Cloudflare Dynamic Worker Loader: Изоляция AI-агентов с помощью изолятов

✍️ OpenClawRadar📅 Опубликовано: 24 марта 2026 г.🔗 Source
Cloudflare Dynamic Worker Loader: Изоляция AI-агентов с помощью изолятов
Ad

Что делает Динамический загрузчик воркеров

Динамический загрузчик воркеров — это API, который позволяет воркеру Cloudflare создавать новый воркер с кодом, указанным во время выполнения, работающим в собственной защищенной песочнице. Это решает проблему безопасности при выполнении кода, сгенерированного ИИ, без уязвимостей для вашего приложения.

Техническая реализация

Функция использует изоляты — экземпляры движка выполнения JavaScript V8 — в качестве механизма песочницы. Изоляты запускаются за несколько миллисекунд и используют несколько мегабайт памяти, что делает их примерно в 100 раз быстрее и в 10–100 раз эффективнее по памяти, чем типичные контейнеры Linux.

Вот базовый шаблон кода из источника:

// Пусть ваш LLM генерирует код, например, такой.
let agentCode: string = `
  export default {
    async myAgent(param, env, ctx) {
      // ...
    }
  }
`;

// Загрузите воркер для выполнения кода let worker = env.LOADER.load({ compatibilityDate: "2026-03-01", mainModule: "agent.js", modules: { "agent.js": agentCode }, env: { CHAT_ROOM: chatRoomRpcStub }, globalOutbound: null, });

// Вызовите RPC-методы, экспортированные кодом агента await worker.getEntrypoint().myAgent(param);

Ad

Ключевые возможности

  • Нет глобальных ограничений на параллелизм: В отличие от решений на основе контейнеров, нет ограничений на количество параллельных песочниц или скорость их создания
  • Нулевая задержка: Динамические воркеры обычно работают на той же машине и потоке, что и создающий их воркер
  • Глобальное развертывание: Поддерживается во всех сотнях локаций Cloudflare по всему миру
  • Контроль безопасности: Можно блокировать доступ в интернет (globalOutbound: null) или перехватывать его
  • Доступ к API на основе RPC: Агенты могут получать доступ к определенным API через RPC-заглушки, определенные в параметре env

Контекст и ограничения

Этот подход основан на концепции режима кода Cloudflare, где агенты пишут код вместо вызова инструментов. Основное ограничение по сравнению с контейнерами заключается в том, что агентам нужно писать на JavaScript (хотя воркеры технически поддерживают Python и WebAssembly). Для небольших фрагментов кода, сгенерированных агентами ИИ, JavaScript загружается и выполняется быстрее.

📖 Прочитайте полный источник: HN AI Agents

Ad

👀 Смотрите также

Adam CAD Harness интегрируется с Fusion и Onshape для агентного редактирования CAD
Инструменты

Adam CAD Harness интегрируется с Fusion и Onshape для агентного редактирования CAD

Агентская CAD-оснастка Adam теперь интегрируется с Autodesk Fusion и PTC Onshape, читая и редактируя дерево построения с помощью естественного языка. Установка одной командой для macOS/Windows.

OpenClawRadar
Навык OpenClaw atoship превращает AI-ассистента в менеджера по доставке.
Инструменты

Навык OpenClaw atoship превращает AI-ассистента в менеджера по доставке.

Навык atoship для OpenClaw позволяет пользователям описывать потребности в доставке простым английским языком, а затем система сама выбирает перевозчика, сравнивает тарифы, покупает этикетки и отслеживает отправления. Пример команд: 'отправь эту коробку весом 1 фунт в Нью-Йорк, самый дешёвый вариант'.

OpenClawRadar
Агентская комната: Десктопное приложение для визуализации команд кодовых агентов Claude
Инструменты

Агентская комната: Десктопное приложение для визуализации команд кодовых агентов Claude

Agents Room — это настольное приложение на Electron, которое сканирует папки .claude/agents/, читает frontmatter и визуализирует связи между агентами на холсте с автоматическими соединительными линиями. Оно позволяет создавать/редактировать агентов, навыки и команды прямо в интерфейсе, вместо редактирования markdown-файлов.

OpenClawRadar
PhAIL Benchmark Проверяет Модели VLA на Реальных Задачах Складских Роботов
Инструменты

PhAIL Benchmark Проверяет Модели VLA на Реальных Задачах Складских Роботов

PhAIL — это бенчмарк для реальных роботов, который тестирует четыре модели «зрение-язык-действие» на задаче подбора заказов из ящика в ящик с использованием робота Franka FR3. Лучшая модель показала результат 64 единицы в час, в то время как при телеуправлении человеком достигается 330 ед./ч, а при ручной работе человека — более 1300 ед./ч.

OpenClawRadar