Managed Agent：基于Go的AI Agent服务架构，实现LLM编排与沙箱执行的解耦

Managed Agent是受Anthropic架构启发的Go语言AI Agent服务，通过分离推理层（大脑）与工具执行层（双手），结合持久化会话、技能扩展和沙箱运行时，为构建可靠的生产级AI Agent应用提供完整工程实现参考。

随着大语言模型能力提升，基于LLM的AI Agent正从概念验证走向生产部署，但构建可靠、可扩展、可维护的Agent服务面临诸多困难。Managed Agent项目将Anthropic提出的Managed Agents架构理念落地为可运行代码，旨在解决这些工程化问题。

Managed Agent核心架构为"大脑与双手分离"：

• 大脑：Go服务实现，负责提示词管理、会话状态、工具调用循环和模型提供商集成
• 双手：AIO沙箱提供，负责执行命令、浏览器操作和文件操作
• 粘合剂：持久化会话事件日志（存储于data/sessions目录） 该设计带来可恢复性（故障后从事件恢复）、可审计性（行为可追溯）、可扩展性（推理与执行层独立扩展）三大优势。

Managed Agent具备完整功能体系：

1. 持久化多轮会话：维护磁盘上的会话历史与中间结果，支持跨请求上下文连续性
2. 流式响应与SSE推送：实时推送文本生成及工具执行进度
3. 多模型支持：兼容Claude、OpenAI兼容API、Gemini等，可灵活切换
4. 原生图像支持：转换用户上传图片为模型原生格式
5. 技能系统：版本化技能（含提示词扩展、脚本等），通过/skill-name激活
6. 文件处理：沙箱上传/下载、图像转换、非图像文件路径传递

技术架构层次：客户端→managed-agent服务（会话存储、技能注册→Agent Harness）→LLM提供商、AIO沙箱、文件存储 核心请求流程：客户端发消息→Agent Harness重建会话与技能→调用LLM→模型返回文本/工具请求→沙箱执行工具→持久化事件并流式返回 工具执行能力：沙箱内安全执行shell命令、浏览器自动化、文件操作、代码执行等。

部署步骤：

1. 复制config.example.yaml为config.yaml并配置LLM/沙箱信息
2. 构建运行：go build -o managed-agent && ./managed-agent
3. 访问http://localhost:8080 测试策略：单元测试（go test ./...）、沙箱集成测试（RUN_SANDBOX_TESTS=1 go test ...） 适用场景：企业内部工具、代码生成与审查、多步骤研究任务、教育辅导系统

Managed Agent为生产级AI Agent应用提供扎实起点，展示架构原则到代码的转化，平衡功能丰富性与工程简洁性。对Go生态开发者尤其有价值，利用Go并发与部署优势，支持多模型与技能系统。随着AI Agent走向生产，此类工程化参考将更重要。