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

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？

Related

• harness-engineering/managed-agents-architecture — Anthropic 的三层解耦视角
• harness-engineering/9-layer-production-ai-architecture — 生产级 Agent 完整架构
• harness-engineering/cloudflare-sandboxes — 沙盒即基础设施