用 Cloud Run 沙箱隔离智能体生成代码
文章围绕智能体执行不可信代码的风险,介绍预览中的 Cloud Run 沙箱及新增模板能力,涉及独立容器镜像和动态内存卷挂载。内容涵盖接入智能体的思路,以及安全、延迟和成本取舍。
原文暂未完整获取,基于公开信息的快读
AI 智能体生成的代码一旦直接在主容器里执行,就可能接触环境变量和服务身份。dev.to 的一篇文章介绍了处于 Preview 阶段的 Cloud Run sandboxes,以及新增的 sandbox templates:通过独立镜像运行生成代码,再用内存卷交换文件。作者给出了接入思路,但明确说明示例未经过生产验证。
目前能确认什么
按节选对文档的转述,沙箱运行在主容器所在的同一个 Cloud Run 实例内,共享 CPU 和内存。默认禁止出站网络,也不继承主容器的环境变量、密钥或 Google Cloud metadata server 访问权限。后者通常与云上工作负载获取身份凭据有关,是需要隔离的敏感入口。
本地沙箱以主容器的只读根文件系统为基础,因此仍能读取其中的文件。模板沙箱则使用单独声明的镜像,可把 Python 等工具依赖从主镜像中分离出去。
模板还能挂载与主容器共享的内存卷,通过带变量的 subPath 指向每次任务的子目录。目录需要主容器提前创建。
独立镜像不等于独占计算资源。
我的判断
对程序员最有价值的变化,是可以把「持有密钥、调用外部服务」与「执行模型生成代码」拆到不同执行环境。主容器负责调度,沙箱只拿到当前任务需要的文件,这条权限边界比直接运行生成代码更清楚。
但共享目录仍是数据通道。把凭据或其他任务的文件放进去,沙箱隔离也无法替你收回这些已经授予的读取权限。
共享 CPU 和内存还带来资源竞争:生成代码占满资源时,主服务也可能受影响。节选未说明单个沙箱的资源限制、超时后的清理保证,也没有提供延迟和成本实测。作者的示例只能用于理解接入方式;这些边界需要完整原文或官方文档进一步确认,才能判断是否适合承载生产任务。