高扇出 Agent 沙箱的内存压缩技术

arXiv:2609.11294v1 公告类型：新发布 摘要：高扇出（high-fanout）的 Agent 工作负载正造成日益严重的内存瓶颈，因为单个任务可能衍生出大量并发沙箱会话。然而，这些沙箱远非相互独立：它们源自同一共享模板，并执行相关的轨迹，从而暴露出相当可观的模板相对（template-relative）冗余与跨沙箱内存冗余。传统的内存压缩技术在这类场景中存在三个根本维度上的错配：如何压缩——因为它们无法利用非完全相同沙箱页面之间的相似性；压缩什么——因为它们通过保守的页面选择来控制缺页中断开销；以及何时压缩——因为压缩要么由内存压力触发，要么在执行时完全不了解 Agent 的执行阶段。 我们提出 AgentZip——首个专为 AI Agent 沙箱设计的内存压缩系统。AgentZip 引入了可同时利用模板相对冗余与跨沙箱冗余的压缩机制。它将压缩范围扩大到任何具有收益表示形式的页面，并将开销控制从压缩时的页面选择转移到恢复时的预取（prefetching）。此外，它还将开销较高的压缩操作与 LLM 的等待时段对齐，以避免干扰前台的工具执行。在各类 LLM 训练与推理工作负载上，AgentZip 最多可将沙箱占用的内存降低 8.7 倍，而 Linux 配置下的降幅仅为 2.1 倍。恢复预取与感知 Agent 执行阶段的调度，将激进压缩带来的性能下降从最高 3.1 倍降至 1.40 倍，同时几乎完整保留了其节省内存的收益。