托管 Agent 运行时怎么选:Kimi Hosted Agents、Foundry Copilot Harness、自建沙箱与 Super-agent 的六维对比
摘要:当「让 Agent 一直跑下去」变成一件可以购买的商品,选型问题就从「谁家模型强」变成了「谁的运行时更省钱、更可控、更好退出」。这篇用六个维度横比四类方案:月之暗面的 Hosted Agents、微软 Foundry 里的 Copilot Harness、以 E2B/Daytona 为代表的自建沙箱、以及 DeepSeek 开源的 Super-agent 原型。核心结论有一条反直觉的:月任务量低于约 1080 个时,自建比托管更贵,因为固定月费和一次性工程投入吃掉了单价优势。
适合读者:要开选型会、要写技术决策文档的人。 阅读收获:拿到一张可复算的 TCO 表、一棵能直接用的决策树,以及三个「别选它」的明确条件。
一、先定坐标系:为什么是这六个维度
比较 Agent 运行时,最容易掉进的坑是拿模型榜单比平台。平台之间真正的差异在下面六处,而且它们互相牵制:
| 维度 | 为什么必须比 | 不比会怎样 |
| 计价口径 | 墙钟计费 vs 活跃 CPU 计费,差距可达 2.6 到 19 倍 | 预算按错的模型编,上线三个月爆表 |
| 状态与恢复语义 | 状态在谁手里,决定迁移成本与故障后果 | 想换平台时发现历史带不走 |
| 可控性 | harness 能改到哪一层,决定你能修什么 bug | 遇到框架层问题只能等厂商排期 |
| 数据路径 | 「执行搬走」不等于「数据不出网」 | 合规评审不过,返工重来 |
| 生态 | Skills / 插件 / MCP / 多模型,决定冷启动速度 | 每个工具自己写,前三个月全在造轮子 |
| 单位经济性 | 单任务成本随规模变化的曲线不是线性的 | 小规模自建,越算越亏 |
下面所有数字都标口径。厂商自评的我一律写「官方口径」,第三方写机构名,我自己算的写「自算」。
二、选手清单:四类方案,不是四个产品
| 方案 | 定位 | 部署形态 | 许可证 / 开放度 | 关键事实 |
| Kimi Hosted Agents | 模型厂卖运行时 | 公有云托管,控制台 / kha CLI / REST | 闭源;API 仍标 | 2026-11-05 发布,沙箱 ¥0.072/小时,三段计费 |
| Foundry Copilot Harness | 云厂卖自家 Agent 循环 | Azure 托管 | 闭源;harness 选定后不可切换 | 2026-10-28 公测,12-01 起按 $0.0994/vCPU·h 计费 |
| E2B / Daytona / Modal / Cloudflare | 卖沙箱算力 | 公有云,可自托管对照 | E2B 核心 Apache-2.0;Daytona 开源可自建 | 只提供执行环境,不提供 Agent 循环 |
| DeepSeek Super-agent | 架构参考实现 | 自托管 | MIT 原型 | 2026-10-31 公开,Router/Worker 双层,未产品化 |
这张表最重要的一行是第三行:E2B 这一类卖的是「执行环境」,不是「运行时」。 你买到的是沙箱、冷启动、隔离,会话管理、重试、编排、审计统统要自己写。把它们和 Hosted Agents 放在同一个价格表里比「每小时多少钱」,是把两种商品混为一谈——但它们又确实在争夺同一笔预算,所以必须放在一起看,只是要看清差在哪。
还值得一提的是国内云厂的动作,这些数据都是厂商口径,采信要打折:阿里云 AgentCore 在云栖大会上称任务完成率提到 99%、总拥有成本降 70%,Agent Sandbox 一分钟可拉起 10 万个实例并兼容 E2B 与 Kubernetes 接口;腾讯云把落点放在治理(零信任、零凭证访问);华为云做 PB 级记忆存储;百度发布智能体沙箱 AX;火山引擎 AgentKit 称沙箱冷启动 0.8 秒。这几家的口径有个共同特点:都在讲「任务完成率」和「总拥有成本」,而不是「每百万 token 多少钱」。 这个转向本身就说明,买家关心的问题已经变了。
三、维度一:计价口径,这是差距最大的一处
沙箱的计价有两种基:墙钟时间(沙箱开着就算钱)和活跃 CPU(只在真跑指令时算钱)。Agent 负载的特点是大量时间在等模型返回,所以这个区别不是小数点后的事。
把 2 vCPU / 4 GiB 的会话统一到同一单位:
输出:
单看这一行,Kimi 的 0.07 元/小时比 E2B 的 1.18 元/小时便宜 16 倍。但这个比较是无效的,原因有两个:
- 规格不可比。 官方定价页没有公布沙箱的 vCPU 与内存配额。E2B 的 1.18 元买的是 2 vCPU / 4 GiB 的 Firecracker 微虚拟机,Kimi 的 0.07 元买的是「一个沙箱」,多大不知道。
- 计价基不同。 Cloudflare 和 Vercel 按活跃 CPU 计,一个 80% 时间在等模型的 Agent,实际账单可能是墙钟口径的 1/5 到 1/3。
这两条合起来给出一个可操作的方法:沙箱单价不能横向比,只能纵向比——用你自己任务的账单反推。 具体做法是跑三个真实任务,记录沙箱计费小时、token、插件次数,然后算「沙箱占总账单比例」。第 1 篇算过,这个比例在 1.1% 到 1.8% 之间。一旦确认沙箱占比不到 5%,比价沙箱就没有意义了,因为它在你的账单里几乎不存在。
一个真实的口径冲突:Foundry 到底支不支持自带模型
微软 10 月 28 日的官方博客说 Copilot Harness「支持 20 多个前沿模型,并支持自带密钥(BYOK)」;但同期多家转述明确写道:托管版 Copilot Harness「目前不支持自带模型」,需要自带模型要走 Foundry 的 hosted agents 而非 Copilot harness。
这两句话矛盾吗?不完全矛盾——官方说的是这套 harness 的能力,转述说的是托管预览版的限制。但对做选型的人来说,这个区别决定生死:如果只能选 Foundry 上架的模型,你的成本模型和合规评估都要重做。遇到这种口径冲突,正确做法不是选一个更好听的版本,而是在采购问题清单里加一条:「Copilot harness 托管形态下,是否允许接入非 Foundry 部署的模型?如允许,鉴权与计费走哪条链路?」 让厂商书面回答。
四、维度二:状态与恢复语义,决定你的退出成本
| 方案 | 会话状态存在哪 | 断点恢复的做法 | 能否批量导出 |
| Kimi Hosted Agents | 平台侧(事件流,明示「持久化在服务端」) | 客户端带回 | 无批量入口,需先归档再删 |
| Foundry Copilot Harness | 平台侧,重启后「用原始输入重跑」 | 平台检测中断并重启,客户代码自己 checkpoint | 未公开 |
| E2B / Daytona | 沙箱内 / 你指定的存储 | 快照 + 你自己恢复会话 | 完全自主 |
| Super-agent 原型 | 数据库(存算分离) | Router/Worker 重建会话,Watchdog 兜底 | 完全自主 |
这张表里最容易被忽略的是 Foundry 那一行的加粗部分。官方在长任务韧性 GA 的说明里写得很直白:Foundry 检测到中断会用原始输入重启任务,进度和中间结果要客户代码自己保存;如果这个 agent 会更新外部系统,还必须自己防止重复动作。官方还给了一句非常关键的提醒:光靠对话历史不足以恢复进行中的工作。
这句话值得抄进你的选型文档。它等于说「平台的重启 = 重跑」,不是「平台的重启 = 续跑」。这两者的差别在账单上很直观:一个跑了 40 分钟、在第 35 分钟挂掉的任务,重跑就是再花 40 分钟的钱。如果你的成功率是 60%,那 40% 的失败任务全部付了双份。
对照 Kimi 的语义:它是「从游标续读」,客户端拿 cursor 回来,平台把断点之后的事件推给你。这个语义更接近「续跑」,但第 1 篇算过,它有 8.64% 的概率会重复执行一个有副作用的步骤——所以两边都不是免费午餐,只是一个把成本放在「重跑」上,一个放在「去重」上。
决策含义:如果你的任务里外部副作用很少(纯分析、纯生成),Foundry 的重跑语义可以接受;如果副作用多(发消息、落账、下单),Kimi 的续读语义更省,但你得自己写幂等。
五、维度三:可控性,你能修到哪一层
| 方案 | 会话/恢复逻辑 | 沙箱环境 | 模型选择 | 网络策略 | 规格(CPU/内存) |
| Kimi Hosted Agents | 不可改(Harness 内部逻辑不开放) | 可配依赖与网络;自托管需企业认证 | 平台模型 | 可配 | 不可见、不可调 |
| Foundry Copilot Harness | 不可改,且 harness 选定后不能切换 | 平台控制 | 限 Foundry 已部署模型(见上节冲突) | 平台策略 | 平台控制,含空闲超时 |
| E2B | 你自己就是逻辑 | 完全可控(镜像、依赖) | 任意 | 自己设 | 自己选 |
| Daytona | 同上 | 完全可控,支持 Kata/Sysbox 强隔离 | 任意 | 自己设 | 自己选 |
两家托管方案在「规格」这一列都是空的,而且不是巧合:不公布规格,就无法被比价,也就无法被要求 SLA。Foundry 稍微诚实一点,它明说了「CPU、内存与空闲设置由 Foundry 控制」,并把「空闲也在计费」这件事写进了定价说明——一个在等人工审批的 agent,沙箱照样在跑表。
对采购来说,这一列空白意味着两件事要做:
- 在合同里要求「沙箱规格与并发上限」书面明示,或至少给出「单组织并发沙箱数上限」;
- 在 PoC 阶段用真实任务反推规格:跑一个内存密集任务,看它在什么规模下 OOM,就知道给了多少内存。
六、维度四:数据路径,最容易被「自托管」三个字骗
| 方案 | 工具输入/输出是否经过厂商模型接口 | 能否完全私有化 |
| Kimi Hosted Agents(标准) | 是 | 否 |
| Kimi Hosted Agents(自托管 worker) | 是(官方明示不等同私有化) | 否;且裁掉 IPython/搜图/产物保存 |
| Foundry Copilot Harness | 是(模型在 Azure 上) | 否;但可在租户内做网络隔离 |
| E2B / Daytona | 否(沙箱里跑什么由你定) | 是(可自建集群) |
| 下载 K3.1 Pro 权重自建 | 否 | 是;但需 12 张 141GB 卡起步 |
Kimi 这一行是本次发布里最容易被误读的地方。官方文档写得很清楚:自托管环境把工具执行搬到客户机,但编排、模型调用、会话管理仍在平台,工具输入与执行结果仍经过平台的模型推理接口。它同时裁掉了 IPython、搜图和 save_artifact,上传的文件、技能、记忆库也不会挂载到 worker 主机。
所以「自托管」在这个产品里指的是执行位置,不是数据路径。如果你的合规要求是「数据不出内网」,这条路直接排除,唯一干净的方案是下载权重自建——代价是:权重 1561 GB(MXFP4),按 141 GB/卡算至少 12 张卡才装得下,还没算 1M 上下文的 KV 缓存。
七、维度五:生态,决定前三个月是造轮子还是调参数
| 方案 | 现成能力 | 扩展方式 | 冷启动速度 |
| Kimi Hosted Agents | 140+ Skills、30+ 插件、12 模板(8 金融) | 自定义技能/插件/MCP | 复制模板即可跑 |
| Foundry Copilot Harness | 20+ 模型、MCP 工具、Skills、内置子 agent | azd / 门户 / VS Code 工具包 | 官方称有客户一周内出可用方案 |
| E2B / Daytona | 只有执行环境 | 全靠自己 | 几周起 |
| Super-agent 原型 | MIT 代码,参考架构 | 自己改 | 研究性质,不等于产品 |
这条维度上托管方案的优势是压倒性的,但要看清「140+ Skills」这个数字的性质:它是一批打包好的操作流程(怎么查、怎么算、怎么排版),不是 140 个行业解决方案。真正的业务语义、验收标准、边界条件,仍然要你写。12 个模板的正确用法是「照着改」,不是「拿来用」——官方对模板的限定语写得很克制(比如基金对账「只诊断不记账」),这些限定语比功能列表更有信息量。
7.1 补一张失败模式对照表
选型文档里如果只写「各家优点」,评审时一定会被问「那它们各自怎么坏」。四种最常见的失败模式,分布如下:
| 失败模式 | 托管(Kimi) | 托管(Foundry) | 自建沙箱 | 说明 |
| 中断后重跑导致重复副作用 | 中(续读,但仍会重复 8.64%) | 高(重启=重跑原始输入) | 取决于你 | 都要自己写幂等 |
| 上游接口改版导致静默失败 | 中 | 中 | 低(你能立刻改) | 托管方无权改第三方数据源 |
| 框架层 bug 只能等排期 | 高(Harness 不开放) | 高(harness 不可切换) | 低 | 可控性的代价 |
| 沙箱规格不足导致 OOM | 中(不可见不可调) | 中(平台控制) | 低(自己选) | 只能靠压测反推 |
这张表的价值在于把「风险」从形容词变成概率分布。比如「上游改版」这一行,自主方案低不是因为技术更强,而是因为修得快——你能当天改抓取逻辑,托管方要等版本。反过来「框架层 bug」这一行,托管方高是因为你连复现都做不到,只能提工单。
如果你只能记一条:托管方案把故障从「技术问题」变成了「沟通问题」。 这在有专职 SRE 的团队是减负,在没有专职 SRE 的团队是灾难——因为没人能判断是「平台抖动」还是「自己写错了」。
八、维度六:单位经济性,把一次性投入摊进去才看得清
前面几节都是单价,这一节算总账。口径:单任务 1.5 小时墙钟、2 vCPU / 4 GiB、token 费 14.70 元;托管插件费 9.40 元,自建时自己实现检索 1.20 元;自建一次性投入 80000 元(2 人月),托管侧适配 8000 元(1 人周);E2B 因单任务超过 1 小时,必须用 Pro 档($150/月)。
这里要和第 1 篇对齐一处口径:第 1 篇给投研建模算的是 6 个沙箱小时(主 agent + 2 worker 并行),本篇为了横向比价压到 1.5 小时单会话。差异全部落在沙箱段(0.43 元 vs 0.11 元),对总成本的影响不到 2%,不影响结论方向。
输出:
反直觉结论:规模不够时,自建更贵
单任务变动成本上,自建 17.66 元确实比托管 24.21 元便宜 27%。但如果只看这个数字就决定自建,会在两个地方吃暗亏:
第一,一次性投入。 2 人月的 8 万元要摊到 12 个月里。月任务 100 个时,托管 12 个月 3.7 万,自建 11.4 万——自建贵 3 倍。这不是自建不划算,是规模不够摊不薄。
第二,固定月费。 E2B 的 Pro 档 $150/月是硬成本,因为你的单任务 1.5 小时超过了 Hobby 档 1 小时的会话上限。按月任务 50 个算,这笔费用摊到单任务是 21.30 元,直接把自建单任务成本从 17.66 推到 38.96 元,比托管贵 61%。
交叉点在月任务量约 1080 个。低于这个数,托管的总账更省;高于这个数,自建开始赢,到月 3000 个时自建比托管省 15 到 16 万元/年。
这张表该怎么用
三个提醒:
- 别拿单任务单价做决策。 变动成本差 27%,但加上固定投入后结论可能反转。所有「自建更便宜」的论断,都要先问一句「按多少量算的」。
- 固定月费的杀伤力被严重低估。 会话时长超过 1 小时就意味着必须升档,这一条在选沙箱时一定要先确认,否则按 Hobby 价算完预算,上线第一个月就超。
- 人工成本不在表内,但它常常最大。 第 2 篇算过,投研建模的交付价 95 元里 60 元是人的时间。自建方案还要额外吃掉「运维沙箱」的时间,这部分没算进 8 万元里——如果团队只有一个人兼着做,实际投入通常翻倍。
8.1 未计入 TCO 的三项
上面那张表是干净的,所以它必然是不完整的。三项被排除在外的成本,方向都指向同一个结论:
运维人月。 自建沙箱不是「一次性搭好就完了」:镜像更新、依赖漂移、内核补丁、隔离策略调整,每个月至少要吃掉 0.3 到 0.5 人月。按 4 万/人月算,一年是 14 到 24 万元——这个数字足以把月任务 1000 个时的「基本持平」推成「托管明显更省」。
失败重跑。 我的模型里默认每个任务只跑一次。真实情况是成功率的倒数:成功率 70%,平均每个成功任务要跑 1.43 次,失败那 0.43 次的 token 和沙箱都要照付。这一项在 Foundry 的「重跑语义」下更贵,在 Kimi 的「续读语义」下便宜些,但都不会归零。
模型迁移。 托管方案的模型是绑定的(Foundry 限已部署模型,Kimi 用平台模型)。如果半年后你需要换模型,托管侧的迁移是「换配置」,自建侧是「重跑全部评测 + 可能重构工具层」。这一项很难量化,但它是自建方案的真实隐性负债。
三项加起来,我倾向于把 TCO 交叉点从 1080 往上修正到 1500 左右。这个修正没有数据支撑,是从「运维人月」这一项推出来的——如果你不接受这个假设,就按 1080 算,结论方向不变,只是临界点位置不同。
github.0voice
更多推荐



所有评论(0)