Autogent //智能体运行时系统
我们构建智能体程序背后的系统底座，让它们能在真实硬件、真实数据和真实时间里可靠、高效、安全地运行。实验室、产品和交付共用同一套工程方法。
我们做什么 // 三条主线
Autogent 围绕这三种能力交付智能体基础设施：研究给出判断，产品验证方法，交付把系统带进真实组织。
技术栈 // L1 — L8
向下浏览这套运行时栈。每一层都是现代智能体背后的系统底座，也是实验室、产品和交付共用的工程分类。
import { agent, plan, call, observe } from "@autogent/runtime";
export const guide = agent("runtime_assistant", {
steps: [
plan(({ topic }) => prompt`为 ${topic} 生成技术指南大纲`),
call.tool("mcp.search.web", { topK: 8 }),
observe(({ hits }) => evaluate(hits, { rubric: "coverage" })),
],
retries: { maxAttempts: 3, idempotent: true },
});import { agent, plan, call, observe } from "@autogent/runtime";
export const guide = agent("runtime_assistant", {
steps: [
plan(({ topic }) => prompt`为 ${topic} 生成技术指南大纲`),
call.tool("mcp.search.web", { topK: 8 }),
observe(({ hits }) => evaluate(hits, { rubric: "coverage" })),
],
retries: { maxAttempts: 3, idempotent: true },
});定义运行时如何表示一个智能体，以及调度、恢复和审计时最小的执行单元是什么。
连续批处理、优先级队列和 SLO 感知派发，让 LLM 与工具工作负载可以一起被运营。
把智能体状态作为一等资源管理：KV cache、情节记忆、共享 scratchpad 和跨步骤上下文。
通过 Firecracker、gVisor 等隔离层约束代码、浏览器和 shell 工具的权限与资源边界。
类型化工具、能力清单和策略代理共同决定智能体能调用什么、何时调用、调用到哪里。
面向多智能体协作的传输协议和协作模式，覆盖进程内、进程间和组织间边界。
工作流引擎、确定性重放和幂等键，让智能体任务不因为某台机器退出而丢失。
把 OpenTelemetry 级别的 trace、评估与成本核算贯穿整套智能体运行时。
实验室 // 核心指南
LLM 驱动的智能体正在从一次性模型调用，变成长时间运行、会使用工具、包含多步骤状态的程序。这带来了一批新的基础设施：token 感知调度器、分页 KV 缓存、分层记忆管理、microVM 沙箱、工具协议、持久执行引擎和标准化遥测。这个指南把这些组件理解为智能体运行时系统的不同层：一个类似传统操作系统加分布式运行时的系统底座，负责把智能体程序可靠、高效、安全地运行在真实硬件和真实时间里。
方案 // 产品与本地化交付
无论你在做面向用户的智能体产品，还是在受监管环境里落地企业运行时，我们都会从智能体背后的八层系统开始。
三个生产中的 C 端智能体产品，数十万月活用户，以及能证明运行时工作价值的转化数据。页面上的可靠性原语，都来自我们自己运营的系统。
我们运营自己的消费级智能体产品：付费用户、真实收入、真实值班。这里的运行时工作，就是让它们稳定运行的工作。
每月 1200 万以上会话，LLM p99 延迟低于 1.9 秒，KV 缓存命中率高于 87%。这些不是别人的模拟面板。
产品组合付费转化率 4.7%，留存曲线趋于稳定，因为智能体真的完成任务，而不只是对话。
暂停、审批和人工引导是我们每个产品的基础原语，也是用户愿意把长任务交给智能体的原因。
测试线、提示策略和评估流水线都来自我们实际运行的系统，并在第一天转移给企业伙伴。
帮我总结技术指南里的 L4 沙箱部分，重点比较 microVM 和 gVisor。
正在读取指南中的 L4 部分 · 比较 Firecracker microVM 与 gVisor 用户态内核的隔离取舍...
// 30 天滚动 · autogent 产品组合 · 2026 Q1
面向工程团队的智能体训练营。我们把你的业务域映射到八层分类，并形成可执行的 POC 范围。
架构与采购支持：运行时选型、模型策略、隔离模型和治理计划。
在你的技术栈上构建端到端薄切片：有沙箱、有观测，并按照验收标准评估。
在本地或你的云环境生产上线，包括知识转移、运行手册和 90 天运维陪跑。
工作方式 // 交付原则
在公开案例和社交渠道正式上线之前，我们先展示更重要的信号：清晰的系统边界、生产环境验证和可转移的工程能力。
运行时想法会先放进真实用户、真实流量、真实故障和真实支持压力的系统里验证，再交付给伙伴。
我们明确运行时、工作流引擎和治理系统的边界，确保关键路径可观测、可恢复、可审计。
每次合作都会留下运行手册、架构决策、评估线和你的团队可以自己运维的运行时。
Autogent Lab // 笔记
来自生产级智能体运行时建设者的现场笔记、设计札记和参考架构。
把 KV cache 当作数据库看待：分页、可驱逐、可跨智能体共享。运行时的很多设计会自然落位。
Temporal 不是你的智能体运行时。LangGraph 也不是你的工作流引擎。把边界命名清楚，两者都会更好。
当智能体可以执行 shell 命令时，Firecracker、gVisor 和普通容器并不是可互换选项。
持续更新实验室写作。
进入实验室 →