# 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是一个受Anthropic架构启发的Go语言AI Agent服务，通过将推理层与工具执行层分离，结合持久化会话、技能扩展和沙箱运行时，为构建可靠的AI Agent应用提供了完整的工程实现参考。 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-04-17T07:45:53.000Z - 最近活动: 2026-04-17T08:24:44.198Z - 热度: 152.3 - 关键词: AI Agent, Go语言, LLM编排, 沙箱执行, 持久化会话, 技能系统, Anthropic, 生产级架构, 开源项目 - 页面链接: https://www.zingnex.cn/forum/thread/managed-agent-goai-agent-llm - Canonical: https://www.zingnex.cn/forum/thread/managed-agent-goai-agent-llm - Markdown 来源: ingested_event --- # Managed Agent：生产级AI Agent的工程化实践 随着大语言模型能力的不断提升，基于LLM的AI Agent应用正在从概念验证走向生产部署。然而，构建一个可靠、可扩展、可维护的Agent服务并非易事。Managed Agent项目提供了一个值得参考的工程化实现，它采用Go语言构建，将Anthropic提出的Managed Agents架构理念落地为可运行的代码。 ## 架构设计理念 Managed Agent的核心架构思想可以概括为"大脑与双手的分离"。具体来说： - **大脑（Brain）**：由Go服务实现，负责管理提示词、会话状态、工具调用循环和模型提供商集成 - **双手（Hands）**：由AIO沙箱提供，负责执行具体的命令、浏览器操作和文件操作 - **粘合剂（Glue）**：持久化的会话事件日志，存储在data/sessions/目录下 这种分离带来了几个显著优势： **可恢复性**：由于所有交互都记录为持久化事件，系统可以在故障后从任意状态恢复，无需重新建立上下文。 **可审计性**：完整的事件日志使得每一次Agent行为都可追溯、可审计，对于生产环境至关重要。 **可扩展性**：推理层和执行层的解耦意味着可以独立扩展或替换其中任何一方。 ## 核心功能特性 Managed Agent实现了一套完整的功能体系，涵盖了生产级Agent服务所需的关键能力： ### 持久化多轮会话 不同于无状态的API调用模式，Managed Agent维护着持久的会话状态。每个会话的历史记录、中间结果都保存在磁盘上，支持跨请求的上下文连续性。这对于需要多步骤协作的复杂任务尤为重要。 ### 流式响应与事件推送 系统采用Server-Sent Events（SSE）技术实现实时数据推送。无论是Agent的流式文本生成，还是工具执行的进度更新，都能实时推送到客户端，提供流畅的交互体验。 ### 多模型提供商支持 Managed Agent设计了抽象的提供商接口，目前支持： - **Claude**：Anthropic的旗舰模型 - **OpenAI兼容API**：包括OpenAI官方API和各类兼容服务 - **Gemini**：Google的大语言模型 这种设计使得用户可以根据需求灵活切换底层模型，而无需修改业务逻辑。 ### 原生图像内容支持 系统内置了对图像输入的支持，可以将用户上传的图片转换为各提供商原生的图像块格式。这对于构建视觉理解能力的Agent应用至关重要。 ### 技能系统（Skills） 这是Managed Agent的一个亮点设计。技能以版本化的方式组织在skills/目录下，每个技能包含： - **SKILL.md**：定义技能的系统提示词扩展 - **scripts/**：技能相关的可执行脚本 - **references/**：参考文档和资料 - **assets/**：静态资源文件 用户可以通过`/skill-name`命令激活特定技能，系统会自动将技能的提示词扩展合并到系统提示中，并将相关资源部署到沙箱环境。 ### 文件上传与下载流程 系统提供了完整的文件处理工作流： - 附件上传到沙箱环境 - 图像附件自动获取并转换为提供商格式 - 非图像文件作为沙箱路径传递给模型 - 支持从沙箱下载生成的文件 ## 技术架构详解 Managed Agent的架构可以用以下层次图表示： ``` ┌─────────────┐ HTTP/SSE ┌──────────────────────────────────┐ │ Browser / │ ◄────────────────► │ managed-agent │ │ Client │ │ │ └─────────────┘ │ ┌──────────┐ ┌─────┐ │ │ │ Session │ │Skills│ │ │ │ Store │ │Registry││ │ └──────────┘ └─────┘ │ │ │ │ │ │ ▼ ▼ │ │ ┌─────────────────┐ │ │ │ Agent Harness │ │ │ └────────┬────────┘ │ └───────────┼───────────┘ │ ┌──────────────────────────┼──────────────┐ │ │ │ ▼ ▼ ▼ ┌──────────┐ ┌──────────────┐ ┌──────────┐ │ LLM │ │ AIO Sandbox │ │ File │ │ Provider │ │ Tool Runtime │ │ Store │ └──────────┘ └──────────────┘ └──────────┘ ``` 核心请求流程如下： 1. 客户端发送消息 2. Agent Harness重建会话历史和激活的技能 3. 服务调用配置的LLM提供商 4. 模型返回文本或工具调用请求 5. 工具调用在AIO沙箱中执行 6. 结果被持久化为事件并流式返回给客户端 ## 工具执行能力 Managed Agent通过AIO沙箱提供了丰富的工具执行能力： **命令执行**：在沙箱环境中安全地执行shell命令 **浏览器自动化**：支持网页导航、元素交互等浏览器操作 **文件操作**：读取、写入、上传、下载文件 **代码执行**：提供代码执行辅助功能 这些能力通过标准化的接口暴露给LLM，使得Agent可以完成从信息检索到代码生成的各类任务。 ## 开发与部署 Managed Agent的部署过程设计得相对简洁： **环境要求**： - Go 1.23+ - 可访问的LLM API端点 - 兼容的AIO沙箱实例 **配置步骤**： 1. 复制配置模板：`cp config.example.yaml config.yaml` 2. 编辑配置文件，设置LLM和沙箱连接信息 3. 构建并运行：`go build -o managed-agent && ./managed-agent` 4. 在浏览器中打开 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 -run 'TestSandbox(Tools|Basic)' -v ./...` ## 与Anthropic架构的对应关系 Managed Agent明确标注其架构灵感来源于Anthropic的Managed Agents文章。这种对应关系体现在： - **分离推理与执行**：与Anthropic提倡的架构理念一致 - **持久化事件日志**：作为推理层和执行层之间的可靠通信机制 - **可恢复性设计**：故障后能够从事件日志重建状态 这种架构选择反映了生产级Agent系统的共同最佳实践。 ## 适用场景 Managed Agent特别适合以下应用场景： **企业内部工具**：需要与内部系统集成的AI助手，通过沙箱安全地执行各类操作 **代码生成与审查**：利用持久化会话维护代码上下文，通过工具调用执行测试和验证 **多步骤研究任务**：需要搜索、浏览、分析、总结的多阶段任务 **教育辅导系统**：通过技能系统加载不同学科的辅导策略 ## 总结与展望 Managed Agent项目为希望构建生产级AI Agent应用的开发者提供了一个扎实的起点。它展示了如何将架构设计原则转化为可运行的代码，如何在功能丰富性和工程简洁性之间取得平衡。 对于Go语言生态的开发者来说，这个项目尤其具有参考价值，因为它充分利用了Go在并发处理、部署便捷性方面的优势。同时，其对多模型提供商的支持和技能系统的设计，也为构建灵活、可扩展的Agent应用提供了可借鉴的模式。 随着AI Agent应用从实验走向生产，类似Managed Agent这样的工程化参考实现将变得越来越重要。