YOHO AI

标签： 沙箱

  • DeerFlow：字节跳动开源的超级智能体运行时，77.8K Stars 登顶 GitHub Trending

    DeerFlow：字节跳动开源的超级智能体运行时，77.8K Stars 登顶 GitHub Trending

    DeerFlow

    项目简介

    DeerFlow（Deep Exploration and Efficient Research Flow） 是字节跳动开源的一款「超级智能体运行时（Super Agent Harness）」——它把沙箱、记忆、工具、技能、子智能体和消息网关整合在一起，让 AI 智能体能够自主完成从几分钟到数小时不等的长程任务：研究、写代码、做报告、生成幻灯片，几乎无所不能。

    截至发稿，DeerFlow 在 GitHub 上已收获约 77,800+ Stars，并在 2026 年 2 月 DeerFlow 2.0 发布后一度登顶 GitHub Trending 榜首。

    环境要求与安装过程

    环境要求：Python 3.12+、Node.js 22+；推荐使用 Docker 部署（本地评估建议 4 核 8G，长期运行服务器建议 8 核 16G 起）。Linux + Docker 是推荐的生产部署环境，macOS/Windows 更适合作为开发评估环境。

    快速开始：

    # 1. 克隆仓库
git clone https://github.com/bytedance/deer-flow.git
cd deer-flow

# 2. 运行安装向导（约 2 分钟，交互式选择 LLM 提供商、搜索引擎、沙箱等）
make setup

# 3. 用 Docker 启动（推荐）
make docker-init    # 首次拉取沙箱镜像
make docker-start   # 启动服务

# 之后访问 http://localhost:2026

    随时可运行 make doctor 检查配置并获取修复建议。官方推荐搭配 Doubao-Seed-2.0-Code、DeepSeek v3.2 或 Kimi 2.5 等模型运行。

    DeerFlow 与姊妹项目 LLM Space
    配套桌面工具 LLM Space：可原型化智能体思路、逐步检查每一步、回放失败并做性能基准测试

    核心功能

    • 技能与工具（Skills & Tools）：技能是让 DeerFlow「无所不能」的核心。每个技能是一个结构化的 Markdown 能力模块，内置研究、报告生成、幻灯片制作、网页、图像与视频生成等；技能按需渐进加载，保持上下文窗口精简，对 token 敏感的模型也很友好。
    • 子智能体（Sub-Agents）：主智能体可即时派生子智能体，每个拥有独立作用域的上下文、工具与终止条件，尽可能并行执行并汇总结构化结果，最终由主智能体综合成连贯输出。
    • 沙箱与文件系统：沙箱感知的执行环境，让智能体安全地运行代码、读写文件，处理更复杂的多步任务。
    • 长期记忆：跨会话持久记住你的画像、偏好与积累的知识——写作风格、技术栈、常用工作流，用得越多越懂你。记忆本地存储，完全由你掌控。
    • 开放集成：基于 LangGraph 与 LangChain 构建，支持 MCP Server、多模型提供商、Claude Code / Codex CLI 集成、IM 渠道、飞书/Lark 集成以及 LangSmith / Langfuse 等可观测性追踪。

    典型使用场景

    • 深度研究报告：作为最初的 Deep Research 框架，DeerFlow 擅长针对复杂主题自动检索、爬取、交叉验证并输出结构化研究报告，甚至生成播客音频。
    • 内容与办公自动化：社区已用它构建数据管道、生成幻灯片、搭建仪表盘、自动化内容工作流——一个 harness 覆盖多类办公与创作任务。
    • 长程复杂任务编排：借助子智能体并行拆解、沙箱执行与长期记忆，适合需要数分钟到数小时、涉及多步骤和多工具协作的自动化流程。

    推荐理由

    DeerFlow 最打动我的地方，是它从「一个 Deep Research 框架」进化成了「开箱即用又高度可扩展的超级智能体运行时」。2.0 版本完全重写，把智能体真正落地干活所需的基础设施——文件系统、记忆、技能、沙箱、子智能体——全部内置。你既可以拿来即用，也可以拆开改造成自己的东西。加之字节跳动背书、MIT 许可、活跃维护和庞大社区，无论是想学习智能体架构，还是想搭一套自己的自动化工作台，DeerFlow 都非常值得一试。

    下载地址

    开源许可：MIT｜主要语言：Python｜Stars：约 77.8K

  • Cua：开源 Computer-Use 2.0 框架，让 AI 智能体像人一样操作电脑

    Cua：开源 Computer-Use 2.0 框架，让 AI 智能体像人一样操作电脑

    Cua 开源 Computer-Use 2.0 框架

    项目简介

    Cua 是 trycua 出品的一套开源「Computer-Use 2.0」基础设施，围绕「让 AI 智能体像人一样看屏幕、点按钮、敲键盘完成任务」这一目标，提供了四大模块——后台驱动（Cua Drivers）、智能体沙箱（Cua Sandboxes）、评测基准（Cua-Bench）与 macOS 虚拟化（Lume），覆盖从训练、评测到数据生成的全流程。它把「驱动—沙箱—评测—虚拟化」四件事拆成可独立使用又互相咬合的开源组件，MIT 协议、跨平台，并支持通过 MCP 接入 Claude Code、Cursor、Codex 等主流编码智能体。

    安装要求和过程

    环境要求：

    • Cua Drivers（后台驱动）：macOS 12+ / Windows 10+ / Linux（X11 或 Wayland）；需搭配 Claude Code、Cursor、Codex 等编码智能体。
    • Cua Sandboxes（沙箱）：Python 3.11+，pip install cua。
    • Cua-Bench（评测）：需 uv；Linux / macOS。
    • Lume（虚拟化）：Apple Silicon（M1+）macOS，依赖 Apple Virtualization.Framework。

    快速安装：

    # 1) Cua Drivers — 后台驱动原生桌面应用（macOS / Linux）
/bin/bash -c "$(curl -fsSL https://cua.ai/driver/install.sh)"
#  Windows (PowerShell)
irm https://cua.ai/driver/install.ps1 | iex

# 2) Cua Sandboxes — 任意系统的智能体沙箱
pip install cua

# 3) Lume — macOS 虚拟化
/bin/bash -c "$(curl -fsSL https://cua.ai/lume/install.sh)"

# 4) Cua-Bench — 评测与 RL 环境
git clone https://github.com/trycua/cua && cd cua/cua-bench
uv tool install -e . && cb image create linux-docker

    核心功能

    Cua 四大模块生态图

    1. 后台 Computer-Use 驱动：在 macOS / Windows / Linux 上后台驱动原生应用，智能体点击、键入、校验，全程不抢走你的光标与窗口焦点；同一套 CLI + MCP 服务器可接入 Claude Code、Cursor、Codex、OpenClaw 等。
    2. 跨 OS 智能体沙箱：一个统一 API 调度任意系统的 VM/容器（Linux / macOS / Windows / Android 及 BYOI），看屏、点击、执行代码，云端或本地（QEMU）皆可。
    3. 评测与 RL 基准（Cua-Bench）：在 OSWorld、ScreenSpot、Windows Arena 上评测 computer-use 智能体，并导出轨迹用于训练与强化学习。
    4. macOS 原生虚拟化（Lume）：基于 Apple Virtualization.Framework，在 Apple Silicon 上以近原生性能创建、管理 macOS / Linux 虚拟机，支持 unattended 无人值守安装。
    5. 开放可组合生态：cua-driver / cua-agent / cua-sandbox / cua-computer-server / cua-bench / lume / lumier 七大包，lumier 还提供 Docker 兼容接口，便于把 Lume 虚拟机接入现有编排。

    典型使用场景

    Cua 后台 Computer-Use 工作流

    • 给编码智能体一台「电脑」：把 Cua Sandbox 接进 Claude Code，让它在隔离的 macOS / Windows 虚拟机里自行打开浏览器、跑脚本、截图验证，完成端到端任务而不污染本机。
    • 后台自动化办公流：用 Cua Drivers 在后台驱动 Slack、Excel、浏览器等原生应用，自动填表、导出报表、跨软件搬运数据，你依旧能正常用电脑。
    • 评测与训练自己的 CUA 模型：用 Cua-Bench 在标准化环境里跑基准、收集轨迹，进而做监督微调或 RL，持续改进自家 computer-use 模型。

    推荐理由

    一句话：如果你在折腾「让 AI 操作电脑」，Cua 是目前最完整、最务实的开源底座。它把「驱动—沙箱—评测—虚拟化」四件事拆成了可独立使用又互相咬合的模块——想给 Agent 加双手，用 Drivers；想搞评测训练，用 Bench；想在 Mac 上批量起虚拟机，用 Lume。MIT 协议、跨平台、支持 MCP 接入主流编码助手，落地门槛低。相比闭源的 Operator / Manus 类服务，Cua 把控制权和数据都留在你手里——这正是本地优先时代最该有的样子。

    下载地址

  • CubeSandbox：给 AI Agent 的 60ms 硬件级安全沙箱，腾讯云开源（8.9K Stars）

    CubeSandbox：给 AI Agent 的 60ms 硬件级安全沙箱，腾讯云开源（8.9K Stars）

    CubeSandbox

    📌 项目简介

    CubeSandbox 是腾讯云开源的、面向 AI Agent 的即时、并发、安全、轻量沙箱服务。它基于自研的 RustVMM + KVM 微虚拟机（MicroVM）构建，主打「硬件级隔离」——每个沙箱都跑在独立的 Guest OS 内核里，从根上杜绝了 Docker 共享内核的逃逸风险。平均冷启动 <60ms、单实例内存开销 <5MB，可以放心拿它来跑 LLM 生成的不受信任代码、Agent 自动执行等高风险任务。

    🛠 安装要求与过程

    环境要求：

    • x86_64 Linux 服务器（推荐 OpenCloudOS 9，Ubuntu / Debian / CentOS 同样支持）
    • ≥ 4 核 CPU、≥ 8 GB 内存，建议挂载独立数据盘给 /data/cubelet
    • 需要 KVM 支持（云服务器若无 /dev/kvm，可开启腾讯云 PVM 嵌套虚拟化）
    • v0.5.0 起原生支持 ARM64 全栈

    一键安装：

    # 标准安装（需 /dev/kvm）
curl -sL https://github.com/tencentcloud/CubeSandbox/raw/master/deploy/one-click/online-install.sh | bash

# 云服务器无嵌套虚拟化时，开启 PVM 安装
curl -sL https://github.com/tencentcloud/CubeSandbox/raw/master/deploy/one-click/online-install.sh   | CUBE_PVM_ENABLE=1 bash

# 国内加速镜像
curl -sL https://cnb.cool/CubeSandbox/CubeSandbox/-/git/raw/master/deploy/one-click/online-install.sh   | CUBE_PVM_ENABLE=1 MIRROR=cn bash

    安装完成后打开 Web 控制台：http://<控制节点IP>:12088，三步即可上手：查看 Overview → 从 Template Store 准备模板 → 创建沙箱（Sandboxes → + New sandbox）。

    如果只想在本地 Python 里玩，也可以 pip install cubesandbox 拉起组件做开发联调。

    ⚡ 核心功能

    • 亚 60ms 冷启动 + 高密度：单实例开销 <5MB，支持空闲自动挂起/唤醒（AutoPause/AutoResume），单机可并发跑成百上千个沙箱。
    • 硬件级隔离：每个实例独立 Guest OS 内核，基于 KVM MicroVM + eBPF 虚拟交换机（CubeVS）做内核级网络隔离，不存在容器共享内核的逃逸面。
    • 无缝兼容 E2B SDK：原生兼容 E2B 协议，业务代码零改动——只把 E2B_API_URL / E2B_API_KEY 指向你自己的 CubeSandbox 即可迁移。
    • 企业级安全：凭据保险库（密钥不进沙箱/上下文/日志）、出口控制（域名白名单 + 未授权出口即时阻断 + 审计日志）。
    • 快照·克隆·回滚：基于 CubeCoW 写时复制引擎，百毫秒级打检查点，可回滚或开分支，Agent 试错零成本。

    🎯 典型使用场景

    1. 跑 LLM/Agent 生成的不受信任代码

    把模型吐出来的 Python/Shell 丢进沙箱执行，硬件隔离 + 出口白名单保证即使代码作恶也伤不到宿主。E2B 兼容意味着你现在的 Code Interpreter 代码直接换环境变量就能用：

    export E2B_API_URL=http://<你的控制节点IP>:12088
export E2B_API_KEY=<你的API Key>

from e2b_code_interpreter import Sandbox
sandbox = Sandbox()
execution = sandbox.run_code("x = 1 + 1; print('result =', x)")
print(execution.logs.stdout)   # result = 2

    2. 浏览器自动化 / 数据抓取 Agent

    给爬虫、RPA、AI 操作员一人一个干净隔离的浏览器环境，跑完即销毁，避免指纹污染和横向污染。配合 Template Store 预置好带登录态的镜像，开箱即用。

    3. 强化学习 / SWE-Bench 类大规模评测

    官方用 CubeSandbox 做 SWE-Bench RL 训练，上千个独立环境并发创建、秒级回收，单节点高密度把评测成本打下来。

    💡 推荐理由

    这两年「让 Agent 自己写代码自己跑」成了标配，但把模型生成的代码直接丢宿主机执行，等于把大门钥匙交给一个偶尔会发疯的实习生。CubeSandbox 的价值就在于：它把「隔离」这件事做到了又快又便宜又省心——60ms 启动让你几乎感觉不到沙箱的存在，<5MB 开销让并发成本可控，而 E2B 兼容意味着你不用重写一行业务代码就能把云端沙箱换成自建的、数据不出域的版本。

    对国内团队尤其友好：有 CN 镜像、有 PVM 解决云厂商嵌套虚拟化痛点、有中文文档和微信社群。想自建一套「AI 代码执行底座」，CubeSandbox 是目前最省事的开源选择之一。

    📥 下载地址

    许可：Apache-2.0（仓库主协议，部分组件为其他开源协议）。当前 Star 数约 8.9K，仍在快速增长中。