腾讯云发布Agent Runtime，以存算分离破解部署困境

传统架构无法满足AI Agent长生命周期运行需求

当前，基于微服务和Serverless（如Kubernetes容器、云函数Lambda）的架构在处理AI Agent时存在根本性不匹配。其核心矛盾在于：Serverless实例的生命周期由HTTP连接决定（连接断开即实例销毁），但AI Agent任务通常具有超过30分钟的长生命周期，且需要中间暂停、实时流式输出、断网换设备后能恢复。这种错配导致企业部署Agent时面临五大妥协：

• 成本浪费：为保持连接需实例常驻，造成实际计算资源浪费高达18倍。
• 状态丢失风险：用户离开页面或连接中断即导致任务中断，中间状态全部丢失。
• 冷启动性能劣化：依赖NFS等远程存储进行状态持久化，导致冷启动延迟增加5-6秒。
• 扩缩容错配：基于请求数的扩缩容无法反映真实计算压力。
• 恢复机制脆弱：流式输出将用户与特定实例绑定，恢复过程复杂易失败。

以存算分离的沙箱架构实现Agent的云原生化

腾讯云Agent Runtime提出将通信层与执行层解耦的核心方案，构建新一代Agent基础设施：

• 架构解耦：通信网关（永远在线、即时响应）与Sandbox执行层（按需使用、可暂停恢复）通过消息队列分离。
• 核心技术：采用沙箱（Sandbox）作为执行单元，具备强隔离的完整Linux环境、毫秒级启动能力，支持海量创建与暂停。
• 生命周期管理：Agent生命周期绑定于“任务”而非HTTP连接，支持显式结束或超时销毁，并提供暂停免费、秒级唤醒的计费模式。

关键性能指标与客户价值

该架构通过存算分离解决了Local First单体架构的资源浪费问题：

• 资源利用率提升：避免了为保持连接而让整个执行实例常驻，消除了18倍的成本浪费。
• 状态管理优化：任务中间状态可持续保存，断网或换设备后任务可无缝恢复，提升用户体验。
• 弹性与效率：按真实计算压力进行资源调度，冷启动性能显著提升。

招商证券量化交易Agent部署实践

招商证券在量化交易策略回测场景中应用Agent Runtime：

• 业务挑战：回测任务运行时间长（数小时至数天），传统Serverless架构因连接超时导致任务频繁中断，且NFS挂载延迟影响回测效率。
• 解决方案：采用Agent Runtime的沙箱模式，将策略计算逻辑部署于独立Sandbox，通信通过网关管理。
• 成效：任务中断率降低至接近零，回测数据加载时间减少，资源成本较原Kubernetes方案下降约60%。

腾讯云Agent Runtime的技术确定性

腾讯云Agent Runtime基于内部大规模AI业务验证，提供全链路可观测、身份与凭证托管、工具集成（MCP）等企业级能力。其沙箱技术保障了安全隔离与依赖管理，支撑AI Agent从开发调试到规模化部署的全生命周期管理，为金融、客服、研发等场景提供高可靠、低成本的Agent基础设施。