国内首个《人工智能云 Agent沙箱能力要求》发布，浪潮信息核心参编

《Agent沙箱服务能力要求》

作为核心参编单位，浪潮信息深度参与要求总体框架与关键能力体系设计，并结合服务器虚拟化、云原生、大规模算力调度及集群运维等领域的工程实践，为相关技术要求和评价指标的形成提供实践支撑。围绕Agent沙箱全生命周期，完善快速创建、弹性调度、安全隔离、运行监测和故障定位等能力要求，推动Agent沙箱能力走向统一规范，为Agent规模化、安全可靠运行提供标准化支撑。

01 Agent自主执行加速落地，沙箱能力亟需统一规范

随着Agent从“生成内容”走向“自主执行”，其能够自主编写和执行代码、读写文件、操作浏览器并调用外部工具和系统。AI由此从提供结果进一步获得对真实环境的“行动权”，模型幻觉、提示词注入或异常调用也可能由内容风险转化为实际执行风险。因此，需要通过Agent沙箱在智能体与真实环境之间建立受控执行边界，对资源、权限、数据和外部连接进行隔离与约束，保障Agent在可控范围内自主执行。

与此同时，Agent任务呈现高并发、高频调用、长链路和有状态运行等特点，沙箱也不再只是传统的不可信代码隔离环境，而逐步成为支撑Agent运行的基础设施。除了安全隔离，还需要具备快速创建、状态保持与恢复、弹性伸缩、工具接入和全链路可观测等能力，以支撑Agent持续、可靠、规模化运行。

当前，云厂商、AI平台和开源社区纷纷推出Agent沙箱产品，但不同技术路线在生命周期管理、安全隔离、运行时支撑、生态接入和可观测性等方面能力边界不一，缺乏统一定义和评价尺度，增加了企业选型、平台适配和集成治理成本，也制约跨平台协同与生态互通。因此，亟需通过统一要求明确Agent沙箱的能力边界、技术要求和评价方法，为产品建设、能力评估和用户选型建立规范依据，推动Agent基础设施向安全可信、开放兼容和标准化方向发展。

02 聚焦安全可控，要求明确沙箱四层能力框架

围绕Agent沙箱安全可控运行，要求从智能体运行时支撑、沙箱生命周期管理、安全沙箱、沙箱治理、生态接入和可观测性六大能力域构建能力框架，并按照Agent运行与管理的关键环节，形成资源管理、安全防护、运行支撑和状态监测四层架构，分别解决Agent“怎么跑、怎么管、怎么保证安全、怎么发现问题”等核心问题，形成覆盖任务执行全流程的完整能力体系。

Agent沙箱服务能力要求框架

资源管理：全生命周期调度，实现沙箱快速供给与弹性伸缩

Agent任务具有突发、高频、长链路等特征，对沙箱资源的供给速度、调度效率和回收能力提出更高要求。围绕这一特点，要求从快速启动、状态转换、实例管理和弹性伸缩等方面建立全生命周期管理机制，使沙箱能够“随需而启、中断可续、资源可回收”。

具体来看，通过镜像预热、实例池化和快照恢复等机制降低启动时延，优化条件下标准容器冷启动小于2秒、快照恢复小于500毫秒；通过统一实例状态管理，支持创建、运行、暂停、停止、销毁等状态安全切换，并及时回收异常实例。面对突发负载，还可根据队列深度、并发任务数以及CPU、内存利用率等指标动态扩缩容，在保障任务响应的同时提升资源利用率。

资源高效调度的同时，还需要守住运行环境的安全边界。通过本地私有化部署、多维沙箱隔离和实时威胁感知，强化不同Agent及任务之间的资源隔离，避免单个任务异常向其他实例扩散，实现资源管理与运行安全的协同保障。

安全防护：多层隔离与统一治理，守住Agent自主执行边界

随着Agent具备自主生成代码、调用工具和协同执行任务的能力，安全风险也从单一运行环境扩展到网络、数据、权限、组件和外部连接等多个环节。针对这一变化，要求从安全沙箱、沙箱治理和生态接入三个层面构建防护体系，为Agent自主执行建立清晰、可控、可追溯的安全边界。

●安全沙箱，通过硬件辅助虚拟化、多维资源隔离、默认拒绝网络策略、数据加密和最小权限控制，降低越权访问、资源滥用和跨沙箱数据泄露风险；

●沙箱治理，对权限、策略、镜像、文件等关键操作实施全流程审计，并支持策略热加载、镜像签名和漏洞扫描；

●生态安全，兼容主流Agent框架及A2A、MCP等协议，并通过外部工具调用鉴权、限流、审计和异常熔断，控制开放连接带来的风险。

在此基础上，还可通过一Agent一凭证、Skill安全扫描和出站流量白名单等机制，进一步强化身份、组件与外部连接的可信控制，形成从运行环境隔离、权限治理到生态接入的多层防护体系，保障Agent自主执行过程始终处于受控范围内。

运行支撑：让Agent持续执行、动态受控、快速适配

在状态保持方面，支持会话状态、执行步骤、工具调用结果及中间产物持久化，并通过快照、恢复和回滚实现任务中断后续接；在行为约束方面，可动态调整工具、域名、文件路径和命令等访问规则，并对异常行为及时预警和干预；在环境适配方面，通过预置模板和版本管理覆盖开发、配置、构建、部署等环节，并兼容LangChain、CrewAI、PydanticAI等主流框架，降低环境配置复杂度。

状态监测：全链路可观测，让Agent运行可见、异常可查

随着多Agent协作和长链路任务增多，运行过程更容易“黑盒化”，故障定位和责任追溯难度随之上升。围绕这一问题，要求从资源监控、任务监控和链路追踪三个层面构建可观测体系，实现从资源消耗到任务状态、调用关系的全程感知。

综上，要求的发布为Agent沙箱产品建设、能力评估和企业选型建立统一尺度，有助于降低跨平台适配与生态协作成本，推动TaaS（Token即服务）质效提升，加速AI Agent在金融、制造等关键行业安全、规模化落地。