文章来源｜字节跳动 Web Infra x veFaas 团队
项目地址｜github.com/agent-infra/sandbox
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。
01 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。
02 介绍
一句话介绍：AIO Sandbox 在一个沙盒内集成浏览器、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）。
03 示例
| 指令 | 回放 | 使用的AIO功能 |
|---|---|---|
| Help me design an interesting website to introduce elementary school children to sauropod dinosaurs of the Jurassic and Cretaceous periods. I hope the site is in a cartoon style. 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  |
– 浏览器操作 – DOM 操作（ /v1/browser/info） – 截图（ /v1/browser/screenshot） – 视觉操作（ /v1/browser/actions） – 执行命令（ /v1/shell/exec） – 文本编辑器工具（ /v1/file/str_replace_editor） – 端口转发（反向代理） |
| Search Bytedance Seed1.6 News And Deploy Web 搜索关于字节跳动Seed1.6模型的新闻，然后以现代风格编写一个网页并部署 | Replay  |
同上 |
| Based on this picture, please find the latest information on the Internet and design a modern website for it. 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  |
同上 |
| Goto: https://poki.com/zh/g/2048, start play 玩Poki 2048游戏 | Replay  |
同上 |
04 快速上手
云端
一键部署 All-in-One Sandbox 应用–函数服务-火山引擎： https://www.volcengine.com/docs/6662/1851199
本地
前置需要安装 Docker（见文末参考1），一键本地启动：
docker run --rm -it -p 8080:8080 enterprise-public-cn-beijing.cr.volces.com/vefaas-public/all-in-one-sandbox:latest
05 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：
'/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：
$ 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：
Navigate www.toutiao.com
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
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。
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：
1.VNC 接管：AIO Sandbox 提供 */vnc/index.html *页面，用户可直接交互。
2.前端通过 CDP 连接，在 Canvas 上实时重绘完整浏览器界面；我们把前端部分封装了一个组件 @agent-infra/browser-ui。
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（见文末参考2）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（见文末参考3），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（见文末参考4） 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（见文末参考5）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/${端口}路径造成资源匹配 404。
鉴权
Agent 在沙箱里会产生用户数据，为了在不侵入、不修改任何既有业务路由配置、同时不增加未来扩展的路由配置的心智负担的前提下，实现 AIO Sandbox 全局统一鉴权，在内部 Nginx 网关层设计了***“非对称加密+JWT”反向代理架构***来实现鉴权：
如何开启（一次配置）
- 生成密钥对
openssl genrsa -out private_key.pem 2048
openssl rsa -in private_key.pem -pubout -out public_key.pem
echo "密钥对生成完毕！"
- 启动服务（带公钥开启鉴权），使用环境变量 JWT_PUBLIC_KEY
export JWT_PUBLIC_KEY=$(cat public_key.pem | base64)
JWT_PUBLIC_KEY="${JWT_PUBLIC_KEY}"
签发 JWT
业务服务用私钥生成一个有效期为 1 小时的 JWT，以下是简化的脚本来生成 JWT，实际中业务后端应使用成熟的 JWT 库：
# 这是一个简化的脚本来生成JWT，实际中业务后端应使用成熟的 JWT 库 base64url_encode() { openssl base64 -e -A | tr '+/''-_' | tr -d '='; }
header="{"alg":"RS256","typ":"JWT"}"
exp_time=$(($(date +%s) + 3600))
payload="{"exp":${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
curl --silent -X GET "http://localhost:8080/v1/sandbox" \
-H "Authorization: Bearer ${jwt}"
- 短时票据鉴权示例（以 VNC 页面访问为例）：直接访问无法通过加 Header 方式完成鉴权，只能通过?ticket=票据以 query 参数方式发起访问。
- 使用 JWT 从通用端点获取票据（默认有效期是 30s，要增加通过TICKET_TTL_SECONDS环境变量配置）
echo"使用JWT换取通用的一次性票据..."
ticket_response=$(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}"
06 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：
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（见文末参考6）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：
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 https://github.com/agent-infra/sandbox/tree/62e910bae02239f69f749b16a1a78d8deb30c533/examples
browser-use
只需增加 4 行代码接入社区的 browser-use（https://github.com/browser-use/browser-use）：
browser-use + AIO Sandbox
完整代码见：文末参考7
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：
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"]
}
}
}]
asyncdeflink_reader(url: str, timeout_ms: int = 30_000) -> dict:
cdp_url = sandbox.browser.get_browser_info().cdp_url
asyncwith 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： https://www.volcengine.com/docs/6662/1851199
07 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
参考
-
str_replace_editor：https://docs.claude.com/zh-CN/docs/agents-and-tools/tool-use/text-editor-tool
-
Sandbox Fusion：https://bytedance.github.io/SandboxFusion/
-
Chromium 官方文档：https://chromium.googlesource.com/chromium/src/%2B/HEAD/net/docs/proxy.md#proxy-credentials-in-manual-proxy-settings
-
fern：https://buildwithfern.com/learn/sdks/overview/introduction
-
UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning：https://arxiv.org/pdf/2509.02544
-
AIO Sandbox: All-in-One Sandbox for AI Agents & Developers：https://medium.com/coding-nexus/aio-sandbox-all-in-one-sandbox-for-ai-agents-developers-b0a5ca4cf2a8
-
Agentic AI基础设施实践经验系列（二）：专用沙盒环境的必要性与实践方案： https://aws.amazon.com/cn/blogs/china/agentic-ai-sandbox-practice/
-
Writing effective tools for AI agents—using AI agents：https://www.anthropic.com/engineering/writing-tools-for-agents
-
Unifying the Computer Use Action Space：https://scrapybara.com/blog/unified-action-space
</div>
