AI Agent 时代的云：计算、推理和数据必须重新整合

云计算的每个时代，都有自己的计量单位。

过去二十年，这个单位一直是实例的运行小时。大家冲着算力来，按小时付钱——不管你是在干活还是在干等。后面跟出来的每一项服务，说白了都是为了让更多实例小时被消耗掉。十四年前，我们（DigitalOcean）给出的答案是 5 美元的 Droplet 云服务器，一批中小企业就靠它起步，因为它够简单、够好上手。

Agent 要的也是这种简单，但它现在这套工作流，已经塞不进一台虚拟机里了。

AI Agent 跑起来跟 Web 服务器完全是两回事：

它用 token 思考，用短促的计算爆发来行动。然后它就开始等——等模型推理、等工具返回、等人点头。
它可能今天下午需要四个分身，到了晚上一个都不需要。第二天早上，它又得把工作状态捞回来——可能在另一台设备上，可能换个人接手，也可能交给另一个 Agent。
它的天然单位是：烧掉的 token、微虚拟机实际运行的秒数，以及比会话活得更久的状态。

拿 token 和微虚拟机实际运行的秒数去替代实例小时，听着像是个小改动。真不是。它改的是你怎么架一朵云、怎么保它安全、怎么给它算账。

这周，DigitalOcean 托管 Agents服务（Managed Agents）进入公测上线状态：沙箱、推理、数据，一个运行时全包，专门为 token 和突发式计算而生，底下跑的还是你已经熟悉的 Droplets、数据库和网络。

为什么是现在：workload 跑得比基础设施快

这个缺口不是自己冒出来的。三个趋势一起把 workload 拽到了基础设施前面，也推着我们下决心投这个平台：

Token 代表思考。 一个 Agent 任务烧的 token，是普通聊天交互的 5 到 30 倍。一张工单能散成十几次模型调用、一次网络搜索、一次数据库查询，外加一个 PR。软件经济学正在从"服务了多少请求"转向"干完了多少活"，而干完的活是按 token 结账的。
构建者在选开放智能。 现在 Agent 的大部分 token 负载，都是开放权重模型在扛。产品一旦找到市场，团队就会往开放权重上转——既为了压住单位成本，也为了真正拥有自己的智能，而不是租一个。
做 Agent、跑 Agent 的团队，快被复杂度淹死了。 我跟几十个创始人和 CTO 聊下来，听到的是同一套栈被描述成五花八门的样子：笔记本上跑个 harness，沙箱找一家创业公司，推理再找两家，存储丢给超大规模云，搜索又是第六家——全靠胶水代码粘着。没人能准确说出一次运行到底花了多少钱、怎么保安全、怎么规模化运营。

Agent 要的一切，紧密集成在一起

DigitalOcean 托管 Agents服务（Managed Agents）不是"一个沙箱产品加点附加件"。它是 Agent 的三个组成部分终于住到了一起：

沙箱给它一双手：一台隔离的机器来跑代码、开浏览器、产出文件。
推理给它一个脑子：开放权重和前沿模型就在沙箱旁边服务。
数据层给它记忆：工作区状态、检查点、数据库、检索，全都比会话活得久。

沙箱、推理、数据之间的每一次交接，都是一次函数调用，不是一次跨广域网的跳转。

images (13).png

如图：Managed Agents架构逻辑是，带上你的 Agent 和 spec，剩下的沙箱、工具、模型、遥测，由 DigitalOcean 全包。

三件事让这变成现实：

DigitalOcean Harness Runtime 是持久执行

每个会话都有自己的 Firecracker 微虚拟机：自己的内核、硬件级隔离、亚秒级启动、约 300 毫秒恢复。
会话比你的笔记本活得久。合上盖子，Agent 在云端继续跑完。你可以从手机上重新接上，或者把活着的会话丢给同事。给热好的会话打个检查点，分叉成四份，留下最好的那个。
带上 Claude Code、Codex CLI、OpenCode、Hermes、LangGraph，或者把你自己的授权 Agent 打包成标准 OCI 镜像。

Action Gateway 是受治理的执行

一个托管的 MCP 端点，通到 500 多家供应商的 16,000+ 工具，从 GitHub、Stripe 到你自己的 MCP 服务器。你本来要自己搭的凭证、重试、权限管道，它全给你替了。
它按 Agent 的意图搜对的工具，而不是把整个目录倒进上下文窗口；它会修格式错的调用、处理限流、敏感操作卡一道人工审批。
最关键的一点：凭证在执行那一刻才被代理进去，永远不会碰到模型、提示词或者沙箱。Agent 永远看不到密钥。

Agent 的定价，终于跟 workload 对上了

Agent 就是一阵一阵的：这儿编译一下，那儿跑个测试，中间大段大段等 token、等人批。大多数产品是先开一台虚拟机，从开机到关机一直计费。DigitalOcean 按实际用掉的 CPU 秒数算，vCPU 每小时 $0.044，内存每 GB 每小时 $0.0095，快照每 GiB 每月 $0.05。

不一样在哪：一个平台，而不是六个供应商

没得选的时候，团队只能认了，把五六家供应商拼在一起。六个供应商，就是十五个接缝：每个接缝都是一个你要搭的集成、一个你要存的凭证、一个追踪会断掉的地方。结果就是，保这张网、运这张网，成了团队的第二份工作。点状方案很优秀，但都只是一块，因为大多数沙箱公司不跑推理，而模型公司不管 Agent 的记忆和可观测性。超大规模云什么都给，但账单一拉一长串，复杂性也是企业级的。

images (17).png

Agent 是第一个能在单个循环里走遍云每一层的 workload：它思考、在真实系统上动手、记住、然后改进。一个有凝聚力的平台，就是为这个循环本身设计的——一套架构，不是一堆捆在一起的零件。

一套有凝聚力的架构，带来的是：

开发提速。 原语到的时候就是集成好的：沙箱能碰到模型路由器，网关能碰到你的工具，工作区同步到持久存储。你的第一个会话，就是一条 CLI 命令加一个 spec 文件。
延迟压到最低。 沙箱、模型、数据共享一个平台（往往还在同一个数据中心），循环直接跳过了跨供应商的网络税，而缓存感知路由把热上下文留在服务它的模型旁边。
默认就安全。 每会话硬件虚拟化隔离、按调用代理凭证、出站流量受治理、敏感操作要人签批。SSO、MFA、基于角色的访问、审计日志，都是标配，不是企业级附加项。
可观测性和运维，一条线拉通。 一条流里装着运行时追踪、工具调用、模型调用、步骤耗时和成本。用量就落在一张明明白白的账单上。
开放、异构的架构。 harness、框架、模型，你随便挑：自托管开放权重，比如 Kimi K3 和 GLM 5.3；按量付费的前沿模型；或者用你自己的 key。自定义镜像和你自己的 MCP 服务器，跟 DigitalOcean 的并排放。

全栈优势

Agent 在会话的大部分时间里都在闲着，等 token、等工具、等人。这就是 Agent 经济学的全部故事。如果你按预置容量计费，那你就是在为"等"付钱。DigitalOcean 按活跃 CPU和峰值内存计费，所以你付的是干活的钱，不是干等的钱……

预置计费 vs 活跃计费 Managed Agents

如图所示，同一小时，两种计法：预置计费收整台机器的钱，活跃计费只收那几下爆发。中间等的部分，在活跃 CPU 计费下是 $0。示意图会话按公开预览列表价。

一次典型运行背后的基础设施成本，四舍五入就是几美分；真正拉高支出的是 token。举个例子：一个默认的 2 vCPU、4 GB 会话，满打满算一小时 $0.126；但按典型的 25% 活跃度算，成本大概 $0.060。Agent 等着的时候，CPU 那条线是零——自动暂停会把空闲会话收走。

你可以通过路由来控制支出。DigitalOcean 推理路由器能把每一步匹配到它真正需要的模型上：常规步骤走托管的开放权重，比如 Kimi K3 和 GLM 5.3；复杂推理走按量付费的前沿模型；或者干脆走你自己的 key。

推理和数据放在一起：价值复利增长的地方

热上下文留在模型旁边，被重算的 token 就少了。检索从你 Agent 写入的同一个湖仓里读，上下文就能保持简短、有引用，而不是又旧又复制。用检查点，意味着活永远不会被白白重做一遍，而每次运行的遥测，都会让下一次更利索。在拼接式技术栈上，每一次这种交接都得付一笔出站费，还得有人维护集成。跑在 DigitalOcean 托管 Agents服务上，它就是一次直截了当的函数调用。

成本走向：AI 更便宜，工作负载更多

现在，基础设施大约占一次典型运行成本的 3% 到 8%，剩下全是 token——这个比例会随着智能成本一路往下掉而改变。但更聪明的模型不会缩小 Agent 的计算足迹，反而会放大它：更多步骤、更多工具调用、每个结果更多并行分叉。这么一路推下去，计算在每次运行里的占比会稳稳上升，哪怕运行本身越来越便宜。

Managed Agents 是给谁用的

三类团队正在用 Managed Agents 构建：

产品本身就是 Agent 的公司：DigitalOcean 帮你运营客户永远看不到的那一层：按租户的微虚拟机隔离、凭证代理、黄金环境模板，你可以在毫秒内给每个客户分叉一个。这类 Managed Agent 构建者里，有 OpenHands 和 Amplitude。
在自动化真实工作的团队：Qencode 做了一个支持分诊 Agent，把 Slack、邮件、Intercom 里的每一条请求都读一遍，建或更新对应的 Jira 工单，低置信度的标出来给人看。早期结果是每周省回大约 4 到 8 小时，响应时间从几小时降到几乎即时。
已经在跑编码 Agent 的 AI 原生团队：你们组织里的 Claude Code、Codex CLI、OpenCode 会话，是不是还散落在笔记本和宠物虚拟机上？Managed Agents 就是它们的新家，持久、能并行、状态共享、检查点加分叉、工具访问受治理——而且什么基础设施都不用管。

会从自己工作里学习的 Agent（即将推出）

跑 Agent 是一半问题。教它们从自己的活里学习，是另一半——这就是接下来几周要铺开的数据与学习层。

它是 Agent 背后转起来的飞轮。DigitalOcean Signals 会盯着生产轨迹，把 Agent 让用户困惑的失败指纹翻出来：纠正、重复问、转人工、放弃。Evaluations 把每一次失败变成一条回归测试，由 LLM 裁判打分。

在一个内部演示里，一个优化过的支持 Agent，从过不了货币准确性检查，变成通过，同时输入 token 少了 99%，延迟低了大概三分之一。

DigitalOcean Managed Agents 上的 Agent 循环

如图所示，Agent 循环：思考、行动、记忆、改进。每一步都跑在一个平台上，所以每一次交接都是函数调用，不是跨供应商的一跳。

DigitalOcean Simulations（预览）是让你在发布前，对着模拟用户把整套场景回放一遍：十个生产场景，端到端，不到一分钟。每个事件都会落到我们规划中的 AI Data Platform——一个开放的、基于 Iceberg 的湖仓，你的 Agent 遥测一条 SQL 就能查到。

拼接式技术栈跑不动这个循环。整合式技术栈可以。运行产生数据，数据产生更好的运行。