如何并行运行多个 AI Agent：AppSandbox 打造 Computer-Use 模型终极沙箱

想让多个 AI Agent 同时"操作电脑"，最怕的就是它们互相干扰：改坏一个文件、抢占同一个窗口、甚至拖垮主机。AppSandbox 是一个面向开发者和 Computer-Use 模型的虚拟机沙箱应用（支持 Windows 和 macOS），可以为每个 AI Agent 提供一台独立的完整桌面虚拟机——Windows 11、Ubuntu 或 macOS——并且支持 GPU 加速和脚本化的 headless 无头 API。用它来并行运行多个 AI Agent，每台虚拟机互不干扰，一台笔记本或台式机就能同时驱动好几个，让 Computer-Use 模型真正"人手一台电脑"。

💡 核心关键词：并行运行多个 AI Agent、Computer-Use 模型、AppSandbox 沙箱、虚拟机沙箱、GPU 加速

一、为什么 Computer-Use 模型需要"真·沙箱"

Computer-Use 类 AI Agent（例如 Claude 的 computer use 模型）的本质，是让大模型通过看屏幕、点鼠标、敲键盘来操作一台电脑。这与只调用 API 的 Agent 完全不同：它需要一个能运行的桌面环境。

很多团队用脚本化的浏览器或轻量模拟器来跑 Agent，但这有几个致命问题：

• 隔离性差：多个 Agent 共享同一台机器，一次误操作可能影响其他任务，甚至影响主机本身；
• 环境不全：无法运行完整的应用、桌面程序、驱动和 GPU 工作负载；
• 并发难：想并行跑 3 个、10 个 Agent，脚本方案往往要手工开多个进程，状态管理极其混乱。

AppSandbox 的思路是"一鱼多吃"：它本身就是一个成熟的完整桌面虚拟机应用，同时提供 Docker 风格的本地 HTTP/JSON API 和零依赖 Python SDK（asb.py），把"创建 → 安装 → 启动 → SSH → 快照 → 分支 → 删除"全部脚本化。对 Agent 场景来说，这意味着：

🎯 每个 AI Agent 独占一台 GPU 加速的完整虚拟机，互不干扰；并发数量只受主机 CPU、内存和显存限制，没有固定上限。

AppSandbox：为 AI Agent 与 Computer-Use 模型准备的 GPU 加速虚拟机沙箱

二、AppSandbox 是怎么做到的：完整虚拟机 + 无头 API

传统虚拟机软件"重 GUI、轻脚本"，而 AppSandbox 的设计天然适合被程序驱动。它有两套使用方式：

1. 图形界面：选系统、指定 ISO、自动完成安装和启动，1080P60 固定显示，支持剪贴板、音频、SSH 代理等；
2. Headless 无头模式：同一个内核以守护进程方式运行，把全部能力暴露为本地 HTTP/JSON API，配合 Python SDK 即可批量管理虚拟机。

2.1 GPU 加速虚拟机：Agent 也能跑图形负载

并行跑 Agent 时，如果模型本身也在本机推理（或 Agent 要操作图形程序、游戏、视频编码），GPU 就是刚需。AppSandbox 通过 **GPU-PV（GPU 半虚拟化）**把宿主机已安装的 GPU 直接共享给虚拟机，无需 VFIO/IOMMU，也不需要第二张显卡：

宿主 / 客户机	可用图形 API
Windows 宿主 + Windows 客户	DirectX 12、OpenGL、Vulkan、CUDA、OpenCL
Windows 宿主 + Ubuntu 客户	OpenGL、Vulkan、CUDA、OpenCL（无 DirectX）
macOS 宿主 + macOS 客户	Metal

⚡ 创建虚拟机时只要把 gpuMode 设为 1（Default 半虚拟化），就能拿到 GPU 加速的完整桌面。

2.2 快照与分支：并行部署的"时间机器"

批量给 Agent 准备环境时，最耗时的其实是安装操作系统（Windows 全量安装可能要 15~20 分钟）。AppSandbox 的**快照（snapshot）和分支（branch）**机制能大幅提速：

• 快照：在虚拟机停机状态下对磁盘做检查点；
• 分支：从快照分叉出一块可写磁盘，跑"分叉动作"而互不影响；
• 模板（Windows 独占）：把配置好的虚拟机存为模板，之后创建新虚拟机直接从模板启动，跳过整个安装阶段。

这正是"多 Agent 并行"的关键：先做一次标准安装 + 打快照，之后每个 Agent 环境都能快速克隆出来并行运行。

相关源码与文档：asb.py、headless-api 文档。

三、快速上手：5 分钟启动你的 Agent 沙箱

3.1 安装与前置要求

AppSandbox 以预编译二进制形式发布（Windows 带 EV 签名，macOS 带 Apple Developer 签名），直接安装即可。两种宿主的前置条件：

要求	Windows 宿主	macOS 宿主
系统	Windows 11（x64，build 22000+）	Apple Silicon Mac
虚拟化功能	需开启 VirtualMachinePlatform（家庭版即可，无需 Hyper-V）	Virtualization.framework
权限	管理员运行	sudo 运行
可运行的客户机	Windows 11、Ubuntu	macOS、Windows 11 ARM

🔍 小技巧：Windows 宿主下开启功能只需一条命令： dism /online /Enable-Feature /FeatureName:VirtualMachinePlatform /All，然后重启。

3.2 启动 Headless 守护进程

# Windows（管理员终端）
appsandbox.exe --headless

# macOS
sudo /Applications/AppSandbox.app/Contents/MacOS/AppSandbox --headless

守护进程启动后会：

• 在 127.0.0.1 上监听一个 Docker 风格的本地 HTTP/JSON API（仅回环，不暴露到网络）；
• 写出 host.json 发现文件，自动记录端口和一次性随机 token——你永远不用手写端口和密钥；
• 保证单实例运行，GUI 和无头模式共用同一份虚拟机状态。

3.3 连接 Python SDK：零依赖

asb.py 是纯标准库实现的客户端，无需 pip install，把文件拷到脚本旁边即可：

import asb
c = asb.connect()          # 自动发现守护进程
print(c.version())         # {'product': 'AppSandbox', 'version': '0.1.x', ...}

四、并行运行多个 AI Agent 的完整工作流

下面是最小可用的"多 Agent 沙箱"流程：创建多台虚拟机、等待它们全部上线、SSH 登录各自的环境（把模型循环或自动化脚本送进去），最后批量清理。

import asb, time

c = asb.connect()
AGENTS = ["agent-a", "agent-b", "agent-c"]          # 每台虚拟机对应一个 Agent
ISO = r"C:\ISOs\ubuntu-24.04.iso"                    # 改成你的 ISO 路径

# 1) 顺序创建（见下文最佳实践），每台启用 GPU 加速 + NAT 网络 + SSH
for name in AGENTS:
    c.create(name=name, osType="Linux", imagePath=ISO,
             ramMb=4096, cpuCores=2, gpuMode=1, networkMode=1,
             adminUser="user", adminPass="test123",
             sshEnabled=True, sshDeployKey=True)     # 免密 SSH 密钥自动部署
    time.sleep(30)

# 2) 并发等待所有虚拟机上线（安装阶段真正并行进行）
for name in AGENTS:
    c.wait_online(name, timeout=2400)

# 3) 拿到各自的 SSH 入口，Agent 从这里接管电脑
for name in AGENTS:
    i = c.ssh_info(name)
    print(name, "->", i["host"], i["port"], i["user"])

4.1 虚拟机生命周期：状态机一目了然

每次 create 都是异步并自动开机的，一台新虚拟机会自动走完这条链路：

building → stopped → installing → booting → online
（建磁盘）        （装系统）        （启动）    （Agent 就绪）

• wait_online(name)：阻塞到虚拟机完全可用（最省心）；
• events()：SSE 事件流，适合做实时监控面板（参见 stream_events.py）；
• host()：查看主机的总核心数、内存、空闲磁盘，以及已被声明的虚拟机占用了多少——并行前先看家底。

⚠️ 完整 API 参考（查询 / 生命周期 / 快照分支 / 显示窗口）见 headless-api 文档，端到端示例见 full_lifecycle.py。

4.2 免密 SSH：Agent 的标准入口

开启 sshEnabled=True, sshDeployKey=True 后，守护进程会自动生成 ed25519 密钥对，客户机 Agent 会把公钥写入 authorized_keys。当 sshInfo 返回 keyDeployed: True（sshState: 4），你的自动化脚本就能免密登录任意一台虚拟机：

import subprocess
i = c.ssh_info("agent-a")
subprocess.run(["ssh", "-i", asb.key_path(), "-p", str(i["port"]),
                f"{i['user']}@127.0.0.1", "whoami"])

每个 AI Agent 只需拿到自己那台虚拟机的 host:port，就能独占整台电脑干活——主机干干净净，互不串扰。

五、并行部署最佳实践（官方建议）

5.1 ⏳ 创建要"顺序"，运行才"并行"

这是官方文档明确强调的一点：不要同时触发多个 create。因为每次创建都会执行磁盘构建并预取客户机 Agent 与依赖，并发预取可能互相竞争，导致构建失败（iso-patch.exe exited with code 1）并被自动清理。

✅ 正确姿势：让一个创建走完构建阶段，或简单间隔约 30 秒再启动下一个；而安装和运行阶段可以完全并行——这正是并行跑 Agent 的加速来源。

5.2 🚀 用模板 + 分支代替重复安装

• 在 Windows 宿主上，用 isTemplate=True 构建一个标准模板（完成安装、驱动、依赖后）；
• 之后每个 Agent 环境用 templateName 从模板创建，跳过整个安装阶段；
• 需要让不同 Agent 跑"分叉实验"时，从同一快照 start(name, snap_index=N, branch_name="exp-1") 分叉出独立磁盘，互不影响。

5.3 📊 资源预算：并行上限由硬件决定

并发数量没有固定限制，瓶颈是主机的 CPU、内存和 GPU 显存。实操建议：

1. 调用 c.host() 查看 hostCores / hostRamMb / freeGb 与已声明占用；
2. 每个 Computer-Use Agent 虚拟机给 2 核 / 4GB 起步（图形负载再加）；
3. 留 20%~30% 余量给宿主系统和突发负载。

5.4 🔁 失败隔离与重试

一台 Agent 虚拟机装崩了？其他台不受任何影响。标准恢复套路：

• c.ssh_info(name) 查看 sshState（3 = 部署失败，4 = 就绪 + 密钥已部署）；
• 需要回滚时，从快照重新 start，或直接 delete_vm 后用模板重建；
• 配置修改（edit）只允许在虚拟机停机时进行（否则返回 409），改完再开机即可。

5.5 🖥️ 可视化围观（可选）

无头部署后如果想"亲眼看看"某个 Agent 在干嘛，调用 open_display(name) 就能在守护进程所在的桌面上打开该虚拟机的实时画面窗口（多个可以同屏打开）。适合调试阶段盯着 Agent 的每一次点击。

六、写在最后

并行运行多个 AI Agent，本质上是在解决"让大模型安全地拥有很多台电脑"的问题。AppSandbox 给出的答案非常直接：

• 🐧 每个 Agent 一台完整的桌面虚拟机（Windows 11 / Ubuntu / macOS），GPU 加速、可 SSH、可快照、可分支；
• 🔌 一套 Docker 风格的本地 HTTP/JSON API + 零依赖 Python SDK，脚本化整个生命周期；
• 🧩 Windows 11 家庭版即可运行（不依赖 Hyper-V），macOS 用 Virtualization.framework 原生支持；
• ♾️ 并发数量只受主机资源限制，模板 + 分支让批量克隆快到飞起。

现在，去 tools/headless-api/examples/ 里挑一个示例跑起来，给你的 AI Agent 们各配一台专属电脑吧。

📌 延伸阅读：README 主文档 · headless SDK 完整 API · 测试套件（含多虚拟机并发验证）