サンドボックス外のエージェントハーネス: 持続的実行とコールドスタート

Mendralのブログでは、エージェントハーネス(LLMにプロンプトを送信し、ツールコールを実行し、結果をフィードバックするループ)は、特にマルチユーザーエージェントの場合、サンドボックスの外部で実行すべきだと主張しています。2つのアーキテクチャを比較し、外部モデルを採用する際に解決した3つの課題を詳述しています。
2つのアーキテクチャ
- ハーネスをサンドボックス内に配置: ループは、処理対象のコードと同じコンテナ内に存在します。ツールコール(bash、read、write)はローカルで実行されます。スキルやメモリはコンテナのファイルシステム上のファイルです。これはClaude Codeがローカルで行っている方法です。実行モデルはシンプルですが、認証情報がサンドボックス内にあり、サンドボックスがセッションそのものであるため(セッションを失うと進捗も失われる)、マルチユーザー環境では分散ファイルシステムの問題が生じます。
- ハーネスをサンドボックス外に配置: ループはバックエンドで実行され、APIを介してサンドボックスを呼び出してツールを実行します。認証情報はサンドボックス外に保たれるため、権限モデルが不要になります。サンドボックスはアイドル時に一時停止でき、使い捨て可能(障害に耐える)になり、マルチユーザー共有は分散ファイルシステムではなく共有データベースの問題になります。
解決した3つの課題
- 永続的な実行: エージェントセッションは数時間実行される可能性があり、デプロイや障害にも耐える必要があります。MendralはチェックポイントにInngestを使用しています。各ターンがステップとなり、サーバーが再起動してもループは中断したところから再開します。
- 低コールドスタートを実現するサンドボックスのライフサイクル: ループはほとんどの時間(LLM呼び出し中など)中断されています。Blaxelを使用して、スタンバイ状態から約25msでサンドボックスを再開し、インタラクティブなターン中の数秒に及ぶコールドスタートを回避しています。
- ファイルシステムの抽象化: ハーネスとサンドボックスが異なるマシン上にあるため、共有ファイルシステムは利用できなくなります。Mendralはこれに対処する必要があったと述べていますが、この記事では最初の2つを解決すべき主要な課題として焦点を当てています。
この記事では、永続的な実行とコールドスタート処理の複雑さにもかかわらず、外部モデルがマルチユーザー設定に優れていると結論付けています。
📖 Read the full source: HN AI Agents
👀 See Also

ストライプのミニオン:ワンショットAIコーディングエージェント
Minionsは、LLMを活用したエンドツーエンドの自動化により開発者の生産性を向上させることを目指す、StripeのワンショットAIコーディングエージェントです。

OpenRouterは、Hunter/Healer AlphaモデルがMiMo V2のバリアントであることを確認しました。
OpenRouterの以前はステルスだったHunter AlphaとHealer Alphaモデルは、MiMo V2のバリアントであることが確認されました。Hunter Alphaは1Mコンテキストウィンドウを持つMiMo V2 Proテキスト専用推論モデルであり、Healer Alphaは262Kコンテキストウィンドウを持つMiMo V2 Omniテキスト+画像推論モデルです。

オープンクロー実験:信号対雑音比を向上させるために沈黙を選ぶAIエージェント
OpenClawの実験では、AIエージェントに価値を追加できない場合にタスクをスキップする自律性を与え、その判断理由を「サイレンスログ」に記録します。このシステムは、コンテンツ生成前にLLM呼び出しを行い、3日連続でサイレンスが続いた後は閾値を自動調整します。

AIが私を愚かにしている:スキル萎縮に悩む開発者の告白
James Painは、AIのみを使ってコーディング(手書きコードなし)を1〜2年続けた結果、コーディング方法をほとんど忘れてしまったと告白している。現在、再び手書きでのコーディングを学び直しており、AIへの過度の依存はライティングやコーディングのスキルを低下させると警告している。