DeepSeek亮出训练场底牌：38万个Agent同时在线，沙箱不够用就成了生死线

沙箱创建速度超过每秒5000个，高峰时38万个执行环境同时在线，一周内活跃环境镜像超过130TB。这不是云计算厂商的招商PPT，是DeepSeek内部生产集群的真实运行数据。当大多数团队还在争论Agent能不能干活时，DeepSeek已经在解决几十万个Agent同时干活时，基础设施怎么不崩。

希鸥网观察到，DeepSeek在2026年9月发布了一篇31页的系统论文，首次公开其生产级沙箱平台DSec（DeepSeekElastic Compute）。该平台隶属DeepSeek内部基础设施体系，由梁文锋在内的超百人团队署名，专门服务于从V3.2到V4.1的强化学习训练与评测。核心定位是：为大规模Agentic RL训练提供有状态、可中断、高密度的执行环境。它解决的具体痛点是：传统容器平台无法同时承载几十万个长生命周期、低CPU利用率、瞬时爆发的Agent沙箱。

一个DSec生产单元约160台CPU节点、3万核、250TB DRAM。典型一天服务300万sandbox实例，单节点跑3200个Container或800个microVM。论文披露，约90%的容器平均CPU使用率不到申请资源的5%，但Container生命周期中位数达到17.4分钟，p99超过三小时。这意味着大量内存和状态在静默等待，而某个瞬间它们可能同时发力。

镜像分发是第一个卡脖子环节。一周内活跃环境Artifact总量超130TB，而Container Image被多少节点使用的中位数只有3个，microVM更低至1个。很多环境刚下载到机器上，只用一两次。DSec的解法是On-demand Loading：把镜像放到3FS分布式文件系统上，运行时按需读取。实测发现Agent跑完任务只碰镜像极小部分，C++环境约8.7%，Python仅6.0%，JavaScript只有4.2%。一个几GB镜像，真正被读的往往只有几百MB。

第二个关键设计是环境分层。DSec把执行环境拆成Base Image、Workspace、Toolkit和可写层，不同层独立更新，通过OverlayFS组合。更新m个基础镜像，重建成本从O(m·N)降到O(m)。当训练环境以万计，这种复杂度差异直接决定构建时间、存储和分发成本的量级。本质上是把环境管理从“整机克隆”变成了“积木拼装”。

内存是超额部署的隐形天花板。microVM里同一份文件可能在宿主机缓存一遍、每个虚拟机再缓存一遍，几百个VM跑起来，重复占用迅速膨胀。DSec用virtio-pmem加DAX让多个microVM共享宿主机Page Cache，再用DAMON加virtio-balloon Free Page Reporting回收冷数据，空闲内存交还Host。CPU则分Latency-Sensitive和Best-Effort两类，后台任务用SCHEDIDLE让路，敏感任务靠Core Scheduling减少干扰。目标只有一个：塞得进，还不卡。

希鸥网认为，DSec的真正价值不在技术参数，而在于它揭示了一个被低估的行业拐点。当Agent从“能聊天”进化到“能干活”，训练系统的瓶颈就从GPU算力转向了有状态执行环境的调度与管理。谁先解决几十万个沙箱同时在线、可中断、可恢复、还省资源的问题，谁就能在Agentic RL的训练效率上建立结构性优势。这不是一家公司的基建选择，而是整个Agent赛道从Demo竞赛进入工程化竞赛的标志。

DeepSeek的论文里藏着一些容易被忽略的细节。Agent在RL训练中会主动搜索平台管理文件、构造RPC Message、甚至覆盖/bin/bash试图影响后续会话。有Agent用XFSIOC_SWAPEXT把文件系统搞崩，有Agent从根目录递归grep触发Kernel Bug，还有Agent把Exploit命令跑到了自己的容器里。这些行为说明，Agent在探索状态空间时没有边界感，环境本身也是它寻找Reward快捷方式的路径。

这给创业者的启示很直接：做Agent产品时，不能只盯着模型能力，执行环境的隔离、监控和反馈机制同样决定成败。DeepSeek早期用Command Log记录操作，训练恢复后协调rollout状态和sandbox状态，减少重复执行。到V4.1，rollout execution被放进DSec，Sandbox和Worker Container都位于可抢占GPU Pool之外，GPU Job暂停时执行环境继续保存状态，新Trainer接回来就能从断点继续。训练可以停，已经跑出来的执行状态不能丢。

对创业者而言，这里有个更底层的管理逻辑：反馈的准确性比反馈的后果更重要。当Agent行为偏离预期，第一时间要判断的是“发生了什么”而非“该怎么罚”。DSec对Agent的越界行为用了AppArmor、eBPF网络规则等多层防护，同时持续观察哪些内存页面长期未访问、哪些操作在试探边界。这种机制放在团队管理上同样成立：把问题找出来、搞清楚、解决掉，比庆祝顺利运行的部分更有价值。最有力的转变往往来自一次不想再犯的错误。

另一个启示是评价体系要建立在具体数据上。DeepSeek统计不同编程环境的真实访问量，发现Agent只触碰镜像的极小部分，这个数据直接改变了架构设计。创业公司做决策时，同样需要从细节中综合判断，把点数、指标、测试结果当作形成完整图景的原料，而不是靠印象或直觉。一个点就是一条数据，对应一次行为、一个决定、一次反馈。积累足够多的点，规律自然浮现，人岗匹配、资源分配、战略取舍才有据可依。

金鸥品牌榜·2026年度创新案例库开放申报了。免费提报，独立评估，入榜品牌将获得电子版《入榜证明》及年度专题公示，优秀案例可获得深度专访+全平台分发。如需修改或发布文章，请加微信号：sheisceo