Daytona如何重新定义AI Agent计算沙箱基础设施

当AI Agent从概念走向大规模部署，一个被忽视的关键问题浮出水面：这些智能体到底需要什么样的计算环境？Daytona CEO Ivan Burazin在一次深度访谈中，揭示了AI Agent基础设施市场正在经历的剧变——74%的月环比增长、每天85万个沙箱的运行规模，以及一个可能比人类PC市场更大的全新赛道。

AI Agent基础设施的历史背景：AI Agent作为一种能够自主规划、执行多步骤任务的智能系统，其大规模部署需求在2023-2024年间随着大语言模型能力的跃升而急剧增长。早期的Agent框架（如LangChain、AutoGPT）主要在开发者本地环境或传统云VM上运行，但随着Devin、Cursor等代码Agent的商业化，以及Anthropic、OpenAI相继开放工具调用（Function Calling）和计算机操作能力，Agent对隔离、安全、高并发计算环境的需求开始超越传统基础设施的设计边界。计算沙箱（Sandbox）最初是安全领域的概念，指隔离运行不可信代码的受控环境。从早期的chroot jail、到虚拟机、再到容器技术，沙箱的隔离粒度与启动速度之间始终存在权衡。gVisor（Google）、Firecracker（AWS）等项目代表了将安全隔离与轻量化结合的最新尝试。AI Agent时代对沙箱提出了新的维度要求：不仅要快速启动、安全隔离，还需要支持有状态持久化、动态资源调整和大规模并发——这推动了以Daytona、E2B、Modal为代表的新一代Agent专用沙箱基础设施的兴起。

从浏览器IDE到AI沙箱：一次关键的战略转型

Daytona的故事要从2000年代初说起。Ivan和联合创始人最早做的是服务器虚拟化和路由器等基础设施服务，后来创建了全球最早的浏览器IDE之一——Code Anywhere。那时没有VS Code，没有Kubernetes，Docker还未公开发布，一切底层技术栈都需要自己搭建。

这段经历成为了Daytona日后的核心竞争力来源。三年前，团队开始将Code Anywhere的底层技术重新包装，为人类工程师提供自动化开发环境。但真正的转折点发生在2024年底。

当时，Ivan通过渠道提前接触到了Devin（当时尚未公开），团队尝试将开源版本OpenDevin（现更名为OpenHands）与自家基础设施结合，推出SaaS服务。虽然直接用户不多，但大量正在构建AI Agent的团队主动找上门来："我的Agent需要一个计算沙箱运行时。"这个信号让团队意识到，一个全新的市场正在形成。

为什么Agent不能用人类的基础设施

最初，很多人质疑："为什么Agent需要专门的基础设施？EC2、VM不够用吗？"Ivan的团队在早期也犯了这个错误——他们把为人类设计的开发环境直接给Agent用，结果20-30个早期用户全部反馈"这不是我们需要的"。

经过深入研究，团队总结出Agent计算环境的三个核心需求：

极致速度：Agent需要毫秒级的环境启动时间。Daytona目前单个沙箱的启动时间为60毫秒（含网络延迟），同时启动5万个沙箱约需75秒，而某些竞品需要2000秒（约30分钟）。

有状态持久化：就像人类不希望笔记本电脑在工作中途被关机一样，Agent也需要"合上盖子、打开继续"的能力。沙箱需要支持暂停和恢复，保持完整状态。

动态可组合：不同任务需要不同的计算资源组合。Agent可能需要动态调整CPU、内存、磁盘，甚至添加GPU。Daytona支持运行时动态扩容，几乎不会出现OOM（内存溢出）问题。

关于OOM（内存溢出）：OOM是指进程申请的内存超过系统可用内存时触发的错误。Linux内核的OOM Killer机制会在内存耗尽时强制终止进程，这对长时间运行的AI Agent任务是灾难性的——可能导致数小时的工作成果瞬间丢失。传统容器编排系统（如Kubernetes）通过预设资源限制（Resource Limits）来防止OOM，但这要求提前准确预估内存需求，而AI Agent的内存消耗往往难以预测（取决于任务复杂度、上下文长度等动态因素）。Daytona的动态扩容能力意味着沙箱可以在运行时按需申请更多内存，而非被静态配额硬性限制，这对需要处理大型代码库或复杂推理任务的Agent尤为关键。

用Ivan的话说，Daytona本质上是"Lambda和EC2的结合体"——既有Lambda的速度，又有EC2的持久性。

裸金属架构：速度优势的技术根基

与大多数竞品在VM上运行Firecracker不同，Daytona从一开始就选择了裸金属（bare metal）架构。团队自研了调度器，直接使用底层机器的磁盘、CPU和内存。

裸金属与虚拟化架构的本质差异：裸金属（Bare Metal）服务器是指用户直接使用物理服务器硬件，无需经过虚拟化层。相比之下，传统云计算（如AWS EC2）在物理机上运行Hypervisor，再在其上创建虚拟机，每一层抽象都会引入延迟和性能损耗。Firecracker是AWS开源的轻量级虚拟机监控程序（VMM），专为无服务器计算设计，能在125毫秒内启动微型VM，被广泛用于AWS Lambda和Fargate——这已经是业界领先水平，但仍比裸金属方案慢一个数量级。NVMe（Non-Volatile Memory Express）是专为固态硬盘设计的高速存储协议，相比传统SATA接口，IOPS可提升数十倍。EBS（Elastic Block Store）是AWS的网络附加存储，虽然灵活，但网络传输本身会引入毫秒级延迟。Daytona选择裸金属+本地NVMe的组合，正是为了将这些中间层延迟压缩到极限。

这种架构带来了几个关键优势：

• IOPS极快：没有EBS等网络存储的延迟，所有I/O操作都在本地NVMe驱动器上完成
• 快照预加载：模板和快照预先加载在裸金属机器上，启动沙箱时直接定位到对应的物理机器
• 零网络延迟：沙箱内部操作完全在本地完成

有趣的是，当第三位联合创始人看到这个架构时，他的反应是："这不是2008年的东西吗？"CTO回答："没错。"有时候，最先进的解决方案恰恰来自对基础原理的回归。

隔离层面，Daytona默认使用Docker容器配合Sysbox加固，安全性等同于VM但保持了容器的轻量特性。

Sysbox容器运行时的技术细节：Sysbox是由Nestybox（已被Docker收购）开发的开源容器运行时，其核心创新在于通过用户命名空间（User Namespace）隔离和内核特性模拟，使Docker容器能够运行完整的Linux系统栈（包括systemd、Docker daemon、Kubernetes等），同时不需要特权模式（privileged mode）。传统特权容器虽然功能强大，但与宿主机共享内核命名空间，存在严重的安全风险；而Sysbox通过在容器内虚拟化/proc、/sys等系统接口，实现了接近VM的隔离级别，同时保持了容器的毫秒级启动优势。这对AI Agent场景尤为重要——Agent往往需要在沙箱内执行任意代码、运行Docker容器甚至完整的开发环境，Sysbox提供了安全与灵活性的最佳平衡点。

同时支持Docker-in-Docker，用户可以在沙箱内运行Docker Compose甚至K3s集群，这大幅扩展了可支持的工作负载类型。

两种截然不同的工作负载模式

Daytona目前服务两大类工作负载，它们的使用模式截然不同：

后台长运行Agent

这类客户包括Cognition（Devin）、Lovable、Harvey等。它们的使用模式类似人类——"跟着太阳走"，中午最高、午夜最低、周末下降。这类负载相对可预测，可以通过跨地域调度来优化利用率。

RL训练与评估

这是增长最快的工作负载类型。几个月前RL工作负载占比为零，到访谈时已接近50%。这类负载的特点是极度"尖峰化"——要么什么都不用，要么突然需要10万个CPU，用完后又归零。

强化学习训练的计算特性：强化学习（Reinforcement Learning，RL）是机器学习的一个分支，智能体通过与环境交互、获取奖励信号来优化策略。在大语言模型领域，RLHF（基于人类反馈的强化学习）是目前主流大语言模型对齐的核心技术，由OpenAI在InstructGPT论文中系统化提出，其训练流程包括监督微调（SFT）、奖励模型训练和PPO策略优化三个阶段。近期，DeepSeek-R1等模型采用的GRPO（Group Relative Policy Optimization）算法进一步简化了流程，但对并行环境采样的需求更为极端。RL训练的计算特性极为特殊：训练阶段需要同时运行数千至数万个并行环境（rollout workers）来采集经验数据，这些环境在训练批次结束后立即销毁，形成极端的"全有或全无"资源需求模式。这与Web服务的平滑流量曲线截然不同，对基础设施的弹性伸缩能力提出了前所未有的挑战——传统云平台的自动扩缩容往往需要数分钟，远不能满足RL训练的秒级需求。

这种尖峰模式给基础设施带来了前所未有的挑战。Daytona当前的平均利用率仅15%，但峰值可达90%。Ivan在自己举办的Compute Conference上发现，这个问题是整个Agent基础设施行业的共性挑战——无论是Neon（数据库）、Parallel（搜索）还是其他提供商，都面临同样的困境。

Computer Use：下一个万亿级市场

Ivan认为，Computer Use（计算机操作）可能是Agent最重要的"杀手级应用"。

Computer Use技术原理与RPA对比：机器人流程自动化（RPA）是Computer Use的前身技术，代表厂商包括UiPath、Automation Anywhere和Blue Prism。传统RPA通过识别UI元素的固定属性（如按钮ID、XPath路径）来录制和回放操作，脆弱性极高——界面稍有变动即可导致自动化流程崩溃，维护成本居高不下。Computer Use的根本突破在于引入了视觉理解能力：模型通过截图理解当前界面语义，动态决策下一步操作，无需预先定义UI元素映射。Anthropic于2024年10月率先在Claude 3.5 Sonnet中发布了这一功能，标志着AI从纯文本交互向图形界面操控的重大跨越。与RPA不同，Computer Use不依赖预定义的UI元素选择器，而是通过视觉理解动态适应界面变化，理论上可以操作任何有屏幕的软件。Headless方案（无界面浏览器/API调用）虽然效率更高，但受限于企业遗留系统的封闭性——大量关键业务数据仍锁定在无API的桌面应用中，Computer Use是目前唯一可行的自动化路径。然而，Computer Use对基础设施提出了独特挑战：需要运行完整的图形化操作系统，渲染虚拟显示器，处理截图传输的带宽开销，以及管理GUI应用的状态持久化——这些需求远超传统无头浏览器自动化的基础设施假设。

他给出了一组惊人的数据：

• 美国约有1亿知识工作者，全球约10亿
• 美国知识工作者薪资总额约10万亿美元，全球约50万亿
• 其中56%集中在医疗、政府、金融等五大行业
• 大量工作仍锁定在Windows上的遗留应用中

即使按照RPA市场25%的自动化率保守估计，如果Agent能达到40%的自动化率，这就是一个10万亿美元规模的市场。

Ivan用自己的亲身经历说明了这一点：他在制作董事会报告时，尽管使用了Claude Code连接ClickHouse、PostHog、QuickBooks等现代工具，仍然有大量数据无法通过API获取。最终他在Mac Mini虚拟沙箱中部署了OpenClaw，给它创建了公司各系统的只读账户，让Agent直接登录网站、导出数据、完成报告。

"如果连我们这样的创业公司，用着最新的工具，仍然需要Computer Use Agent，那高盛怎么可能用纯headless方案解决问题？"

Daytona目前已支持Windows沙箱（秒级启动，支持快照和分叉），Mac OS沙箱也在开发中，但受限于苹果的许可协议——每台机器只允许运行2个并行VM，且每24小时才能更换一次用户授权。

市场格局与增长逻辑

全球化的意外发现

Daytona的用户分布呈现出一些有趣的特征：按用户数量计，新加坡是第一大城市（而非硅谷），东京也异常活跃——这在以往的技术周期中从未出现过。巴西则延续了其在开发者生态中的传统强势地位。

开源策略的务实选择

Daytona采用AGPL-3.0许可证，这是一种介于完全开源和商业许可之间的务实选择。

AGPL许可证的战略含义：AGPL-3.0（GNU Affero通用公共许可证）是GPL的网络服务扩展版本，其核心条款要求：任何通过网络提供服务的修改版本，必须向用户开放源代码。这一条款使其成为云服务商的"天然屏障"——AWS、Google Cloud等大型云厂商若想将AGPL项目作为托管服务销售，必须开放其所有修改，这在商业上几乎不可接受。因此，AGPL既保持了开源社区的透明度和贡献激励，又防止了大型云厂商的"免费搭车"。MongoDB、Grafana等知名开源项目均采用过类似策略。对Daytona而言，开源代码库还有一个AI时代的特殊价值：用户可以将代码仓库直接提供给AI Agent，让其获得完整的集成上下文，降低接入门槛。

Ivan坦言，开源对云产品的消费增长帮助更大，而非直接转化自托管用户——因为用户可以把代码仓库发给Agent，让它获得更多集成上下文。

25人团队的极致响应力

Daytona目前仅25人，但维护着约1000个Slack Connect频道。在客户案例调研中，"极致的响应速度"被反复提及为选择Daytona的首要原因。团队中13人与创始人有7年以上的合作历史，这种高信任、高默契的团队文化是其服务质量的根基。

对SaaS行业的冷思考

Ivan提出了一个颇具争议的观点：市场正在错误地为"转售Token"的SaaS公司赋予溢价。他认为，所谓的"收入再加速"本质上是低毛利的Token转售收入，与传统SaaS的高毛利订阅收入完全不同。

他的建议是：SaaS公司应该把所有产品功能通过API暴露出来，按消费量收费，而不是在中间加一层Agent来转售Token。Salesforce的Marc Benioff最近宣布将所有产品通过API开放，Ivan认为这才是正确方向。

"数据仍然是孤岛化的。你给我一个Agent，数据还是孤岛。不如直接把数据暴露给我的Agent。"

未来展望：Agent的专属云

整个Agent基础设施市场正以每月40%以上的速度增长。Ivan认为，未来将出现一个专门为Agent构建的云平台——包含沙箱、网络搜索、数据库等所有Agent所需的基础设施原语。而且，"我们还没有看到所有的基础设施原语，还有更多正在被发明出来。"

从CPU供应的角度看，这个市场甚至可能面临与GPU类似的短缺问题。Semi Analysis的分析师Dylan Patel在Compute Conference上指出，CPU正在成为新的瓶颈——当每个Agent都需要一台"计算机"时，80亿人口的PC市场规模可能只是Agent计算市场的起点。

CPU短缺与Agent计算经济学：GPU短缺在2023-2024年间成为AI行业的标志性瓶颈，NVIDIA H100/H200的供不应求推动了大量算力基础设施投资。然而，Agent大规模部署带来的是一种截然不同的算力需求结构：推理阶段（Agent执行任务）主要消耗CPU和内存，而非GPU算力；每个Agent实例需要独立的隔离环境，意味着CPU核心数、内存容量和存储IOPS成为新的瓶颈维度。GPU短缺的本质是AI训练对并行浮点运算的极端需求，而Agent大规模部署带来的是对通用计算（CPU）、内存和存储的海量需求——这是一种截然不同但同样巨大的算力压力。从经济学角度看，Agent计算的单位经济模型也与GPU训练不同——训练是高度集中的批处理任务，而Agent执行是高度分散的长尾任务，对基础设施的调度效率和资源利用率提出了更高要求。Semi Analysis等机构的分析表明，随着Agent渗透率提升，x86服务器的采购需求可能在未来3-5年内出现结构性增长，形成类似GPU短缺的供需错配。

正如Ivan所说："人类有80亿，每人大约需要1-2台电脑。但两年后、十年后、一百年后，会有多少Agent在运行？每一个任务都需要一个沙箱。这个市场本质上是无限的。"