Agent Substrate 是什么?谷歌捐给 CNCF 的 Agent 运行时,把闲置 Agent 挂起、500 毫秒拉回来(基础篇)

Agent Substrate 是什么?谷歌捐给 CNCF 的 Agent 运行时,把闲置 Agent 挂起、500 毫秒拉回来(基础篇)

11 月 5 日 KubeCon 盐湖城站,Google 把三样东西捐进 CNCF Sandbox:Agent Substrate、gVisor、OpenRL。最年轻的是 Agent Substrate——5 月 13 日才建仓,11 月 5 日发 1.0.0,GitHub 已经 6,429 星、131 位贡献者,同一周上了 GKE 托管。

它不是又一个画流程图的 Agent 平台。它收留的是另一种东西:大部分时间都在发呆的 Agent。

先算一笔账

Agent 真正干活的时间很短。等模型返回、等工具调用、等人点同意,每一段都可能是几十秒到几天。按普通容器的跑法,一个会话占一个 Pod,内存一直留着。一千个 Agent 同时在线,九百九十九个在等,账单照付。

Agent Substrate 的办法跟操作系统挂起进程一样:空闲就把状态 checkpoint 到存储,worker 让出来;请求来了再从快照恢复。Google 给的口径是 10 倍于标准容器的密度、每秒 500 次以上挂起、恢复在 500 毫秒以内。仓库里有 Locust 压测脚本,不信可以自己跑。

Actor 和 Worker 是两层

Substrate 把 actor(有状态的 Agent 实例)映射到一池预热的 worker Pod 上。actor 空闲时挂起,内存和文件系统写进快照存储;请求进来,atenet-router 先拦下来,控制面 ate-api-server 查这个 actor 在不在跑,不在就通知节点上的 atelet 把最近快照恢复到某个 worker,再通过 mTLS 隧道把请求送进去。

这中间有个关键取舍:查状态、分配 worker 都走 Substrate 自己的控制面和状态存储,不等 Kubernetes 调度器。K8s 只负责节点、扩缩容和故障恢复这些低频操作。所以它能做到 500 毫秒恢复,代价是要自己维护一套快照存储。

Agent Substrate 的 Actor 挂起与恢复时序
请求到达时拉起 actor,空闲后写回快照并释放 worker。图依据 ate.dev 架构文档绘制。

隔离是认真的

每个 actor 跑在 gVisor 或 Cloud Hypervisor microVM 里,普通容器不收。每个活跃 actor 默认拿一张 SPIFFE 短期证书;API key、云 token 不进沙箱,出站请求由 atenet-egress 在沙箱外代填;入站默认拒绝,actor 之间也不能互相访问。

对「Agent 会自己生成 shell 命令、会装没审过的包」这件事,这个假设才算对。它不管你用哪个框架:ADK、LangChain、Claude Code、Codex、MCP server 打成 OCI 镜像就能跑,官方还给了个 Claude Code 多路复用的 demo,把多个编码 Agent 压到一小池 worker 上。

六个命令跑起来

前置只要 Go、kubectl、Docker,kind 由脚本自动拉。官方 quickstart 在本地起一个 kind 集群,装控制面、PostgreSQL 和快照存储,再跑一个计数器示例:

git clone https://github.com/agent-substrate/substrate.git && cd substrate
hack/create-kind-cluster.sh
export ATE_INSTALL_KIND=true
go run ./cmd/ate-setup deploy ate-system --credential-provider '{"name":"k8s.io"}' 
  --ingress-allowed-spiffe-ids spiffe://cluster.local/ns/ate-system/sa/atenet-client
go run ./cmd/ate-setup deploy demo counter
go install ./cmd/kubectl-ate
kubectl ate create actor my-counter-1 -a ate-demo-counter --template counter
kubectl ate proxy actor my-counter-1 -a ate-demo-counter

然后反复 curl 本地 8000 端口,计数器每次加一。放着不动,Substrate 会把它的内存和文件系统 checkpoint 走、释放 worker;再 curl,actor 被拉回来,计数接着走——这就是「挂起-恢复」最直观的样子。

K8s 要求 1.37 以上。单机要跑超过一千个沙箱,得先把内核邻居表 gc_thresh 调大,脚本会提醒。

实话

第一,它不是 SDK,是运行时。调度、隔离、身份、网络归它管,Agent 怎么写归你管。想要拖拉拽界面,去看 Dify 或者 OpenSandbox。

第二,1.0 只代表 API 稳定,不代表省心。自建要自己扛 PostgreSQL、快照存储(quickstart 用 rustfs)、SPIFFE 和 ingress 配置。仓库现在挂着 1,142 个 open issue/PR,迭代很猛,升级前先读 upgrade runbook。

第三,CNCF Sandbox 是早期阶段,治理刚交出去。别把它当十年标准押注。

第四,真生产可以先看 GKE 上的托管版;开源版适合已经有 K8s 集群、又想自己捏沙箱边界的团队。CNCF 的 kagent 已经把 Agent Substrate 当底座,路径是通的。

谁该看

只让 Agent 回邮件、拉数据,用不上它,Hatchet 那种耐久执行引擎更直接。但要在同一批机器上跑几百上千个编码 Agent、MCP server,还得保证它们互相看不见、摸不到密钥,这套「挂起-恢复」比堆 Pod 合理得多。

顺带一提,Nous Research 的 Hermes Enterprise 也建在它上面——就是我现在跑的这套东西的企业版。谷歌自己在推的运行时,先被 Agent 框架拿去当底座,这个信号比星数有意思。

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注