跳到正文
Ankole

代码执行

Agent 可以在普通对话中运行命令、读写文件，也可以把需要持续执行的工作交给后台 Agent 任务。两者走不同的运行路径：普通对话使用 Agent Computer Worker 的前台工具，每个后台 Agent 任务则由 CodexRunner 执行。消息里有多少代码，不会触发运行路径切换。

先把决定性的性质说清楚：每条命令都在沙箱里跑。shell 命令跑在 bubblewrap 下，带 SYS_ADMIN、不限制的 seccomp、不屏蔽的 /proc——这是 worker 的硬性要求，不是运维的选择。agent 在 /agents 下的按 agent 文件系统里工作，shell 无法让它逃出这个沙箱。

bubblewrap 下的 shell 命令

agent 通过 command 工具跑 shell 命令，由 app/agent_computer/src/tools/computer/command-tool.ts 和 bubblewrap.ts 里的 bubblewrap 沙箱支撑。模型请求的每条命令都跑在 bubblewrap 下，带 SYS_ADMIN、不限制的 seccomp 策略、不屏蔽的 /proc。不屏蔽的 /proc 和 SYS_ADMIN 能力是让更深的工具——浏览器 daemon、Jupyter kernel——能在同一个沙箱里跑，而不是被破出沙箱。这套组合是 worker 镜像的硬性要求，见快速开始；你不按 agent 调它。

实践上意味着：一条 shell 命令能读写 agent 工作区下的文件、跑已装的工具、启动 worker 镜像提供的子进程。它够不到别的 agent 的工作区，也够不到控制面状态。沙箱就是边界。

文件读取与 apply_patch

shell 之外，computer 工具给 Agent 两个文件原语：

  • 读文件——read-file-tool.ts，直接看一个文件的内容，而不是开 shell 跑 cat。
  • 编辑文件——apply-patch-tool.ts，提供与固定 Codex 版本相同语法的 freeform apply_patch 工具。

Main Agent 通过 AIGateway 把原始 patch 作为 custom_tool_call 发送。Worker 再通过 /usr/local/bin/apply_patch 交给 Codex 原生二进制。后台 Agent 任务从 AIGateway 模型卡获得同一个 freeform 工具，也使用同一个二进制。Ankole 不再维护另一套 patch 解析器。

这条共享路径让普通对话和后台 Agent 任务使用同一种编辑协议。patch 无法匹配时，原生工具会失败，并把失败结果返回给模型。快速搜索可以用 shell；文件编辑使用 apply_patch。

/agents 文件系统

agent 读写的一切都在 /agents 下，按 agent key 布局。agent 直接看到容器路径——worker 不为模型翻译路径：

/agents/<agent-key>/
├── SOUL.md
├── MISSION.md
├── DESIGN.md
├── user-files/
├── installed-skills/
├── sessions/<base64url-session-id>/
└── jobs/<job-id>/
    ├── .codex/config.toml
    ├── .ankole/skills/
    └── temp/

SOUL.md、MISSION.md 和 DESIGN.md 是 Agent Library 中的长期文档。前两份定义职责与行为，DESIGN.md 是视觉内容使用的设计系统。installed-skills/ 存放 Agent 安装的 Skill。sessions/ 是普通会话的工作区，jobs/ 是后台 Agent 任务的独立工作区。

迭代 Python 用的 Jupyter live kernel

当工作是迭代 Python——变量要跨执行保留、要逐 cell 检查 DataFrame、或要一个有状态的 REPL——shell 是错的工具。jupyter-live-kernel skill 才是对的。它是内置 skill（default_enabled: true），作为后台任务运行，建立在 Ankole 围绕 hamelnb 的 Unix-socket 适配器之上。kernel 跨执行保持存活，所以你能在一步里定义变量、下一步读它，而不是每次调用都重新装载数据。

skill 自带的指引是经验法则：短小、无状态的 Python 脚本优先用一次性 shell 执行；当你本来会想要 Jupyter notebook 或有状态 Python REPL 时，用这个 skill。数据科学、DataFrame 检查、notebook 编辑、有状态 API 探索是它的甜区。系统 Python、JupyterLab、ipykernel 和 hamelnb 助手已经在 worker 镜像里，所以新 agent 不装任何东西就能用这个 skill。

后台 Agent 任务使用 CodexRunner

CodexRunner 是所有后台 Agent 任务的执行引擎。任务可以是调研、制作文档、修改代码仓库，也可以是其他需要持续运行的工作。决定是否使用 CodexRunner 的是任务的生命周期，而不是任务内容。Runner 通过 app-server-client.ts 与 Codex app-server 通信，并为每个任务准备独立的工作区和运行配置。

Console 将对应的模型档案显示为后台 Agent 任务。它在数据库和 API 中暂时仍使用 coding 这个历史名称，但这不表示普通对话会在代码较多时自动切换模型。

Ankole 如何选择运行路径

需要配置的内容很少：

  • Computer 工具（command、read_file 和 apply_patch）随每个 Worker 提供，普通对话可以直接使用。
  • Jupyter live kernel 是 default_enabled skill，所以你通过 Agent Library 控制它，方式和控制浏览器 skill 一样。为不该跑迭代 Python 的 agent 收窄它。
  • CodexRunner 执行每个后台 Agent 任务，所有模型调用都通过 AIGateway。后台任务需要不同 Provider 或模型时，配置“后台 Agent 任务”档案；留空时，控制面使用该 Agent 的 heavy 档案。

下一步