Agent Runtime 覆盖 Agent RL 和 Agentic Agent 两大核心场景。
Agent RL（强化学习）
Agent RL 面向强化学习训练场景，核心诉求是海量镜像支持和超大规模并发。
场景特征
维度 | 特征 |
镜像特征 | 数十万个不同镜像，同类镜像间 Base 层相似度高。 |
并发模式 | 脉冲型创建，瞬时万级/分钟创建，同时运行数万至数十万实例。 |
任务时长 | 以长时任务为主，也存在短时任务。 |
典型用例 | RL 训练数据采集、Online RL、评测场景。 |
Agent Runtime 方案
超大资源池：共享腾讯云计算、容器大盘资源池，按业务需求灵活调配全球算力。
超高并发：十万级实例并发创建。
极致启动性能：100ms 级沙箱启动时间。
镜像加速：基于 Turbo CFS 高性能文件存储构建镜像存储集群，节点按需加载、缓存优化。
Agentic Agent
Agentic Agent 面向实际业务中的 Agent 应用部署与运行，根据任务形态分为任务式 Agent 和常驻 Agent 两类。
任务式 Agent
任务式 Agent 以秒级存活、执行完即销毁为主，核心诉求是极致启动速度（毫秒级）和高并发稳定性。
典型场景：
Coding Agent：AI 生成的代码在云端沙箱中运行，与本地隔离，避免安全风险，具备弹性算力。支持 CodeBuddy Code / Claude Code 等沙箱环境。
Deep Research：浏览器沙箱提供安全隔离的浏览器交互环境，Agent 通过 Playwright 等工具完成深度信息调研。
数据处理与办公自动化：通用 Agent 通过代码生成完成数据清洗、分析、图表与 PPT 制作，所有代码在云端沙箱中运行。
GUI Agent：在浏览器/虚拟桌面/虚拟手机中模拟人机操作（Browser Use / Computer Use / Mobile Use），实现从“代码驱动”向“操作驱动”演进。
常驻 Agent
常驻 Agent 面向长时间运行的 Agent 场景，Agent 需持久化运行，如 OpenClaw，而非执行完即销毁。
备注：上述产品性能数据统计时间2025年8月，来自腾讯实验室测试结果，最终实现效果可能会因网络、设备配置、性能而有所波动。
