Новая парадигма: не микросервисы и не батч
Традиционные оркестраторы (Kubernetes и аналоги) плохо подходят для AI-агентов. Агенты — это stateful-акторы: они накапливают состояние, долго ждут ответов от LLM или внешних инструментов, а затем интенсивно вычисляют. Держать такие контейнеры включенными постоянно — дорого. AX решает эту проблему, предоставляя 4 декларативных примитива:
- Task (Задача): Изолированное выполнение кода с лимитами CPU/RAM. Создание, пауза и удаление «дешевы».
- Workspace (Рабочее пространство): Автоматическая настройка Git-репозиториев, MCP-серверов и окружения. Поддерживается генеративный подход: опишите цель на английском, и AX сам установит зависимости.
- Gateway (Шлюз): Строгие сетевые политики. Разрешен только явный allowlist хостов и портов, внедрение учетных данных.
- Model (Модель): Единый центр конфигурации моделей, параметров и секретов. Смена версии или ротация ключа — одним apply.
Технические характеристики и масштабирование
AX работает поверх Agent Substrate — рантайма, спроектированного для высокой плотности и быстрых жизненных циклов. Это позволяет достигать следующих метрик:
- Масштаб: Миллиарды одновременных сессий агентов на один кластер.
- Скорость восстановления: Под 1 секунды (sub-second resumption). Агенты, ожидающие ответа, чекпоинтятся и приостанавливаются, не потребляя ресурсы, а при необходимости возобновляются без cold-start задержки.
- Плотность мультиплексирования: Десятки задач делят ресурсы воркера. Вы платите только за время активного «мышления» и выполнения кода, а не за время ожидания ответа модели.
Пример конфигурации
Задача описывается в YAML. Ниже пример создания задачи с генеративным окружением:
| Параметр | Значение / Описание |
|---|---|
| apiVersion | ax.io/v1alpha1 |
| kind | Task |
| metadata.name | data-analysis |
| spec.workspaces.goal | "Set up a Python 3 development environment" |
| spec.workspaces.name | python-env |
Зачем это нужно исследователям и разработчикам?
AX рожден в Google DeepMind, где столкнулись исследования рантаймов и фронтьерные вычисления. Проект позиционируется как open-source declarative control plane.
Основные сценарии использования:
- Исследования: Запуск массовых воспроизводимых песочниц для сбора траекторий, обучения с подкреплением (RL) и оценки агентов.
- Разработка: Интерактивные кодовые агенты, Jupyter-ноутбуки, headless-браузеры и кастомные рантаймы инструментов.
- Экономика: Избегание затрат на простой «спящих» контейнеров благодаря механизму suspend/resume.
Проект доступен на GitHub и призван упростить инфраструктурную часть работы с агентами, позволяя фокусироваться на логике, а не на управлении кластером.
Источник: Agentexecutor ↗