DeltaBox：基于毫秒级沙箱检查点/回滚的有状态AI代理扩展方案
操作系统
2026-05-22 v1 人工智能
摘要
基于LLM的AI代理需要进行高频状态探索（例如测试时树搜索和强化学习），依赖对完整沙箱状态（包括文件和进程状态，如内存、上下文等）的快速检查点和回滚（C/R）。现有机制复制整个状态，导致每次C/R延迟为数百毫秒到数秒，严重制约深层搜索和大规模fan-out。本文观察到AI代理的后续检查点高度相似，因此无需完整复制，仅需复制相邻检查点之间的差异即可。然而，实现这一思路并非易事，主要因缺乏OS支持。我们提出一种新的OS级抽象概念DeltaState，以实现基于变更的事务性C/R。首先，DeltaFS通过将文件状态组织为层次结构，在检查点时动态冻结可写层并插入新层，将文件更新简化为按需写入，回滚仅需切换层次结构。其次，DeltaCR通过增量dump实现进程状态的变更式C/R，并通过绕过传统管道直接从冻结的模板进程fork()来加速回滚。我们随后构建DeltaBox，一种通过上述两种新机制实现毫秒级C/R的新型代理沙箱。在SWE-bench和RL微基准测试中，DeltaBox完成检查点和回滚的延迟分别为14ms和5ms，使代理在固定时间预算内能够探索大量更多的节点。
引用
@article{arxiv.2605.22781,
title = {DeltaBox: Scaling Stateful AI Agents with Millisecond-Level Sandbox Checkpoint/Rollback},
author = {Yunpeng Dong and Jingkai He and Yuze Hou and Dong Du and Zhonghu Xu and Si Yu and Yubin Xia and Haibo Chen},
journal= {arXiv preprint arXiv:2605.22781},
year = {2026}
}