我们为智能体构建了持久化云服务器。与常规基于聊天的智能体相比，有哪些变化？

声明：我是构建 [Computer Agents](https://computer-agents.com) 团队的一员。该产品是一个智能体计算平台：我们不只是给 AI 智能体提供一个聊天历史记录，而是给它一个持久的云服务器、文件系统、终端/浏览器访问权限、项目任务以及保存的执行历史。**我们要解决的问题：** 很多智能体演示之所以有效，是因为任务很短。实际工作要杂乱得多。智能体需要检查文件、安装依赖、运行命令、处理失败、读取日志、修补问题、保存输出，并在之后继续。如果每次环境都消失，智能体就会重复设置工作并丢失有用的状态。**我们的技术方案：** * 每次智能体运行都可以在隔离的云环境中进行 * 文件和执行上下文可跨会话持久保存 * 工作可以组织为项目/任务，而不是单一的长聊天 * 任务可以有评审者、产物、日志、评论和状态 * 开发者可以使用 Python/TypeScript SDK 来创建智能体、线程、计算机实例、项目、调度和 Webhook * 模型路由与工作区执行分离，因此成本较低的模型可以执行高吞吐量的步骤（如初步筛选或代码仓库搜索），而更强的模型则处理更困难的推理/评审任务 **超出预期的效果：** 最大的可靠性提升并不总是来自更聪明的模型。关键在于给予智能体一个稳定的工作空间和具体的任务单。“修复这个模糊的产品领域”表现很差。“复现这个 bug，不要触碰认证模块，运行该命令，总结修改后的文件”表现要好得多。 局限性： * 我不会信任智能体在无监督情况下合并生产环境变更 * 大规模重构仍需人工审查 * 安全关键变更需要严格的权限控制 * 并行智能体需要文件/任务隔离，否则会导致评审混乱 演示/文档：[https://computer-agents.com](https://computer-agents.com) 我很好奇大家如何处理智能体的持久化问题：你们是将状态保存在聊天历史、向量记忆、工作流图、容器、Git 工作树还是完整的云工作空间中？