// RESEARCH / 06 / AI INFRA
AI Infra
模型与 Agent 运行的地基:执行沙箱、控制面与执行面、训练与推理的调度、数据管线和评测平台。
- 实践过
- 当前状态
- XI
- 造物之书里的实验
模型能力最终都落在基础设施上。执行离数据和环境越近,Agent 越快、越稳,也越容易被观察。
在 Eazo 参与 V4 到 V5 升级:把 Agent 执行从后端 Worker 迁到 E2B 沙箱,拆分控制面与执行面,前端经 WebSocket 直连沙箱;也参与 Skills 驱动的多 Agent 体系。
- 01
让前端直连沙箱执行,多轮任务能省下多少等待?
- 02
控制面与执行面拆开后,失败恢复和权限边界怎样设计?
- 03
一个小团队的评测平台,最少需要哪些组件才能支撑每天的回归?
- 04
训练数据管线里,哪一步最容易悄悄引入质量问题?
// LIMITS
现在还不能证明什么
- 公司内的架构细节不能公开,只能用开源组件独立复现
- 缺少大规模训练集群的实践