DeepSeek 披露 DSec 弹性计算沙箱架构：日均运行 300 万沙箱，支撑下一代 Agent 强化学习

核心背景与行业痛点 随着编码智能体（Coding Agents）从传统的单步补全向多轮交互与自主 Debug 演进，模型在训练与推理阶段需要进行海量的真实代码执行、依赖安装与单元测试。传统云原生沙箱（如标准 Kubernetes Pod 或完整虚拟机）存在冷启动缓慢（秒级甚至十秒级）、资源密度低、调度开销过大等致命痛点，无法满足日均百万次级 Agentic RL 强化学习的高频反馈需求。 ### 架构亮点与底层机制 DeepSeek 打造的 DSec 系统采用了定制化轻量微虚拟机（MicroVM）与内核共享沙箱技术。核心技术亮点包括： 1. 极速状态快照（Instant Snapshotting）：预热基础镜像与通用语言运行环境（Python、Node.js、Rust），通过写时复制（Copy-on-Write）技术实现 180ms 内极速拉起沙箱； 2. 弹性资源拓扑池：根据 Agent 任务复杂度动态分配 CPU/内存配额，支持任务完成后立即回收与无缝清洗； 3. 多维安全边界审计：针对模型可能生成的危险系统调用与反向 Shell 进行内核级 eBPF 实时拦截，仅放行被白名单约束的网络请求与评测依赖包下载。 ### 权威 Benchmark 与实测跑分对比 在基准测试中，DSec 相较于传统 Docker 容器方案将启动延迟降低了 82%，每台物理宿主机的沙箱并发密度提升了 4.5 倍。在支撑 DeepSeek-V4.1-Flash 的大规模交互式强化学习训练中，系统实现了 99.98% 的任务执行成功率，且日均 300 万次沙箱运行的资源消耗仅为传统虚拟化架构的三分之一。 ### 开发者实战落地与开箱指南 对于需要自行搭建 Agent 执行环境的团队，DeepSeek 建议： - 优先参考其轻量沙箱与 eBPF 安全过滤架构设计，避免直接在宿主机裸跑 Agent 生成的 Bash 脚本； - 结合国内开发者网络环境，可直接配置国内镜像源以加速 Agent 执行依赖安装； - 关注 DeepSeek 官方 GitHub 仓库发布的最新 Agent 评测工具集，实现与 DSec 架构兼容的标准化评估流程。