agent 需要一个安全、灵活的运行环境。资源要能按需调整，也要跟得上它们不断增强的能力。E2B Sandbox 就这样诞生了。
从一开始，我们考虑的就不只是 Agent 当时能做什么，还有它们接下来会具备哪些能力。
从代码片段到完整应用
最先出现的是编程助手（copilots），帮助开发者补全代码。我们随后推出 E2B Code Interpreter，让 AI 生成的数据分析代码在隔离沙箱中的交互式笔记本里运行。E2B 也由此成了 AI 数据分析助手的默认工具。
接着，Agent 开始用 React 等技术开发完整的 Web 应用。它们像开发者一样编写和运行程序，需要的工作环境也不再局限于数据分析笔记本。
在我们的沙箱里，Agent 有了自己的计算机：这些虚拟机彼此隔离，可以按需启动、持续使用，并运行 Linux 软件。Agent 在其中运行的内容，也从 Web 应用扩展到 Docker 容器，甚至完整的 Kubernetes 集群。
有了计算机，还需要工作环境
我们正在经历第三波变化：Agent 开始操作整台计算机，在复杂的工作场景中持续运行，从头到尾完成一整项任务。我们支持的 Agent 也不再局限于编程，而是用于个人助理、业务分析、视频剪辑、生物技术、安全和幻灯片制作等领域。
Agent 承担的工作越多，对运行环境的要求也越高：专用存储、防火墙、沙箱之间的网络连接、可观测性、能按需扩缩的 CPU 和内存，还有浏览器与安全的密钥存储。要提供这些能力，运行环境就已经接近一套完整的平台。
因此，我们认为，竞争如果仍停留在虚拟机冷启动快几毫秒、每 vCPU 小时的费用低多少，就已经跟不上第三波变化了。基础设施要承载的工作，从代码片段扩展到应用、集群，再到生产任务。如果设计时只考虑眼前的需求，等建好时，可能就已经落后。
我们设想，未来由 Agent 根据具体任务决定需要哪些工具和资源。我们把这样的基础设施称为“Agent 驱动的私有云”。
运行经验能带来什么
这些年，我们运行了数十亿次 Agent，积累了数百亿条执行轨迹。这些经验让我们越来越清楚，不同任务究竟需要怎样的基础设施。
在任务开始前，我们往往就能预估 Agent 会用到哪些工具，以及它的平均和峰值运行时间。我们也能预估它会消耗多少 CPU 和内存、依赖哪些服务、发出哪些网络请求。我们设想，云可以先观察 Agent，再预测需求、搭建环境，并在运行中持续优化。
我们能否利用这些数据和规模经济，为 Agent 推荐更合适的工具、服务和数据库，帮助它更有效地完成工作？如果运行环境也能从经验中学习，又能给 Agent 带来多大的提升？
下一步，让环境跟着任务走
我们期待的未来，是每个 Agent 都有一套围绕当前任务优化的私有云，并能随着需求变化，调整所用的资源和工具。
这就是我们说“沙箱已死”的含义：基础设施要从运行代码的地方，发展为支撑 Agent 完成整项工作的平台。Agent 已经在使用过程中告诉了我们它们需要什么。我们要做的，就是像对待其他客户一样，持续响应这些需求的变化。