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

引言：

AI Agent 在执行复杂任务时，常需在浏览器、代码执行、文件系统之间切换。传统多沙箱方案面临环境割裂、数据搬运、鉴权复杂等问题。AIO Sandbox 通过一个 Docker 镜像整合所有能力，提供统一文件系统与鉴权，并支持镜像定制，提升了 Agent 任务执行与交付效率。

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

🧩 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。

🎁 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。

🔒 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。
🖥️ 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。
🌐 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"。

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：seed-tars.com/showcase/ui...

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：

bash 复制代码

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 --security-opt seccomp=unconfined --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：

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。
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。
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：

Bash 复制代码

'/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：

Bash 复制代码

$ 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。

action_type	描述	必需参数	可选参数
`MOVE_TO`	移动鼠标到指定位置	`x`, `y`	-
`MOVE_REL`	移动当前鼠标的相对位置	`x_offset`，`y_offset`	-
`CLICK`	点击操作	-	`x`, `y`, `button`, `num_clicks`	\
`MOUSE_DOWN`	按下鼠标按钮	-	`button`
`MOUSE_UP`	释放鼠标按钮	-	`button`
`RIGHT_CLICK`	右键点击	-	`x`, `y`
`DOUBLE_CLICK`	双击	-	`x`, `y`
`DRAG_TO`	拖拽到指定位置	`x`, `y`	-
`DRAG_REL`	当前鼠标拖拽的相对位置	`x_offset`，`y_offset`	-
`SCROLL`	滚动操作	-	`dx`, `dy`
`TYPING`	输入文本	`text`	-
`PRESS`	按键	`key`	-
`KEY_DOWN`	按下键盘按键	`key`	-
`KEY_UP`	释放键盘按键	`key`	-
`HOTKEY`	组合键	`keys` (数组)，例如：`["ctrl", "c"]`	-	\
`WAIT`	等待	`duration` 时间（秒 s）	-

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：

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

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：

对比维度	VNC	Canvas + CDP（Chrome DevTools Protocol）
技术原理	远程桌面协议，传输整个屏幕像素	通过 CDP 控制浏览器，Canvas 渲染内容
传输协议	RFB (Remote Framebuffer)	WebSocket + CDP
传输内容	完整浏览器画面（有 Tabs）	仅浏览器当前 page 内容（默认没有 Tabs，可以单独实现）
带宽占用	高（10-50 Mbps）	低（1-5 Mbps）
延迟	较高（50-200ms）	较低（10-50ms）
稳定性	不易断连	易断连，需要手动增加与 CDP 心跳，避免断连
CPU占用	高（桌面编码）	低（仅浏览器渲染）
内存占用	高（需要完整桌面环境）	低（仅浏览器进程）
控制范围	整个浏览器	仅浏览器内部页面
自动化能力	基础（鼠标键盘模拟）	强大（DOM操作、网络拦截、JS注入等）
多窗口支持	✅ 支持	❌ 仅单个浏览器窗口
文件操作	✅ 可以操作本地文件	❌ 受浏览器沙箱限制

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：

正向代理：Browser Use Agent 可访问私有/全球网络
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：

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。
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

Shell 复制代码

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

Shell 复制代码

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：

Shell 复制代码

# 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

Header 鉴权

Shell 复制代码

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

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）

Bash 复制代码

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 复制代码

# 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：

Dockerfile 复制代码

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：

Python 复制代码

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：

Python 复制代码

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

名词	解释
Agent	在 LLM 语境下，AI Agent 是某种能自主理解意图、规划决策、执行复杂任务的智能体。Agent 并非ChatGPT 升级版，它不仅告诉你"如何做"，更会帮你去做。如果CoPilot是副驾驶，那么Agent就是主驾驶。类似人类"做事情"的过程，Agent的核心功能，可以归纳为三个步骤的循环：感知（Perception）、规划（Planning）和行动（Action）。	\

Copilot	Copilot 是指一种基于人工智能的辅助工具，通常与特定的软件或应用程序集成，旨在帮助用户提高工作效率。Copilot 系统通过分析用户的行为、输入、数据和历史记录，提供实时建议、自动化任务或增强功能，帮助用户做出决策或简化操作。
AIO	All-In-One，指将多种能力（Browser、Code Execution、Shell、File、可视化接管、鉴权、代理等）在单一镜像/实例内集成，减少跨环境切换与数据搬运。
Sandbox	受控、隔离的执行环境。用于运行浏览器、代码或命令行，控制资源与权限，降低对宿主系统的影响与风险。
CDP	CDP （Chrome Devtools Protocol）是一种用于与 Chrome 或 Chromium 浏览器通信的协议。它允许开发人员通过发送命令和接收事件来与浏览器进行交互，以便进行调试、分析和自动化浏览器操作。CDP 提供了一组定义了浏览器行为和功能的 API（Application Programming Interface)。
VNC	VNC 是一套"远程桌面共享/控制"技术与工具族，基于 RFB（Remote Framebuffer）协议工作。核心思想：把远程主机的屏幕帧缓冲（像素）编码后通过网络传输到客户端，同时把客户端的键盘、鼠标事件回放到远程主机，实现跨平台远程操作。
MCP	Model Context Protocol（模型上下文协议）是一个开放协议，它规范了应用程序如何为LLMs提供上下文。可以将MCP想象为AI应用的USB-C端口。就像USB-C提供了一种标准方式，让你的设备连接到各种外设和配件，MCP也提供了一种标准方式，让你的AI模型连接到不同的数据源和工具。	\

Browser Use	Agent 通过浏览器完成搜索、登录、点击、表单填写、下载等任务的总称，既可走 CDP 指令，也可走 GUI 视觉操作。
OpenHands	OpenHands 是一个开源的 AI 软件开发代理平台（AI Software Developer Agent Platform），用于训练、评测和运行能够在真实开发环境中"自主编程"的大语言模型（LLM）。它最初以 OpenDevin 名义发布，后更名为 OpenHands，由 All Hands AI 社区维护。