Skip to content
Back/Harness Engineering

Agent 存算分离架构

View in Graph
Updated 2026-11-10
2 min read
260 words

Agent 存算分离架构

What it is

Agent 存算分离是将 Agent 运行时的"计算"(LLM 调用、工具执行、上下文拼接)与"存储"(提示词、技能、对话记录、长期记忆、工作产物)解耦的架构设计。本地 Agent(OpenClaw、Codex)通常将两者绑定在同一 workspace,而云端规模化 Agent 需要 serverless 化的分层存储。

Why it matters

云端 Agent 托管服务(Manus、genspark claw、Kimi claw)面临的核心矛盾是:多租户、多任务、长时间运行要求每个用户有独立的运行空间,但常驻 pod 成本极高。存算分离通过"计算层动态扩缩 + 存储层分层持久化"解决这一矛盾,使 Agent 服务从"常驻虚拟机"模式演进为"serverless 函数"模式。

Key points

  • Agent 生命周期中的存储需求:提示词文件(soul.md、identity.md)、工具与技能、对话记录、交付产物都需要持久化;只有上下文拼接、LLM 调用、工具调用属于纯计算
  • 三种运行模式:本地裸机(OpenClaw,存算一体,简单但不安全)、本地沙盒(Codex,工具调用环节隔离)、云端多副本(Manus,需 k8s + PVC)
  • 四层存储模型:热状态用 Redis KV(checkpoint、游标)、对话记录用 Postgres、长期记忆用向量数据库(pgvector、Milvus)、工作产物用对象存储(S3/OSS)
  • 核心挑战:分布式多副本场景下的数据一致性,需要锁机制和负载均衡策略配合惰性 sandbox 回收

Evidence across sources

Source Key Claim Relevance
AI 简报 2026-06-03 FastClaw 演示:gateway → 加载用户资料 → sandbox 执行 → checkpoint 到 KV → 惰性回收 端到端实现参考

Open questions

  • 存储层 IO 延迟是否会瓶颈化 Agent Loop 的响应速度?
  • e2b sandbox 池化在秒级启动场景下的实际稳定性如何?
  • 与 Anthropic Managed Agents 的"brain/harness/hands"三层解耦相比,存算分离更偏向 infra 层还是 session 层?

2026-09-24:Brain、hands、files 与外置存储

来源:AI Briefing 2026-09-24 Evening

rauchg 将成功的 agent 拆成三部分:brain 包含模型与 harness,hands 包含工具、电脑和浏览器,files 包含记忆、技能和仓库。单机部署可以把三者放在一台持续运行的电脑中;云端部署则可以让 harness 在可恢复的计算层运行,让浏览器和 sandbox 成为操作层,再通过外部磁盘提供可独立访问的持久化文件。

这条来源强化了本页已有的存算分离判断:记忆整理等后台任务不应被迫启动完整的 agent 电脑。组件拆分还同时改善成本、权限和审计边界,连接到 harness-engineering/agentic-infrastructure。

Counterpoints & Gaps

  • 该架构来自产品方和 builder 的公开描述,尚未在本地多租户环境中验证成本与故障恢复。
  • 存储拆分减少常驻计算,但会引入一致性、凭证和跨组件回滚问题。

Pending Jean review

2026-09-25:调度系统把存算分离推进到运行时控制

来源:AI Briefing 2026-09-25 Evening

本次时间线中的 AX 描述把存算分离进一步落实为运行时控制:每个 agent 获得独立沙盒,启动前准备代码库、工具和依赖,空闲任务可以暂停并恢复,运维人员可以进入现场排查。它说明外置文件并不是单独的存储优化,而是与调度、权限、检查点和成本控制一起设计的控制面。

Counterpoints & Gaps

  • 该描述来自单条社区推文,尚未提供生产规模下的恢复时间、隔离强度和一致性数据。
  • 暂停恢复会引入凭证续期、文件版本和上下文重建问题。

Pending Jean review

2026-11-10:并行编排超过单机能力,云端沙盒成为实际需求

来源:AI Builders Digest 2026-11-10,转述自 @rauchg 的 X 帖子。

Rauch 测试新模型后的核心判断:模型能编排的并行工作量很快超过单台电脑能处理的范围,云端沙盒从"可选项"变成实际需求。他给出的简化起步方式是安装 Vercel CLI 和插件,再让 agent 使用 /offload-to-sandbox 技能按需创建、释放沙盒。

这把本页 2026-09-24 的 brain/hands/files 拆分从架构判断推进到使用入口:当模型的并行编排能力超过单机,计算层外移到按需提供、用完即释放的云沙盒是自然结果。与 harness-engineering/cloudflare-sandboxes 的沙盒池化实践指向同一方向——并行度是决定计算放本机还是放云端的关键变量。

Counterpoints & Gaps

  • "新模型能编排远超单机的并行工作"是单条体验判断,没有给出任务数、沙盒数量或成本对照;具体起步路径绑定 Vercel 自家工具链。

Sources (addendum)

Pending Jean review

Sources

Synthesized from 7 sources

Evolution

1 event
  1. absorbed

    Derived from source material

    This page is currently synthesized from 7 sources.

    From AI 简报 2026-06-03 Afternoon, 2026-09-24-22-58, 2026-09-25-22-58, 2026-11-10, 2026-09-24-22-58To Agent 存算分离架构
    Sources: raw/briefing/AI Briefing/2026-06-03-18-12-v2.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-24-22-58.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Briefing/2026-09-25-22-58.md · /Users/jean/Documents/Obsidian Vault/raw/briefing/AI Builders Digest/2026-11-10.md · raw/briefing/AI Briefing/2026-09-24-22-58.md · raw/briefing/AI Briefing/2026-09-25-22-58.md · raw/briefing/AI Builders Digest/2026-11-10.md

Linked from