2025 年 10 月 29 日

#AIO Sandbox：为 AI Agent 打造的一体化、可定制的沙箱环境

#背景

随着 LLM 的持续演进，AI 的应用形态经历了三代跃迁：

• Chatbot：对话式交互，回答问题
• Copilot：辅助协作，提升效率
• Agent：自主执行，完成任务

Agent 能够自主感知环境、规划步骤、调用工具，能够像人类一样操作计算机：自动浏览网页收集信息、生成并运行代码分析数据、执行系统命令管理文件，甚至通过可视化界面完成复杂的多步骤操作。这种能力使 Agent 的交付成果接近甚至超越人类专业水准。

#痛点

1. 🧩 环境割裂：多个单功能沙盒（如 E2B 支持代码执行，Browserbase 支持浏览器）迫使 Agent 通过 NAS/OSS 跨沙箱传输数据，增加延迟与复杂度。如：深度研究 Agent 完成『将一篇论文 Paper 做成 PPT』需在多沙箱间交换数十个中间文件（JSON 配置、图表图片、预览截图等），增加整个 Agent 系统复杂度和开销。

2. 🎁 定制困难：不同类型的 Agent 需要预装不同的技术栈，传统沙箱提供统一的预装环境，既无法满足所有 Agent 的个性化需求。

3. 🔒 安全隔离难： 既要让 Agent 拿到真实系统能力（网络、文件、浏览器、GPU），又要强隔离避免越权与数据外泄。
4. 🖥️ 可视化交互困难： 复杂 Agent 任务需要人工接管，功能沙箱需要集成 VNC、Terminal、VSCode 保持一致体验。分辨率切换、截图与 GUI 视觉操作。
5. 🌐 浏览器环境复杂度高：反自动化与指纹风控，CDP 不稳定性、带用户名密码的代理支持不完善、GUI 操作缺失。

一台配置完善的电脑能显著提升人类的办公效率；同样，一个功能强大的沙箱环境也能提升 Agent 的任务质量与执行速度。

#介绍

一句话介绍：AIO Sandbox 在一个沙盒内中集成浏览器、代码执行、终端、可视化接管、正反向代理、MCP、鉴权等基础功能，可根据需求进行沙盒环境定制，让不同的 Agent “在一个环境容器内中更高效地完成任务”。

• 官网：sandbox.agent-infra.com

• Github：github.com/agent-infra/sandbox

• API：sandbox.agent-infra.com/api

• 论文：arxiv.org/pdf/2509.02544#S2.SS2

#特性

• 📦 开箱即用：通过 /mcp 协议直连沙箱能力，同时提供 API / SDK 定制沙箱工具集。
• 🚀 秒启动：沙盒全服务启动在秒级完成，预缓存/冷启动后达到毫秒级拉起。
• 🌈 定制化：各垂直场景的 Agent 需配套领域工具与依赖；AIO 以统一镜像基座，用约定式路由和服务配置支持按需扩展。
• 🌐 浏览器：集成 Web Infra 的 RS 轻量内核，提供 CDP、截图、纯视觉 GUI 操作、Proxy 代理配置。
• 🔄 人工接管：提供 浏览器 VNC、Code Server、Terminal，支持任务中途人工接管与调试。
• 📡 代理与转发：支持带账密的正向代理；将 {port}-{domain} 泛域名或 /proxy|/absproxy/{port} 路径映射到沙箱内服务（便于预览/演示）。
• 🔒安全鉴权：JWT Bearer 访问控制；对无法携带 Header 的链接提供短时票据（Short-Lived Ticket）。

#示例

指令	回放	截图
帮我设计一个有趣的网站，为在上小学的孩子介绍侏罗纪和白垩纪时期的蜥脚类恐龙。希望网站是卡通风格的。	Replay
搜索关于字节跳动 Seed 1.6 模型的新闻，然后以现代风格编写一个网页并部署	Replay
根据这张 OSWorld 图片，请在互联网上查找最新信息并为其设计一个现代化的网站。	Replay
玩 Poki 2048 游戏	Replay

更多见：https://seed-tars.com/showcase/ui-tars-2

#快速上手

#云端

一键部署 All-in-One Sandbox 应用--函数服务-火山引擎

#本地

前置需要安装 Docker，一键本地启动：

docker run --security-opt seccomp=unconfined --rm -it -p 8080:8080 ghcr.io/agent-infra/sandbox:latest

# 国内加速访问
# docker run --rm -it -p 8080:8080 enterprise-public-cn-beijing.cr.volces.com/vefaas-public/all-in-one-sandbox:latest

#系统架构

#整体

AIO Sandbox 面向 Agent 提供 Browser、File、Shell、Code 等基础能力，提供可扩展性支持开发者根据 Agent 需求组合与定制专属沙箱（如AIO Sandbox for 移动端/医疗/法务/金融/科研）。 沙箱定制程度依次递增：

1. Standard（开箱即用）：通过 /mcp 接入点对 Agent 即插即用，适用于快速 PoC Agent 验证。
2. Custom Toolset（工具 / Skills 扩展）：不改镜像，基于 SDK / API 增加或编排工具（如增加 web_search搜索）；同时扩展出 Skills 实现特定沙盒任务的自动化处理。
3. Custom Image（定制镜像）：基于 FROM aio.sandbox基础镜像，安装特定的基础依赖（如多媒体/图像处理等），挂载自定义服务（例如 /custom_tools/ocr 图像识别）。

#基础组件

#浏览器

面向 Agent 的浏览器环境，核心在于提供出 CDP 和 VNC，主流 Browser Use 框架都可以直接使用； AIO 提供了基于 x11 的浏览器 GUI 视觉操作接口，可以与 CDP 方式组合出更高效、更低风控率的 Browser Use 方案。

#CDP

CDP （Chrome Devtools Protocol）是一种用于与 Chrome 或 Chromium 浏览器通信的协议，通过 WebSocket 提供浏览器控制 API，可以执行导航与加载、DOM 操作、JS 执行/调试、网络拦截与模拟、截图与渲染、安全与权限等。 为更直观了解，以下示例是用 CDP 发起一个 navigate 页面导航指令：

'/Applications/Google Chrome.app/Contents/MacOS/Google Chrome' \
    --disable-gpu \
    --user-data-dir=./test \
    --remote-debugging-port=9222 \
    https://www.chromestatus.com

访问 http://localhost:9222/json/version，其中webSocketDebuggerUrl就是 CDP 地址：

$ curl http://localhost:9222/json/version
{
   "Browser": "Chrome/141.0.7390.66",
   "Protocol-Version": "1.3",
   "User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/141.0.0.0 Safari/537.36",
   "V8-Version": "14.1.146.11",
   "WebKit-Version": "537.36 (@95681a3c3d516c397b75ff45b8980c1088666775)",
   "webSocketDebuggerUrl": "ws://localhost:9222/devtools/browser/a6c5f19f-5d24-4bed-ba08-9c15cf5aeedb"
}

与 CDP 建立 WebSocket 连接后，就可以执行浏览器指令：

注：AIO Sandbox 不直接暴露 CDP 接口 /json/version，而是通过 uvicorn 服务中转 CDP 并增加了心跳检测，避免出现 ws 断连问题。

#GUI 视觉操作

截图 不同于基于 CDP 的截图，视觉的截图 /v1/browser/screenshot是带 Tabs（即整个浏览器窗口），操作也是面向整个浏览器窗口。

GUI 浏览器截图（Tabs）	基于 CDP 的页面截图（Page）

不同于 CDP 的浏览器操作，视觉操作 /v1/browser/actions上模拟人类行为进行点击、输入、滑动等操作，可以减少目标网站的风控策略。

统一动作空间 将 GUI 操作抽象为可组合的最小原子动作，如移动鼠标、点击、拖动、滚动、按键、输入文本，以及额外的工具函数如等待，尽可能对齐 VLM 视觉模型在执行实际动作的一致性。

#接管

当 Browser Use 遇到要登录的情况，一般需要人工接管，需要提供可交互的浏览器界面，目前有两种做法：

1. VNC 接管：AIO Sandbox 提供 /vnc/index.html页面，用户可直接交互。

2. 前端通过 CDP 连接，在 Canvas 上实时重绘完整浏览器界面（Playground）；我们把前端部分封装了一个组件 @agent-infra/browser-ui。如下左为实际浏览器，右为 browser-ui 投屏：

两种接管方式的差异大致如下：

#命令行解释器

对于 Coding Agent，大部分任务都可以通过命令行执行完成。设计 Shell 模块时，以 OpenHands 的 CmdRunAction 为执行引擎，配合 tmux，实现多会话（multi-session）执行能力。

#文件操作

文件/代码编辑只需要两个工具就足够：

• 文件增改查：封装文件读取/写入/列目录/新建/上传/下载等基础 I/O，配合路径校验与权限控制，覆盖通用文件操作场景。

• 文本编辑器：实现面向模型的细粒度编辑工具 str_replace_editor，支持：

  • view（查看文件或目录，含行范围）
  • str_replace（精确字符串替换）
  • insert（按行插入，旧版支持）
  • undo_edit（撤销）

#代码执行

综合权衡语言覆盖与镜像体积，使用 Sandbox Fusion 里的 Python 3.10/3.11/3.12 与 Node.js 22 运行时，并为代码执行提供一体化的安全隔离环境。

#MCP Servers 聚合器

通过统一入口 /mcp 聚合多个 MCP Server（例如 chrome-devtools-mcp），支持参数级过滤，并可为工具名添加前缀（namespacing）。

按 search 过滤 MCP Servers，后续将扩展标签（tags）与类别（category)等多维过滤，减少冗余调用并降低模型 token 开销。

#代理

在 Agent 沙箱里，一般涉及两类场景，分别对应正反向代理：

1. 正向代理：Browser Use Agent 可访问私有/全球网络

2. 反向代理：Coding Agent 在沙箱内开发的服务对外开放，供用户侧预览

#正向代理

使用 TinyProxy 代理服务器，绕过地理限制、访问受限内容或在企业内网中提供安全访问。

为什么 Chrome 有 --proxy-server 指定代理，为什么要引入 TinyProxy 代理服务器？ 在 Chromium 官方文档 写明不会使用任何嵌入在代理设置里的用户名/密码（例如 http://user:pass@host:port 这种），认证要走单独的质询弹窗，影响整个 Browser Use 使用（如下图）：

#反向代理

提供两种访问 Sandbox 内部服务端口的方法：

1. subdomain 泛域名转发（推荐）：只要满足 ${port}-${domain} 的域名格式，都会被转发到沙盒内的端口上。

   

2. subpath 子路径转发：会遇到非常多问题：对于路由敏感服务（如前端项目）会因为额外的 /proxy|absproxy/${端口} 路径造成资源匹配 404。

#鉴权

Agent 在沙箱里会产生用户数据，为了在不侵入、不修改任何既有业务路由配置、同时不增加未来扩展的路由配置的心智负担的前提下，实现 AIO Sandbox 全局统一鉴权，在内部 Nginx 网关层设计了**“非对称加密 + JWT”** 反向代理架构来实现鉴权：

#如何开启（一次配置）

• 生成密钥对

openssl genrsa -out private_key.pem 2048
openssl rsa -in private_key.pem -pubout -out public_key.pem
echo "密钥对生成完毕！"

• 启动服务（带公钥开启鉴权），使用环境变量 JWT_PUBLIC_KEY

export JWT_PUBLIC_KEY=$(cat public_key.pem | base64)
JWT_PUBLIC_KEY="${JWT_PUBLIC_KEY}"

#签发 JWT

业务服务用私钥生成一个有效期为 1 小时的 JWT，以下是简化的脚本来生成 JWT，实际中业务后端应使用成熟的 JWT 库：

# 这是一个简化的脚本来生成JWT，实际中业务后端应使用成熟的 JWT 库 base64url_encode() { openssl base64 -e -A | tr '+/' '-_' | tr -d '='; }
header='{"alg":"RS256","typ":"JWT"}'
exp_time=$(($(date +%s) + 3600))
payload="{\"exp\":${exp_time}}"
to_be_signed="$(echo -n "$header" | base64url_encode).$(echo -n "$payload" | base64url_encode)"
signature=$(echo -n "$to_be_signed" | openssl dgst -sha256 -sign private_key.pem | base64url_encode)
jwt="${to_be_signed}.${signature}"echo "JWT已生成: ${jwt}"

#使用

1. Header 鉴权

   curl --silent -X GET "http://localhost:8080/v1/sandbox" \
        -H "Authorization: Bearer ${jwt}"

2. 短时票据鉴权示例（以 VNC 页面访问为例）：直接访问无法通过加 Header 方式完成鉴权，只能通过 ?ticket= 票据以 query 参数方式发起访问。

   • 使用 JWT 从通用端点获取票据（默认有效期是 30s，要增加通过 TICKET_TTL_SECONDS 环境变量配置）

   echo "使用JWT换取通用的一次性票据..."
   
   ticket_response=$(curl --silent -X POST "http://localhost:8080/tickets" \
        -H "Authorization: Bearer ${jwt}")
   
   ticket=$(echo "$ticket_response" | jq -r .ticket)
   expires=$(echo "$ticket_response" | jq -r .expires_in)
   
   echo "获取成功！票据: ${ticket}, 有效期: ${expires}秒"
   • 客户端构建并使用 VNC URL**：** 现在，就可以使用获取到的 ${ticket} 变量来构建 VNC URL 并发起访问了。

   # Bash脚本模拟客户端拼接URL
   vnc_url="http://localhost:8080/vnc/index.html?ticket=${ticket}&path=websockify%3Fticket%3D${ticket}"
   
   echo "客户端构建的最终URL: ${vnc_url}"
   
   # 模拟访问 (实际应在浏览器中进行)
   # curl -I "${vnc_url}"

#扩展与生态

#定制镜像

在 AIO 里，会按约定目录方式，自动挂载服务进程（supervisord）和服务路由（Nginx）

• 服务进程目录：/opt/gem/supervisord/*.conf
• 路由目录：/opt/gem/nginx/*.conf

如果在 AIO 镜像基础上定制服务和路由，可参考以下镜像代码：

FROM enterprise-public-cn-beijing.cr.volces.com/vefaas-public/all-in-one-sandbox:latest

# ----------------------
# 安装额外系统依赖（若有）
# installed path: /usr/bin/*
# ----------------------
RUN set -eux; \
    apt-get update; \
    apt-get install -y --no-install-recommends \
        ${your_system_dep} \
        --no-install-recommends; \
    # clean up
    apt-get clean && \
    rm -rf /var/lib/apt/lists/*;

# ----------------------
# npm 安装（若有）
#
# ----------------------
RUN npm i -g ${your_npm_package}

# ----------------------
# python pip 安装（若有）
# installed path: /usr/local/bin/*
# ----------------------
RUN pip install ${your_python_package}

# 添加自定义 Server 服务
COPY ./supervisord.agent_server.conf /opt/tiger/run/supervisord/agent_server.conf
# 绑定 Nginx 路由
COPY ./nginx.agent_server.conf /opt/gem/nginx/nginx.agent_server.conf

# # 若不需要 AIO 里的服务，可进行删除，例如 Code Server
# ## 删除 Code Server 进程和路由
# RUN rm -rf /opt/gem/supervisord/supervisord.code_server.conf
# ## 删除 Code Server 路由
# RUN rm -rf /opt/gem/nginx/code_server.conf

#SDK 集成

借助 fern 将 AIO Sandbox 里的接口文档直接转成 Python / Go / Node.js SDK，以 Python 为例，几行代码串联起 AIO Sandbox 里的核心功能：

from agent_sandbox import Sandbox

client = Sandbox(base_url="http://localhost:8080")

# Execute Shell
shell_res = client.shell.exec_command(command="ls -la")
print(shell_res.data.output) # /home/gem

# Browser Screenshot
screenshot = client.browser.screenshot()
print(screenshot)

# Get Browser CDP
browser_info = client.browser.get_browser_info()
cdp_url = browser_info.data.cdp_url # ws://

# Read File
file_res = client.file.read_file(file="/home/gem/.bashrc")
print(file_res.data.content)

更多使用示例参考：agent-infra/sandbox#examples

#browser-use

只需增加 4 行代码接入社区的 browser-use：

完整代码见：browser-use#main.py

#LangGraph-DeepAgents

完整代码见：langgraph-deepagents#main.py

#自定义工具集

可使用 API / SDK 来组合 Agent 所需要的高阶工具集，例如 link_reader给 url 地址返回页面内容：

from openai import OpenAI
from agent_sandbox import Sandbox
import json

client = OpenAI(
    api_key="your_api_key",
)
sandbox = Sandbox(base_url="http://localhost:8080")

tools = [{
    "type": "function",
    "function": {
        "name": "link_reader",
        "description": "渲染并读取网页，返回标题、正文与最终URL（基于CDP）。",
        "parameters": {
            "type": "object",
            "properties": {
                "url": {"type": "string", "format": "uri"},
                "timeout_ms": {"type": "integer", "default": 30000}
            },
            "required": ["url"]
        }
    }
}]

async def link_reader(url: str, timeout_ms: int = 30_000) -> dict:
    cdp_url = sandbox.browser.get_browser_info().cdp_url
    async with async_playwright() as p:
        browser = await p.chromium.connect_over_cdp(cdp_url)
        try:
            page = await browser.new_page()
            await page.goto(url, wait_until="networkidle", timeout=timeout_ms)
            title = await page.title()
            text = await page.evaluate("document.body.innerText || ''")
            return {"final_url": page.url, "title": title, "text": text[:8000]}
        finally:
            await browser.close()

#部署

目前最佳的公有云部署形态是函数计算，并基于 Sandbox 指定实例访问能力：一键部署 All-in-One Sandbox 应用--函数服务-火山引擎

#总结与展望

AIO Sandbox 提供一体化、可定制的基座环境（Agent Env），使 Agent 能在同一环境内完成浏览、执行代码、运行命令与文件操作等多样化任务，并支持根据不同 Agent 定制专属的领域沙盒。这一沙盒体系也将伴随 Agent 智能上限的提升与开发者创造力的激发，持续进化与扩展。 后续，我们将围绕稳定性、可观测性与生态集成持续打磨，不断完善评测体系与最佳实践，推动 AIO Sandbox 在更多大规模、高要求的 Agent 应用场景中实现稳健落地与高效运行。

#附录

#名词解释

#参考

• UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning
• AIO Sandbox: All-in-One Sandbox for AI Agents & Developers
• Agentic AI基础设施实践经验系列（二）：专用沙盒环境的必要性与实践方案
• Writing effective tools for AI agents—using AI agents
• Unifying the Computer Use Action Space