面向 Agent 训练团队的托管沙箱执行平台

训练和评测大规模 Agent 模型的团队需要海量隔离执行环境：沙箱要能秒级创建、高密度部署、按需组合环境。目前这类能力基本掌握在少数大厂内部（如 DeepSeek 的 DSec 在生产中以分片横向扩展，单分片每天服务约 300 万个沙盒，峰值并发超过 38 万个，每秒可创建超过 5,000 个沙箱），中小团队只能用 Firecracker、容器等方案自己拼装运维。需要说明的是：本卡片的信号均来自 DeepSeek 发布 DSec 的能力类新闻，而非用户在社区中的真实抱怨，用户痛点强度（pain: 3）和付费意愿均无直接证据。

训练大规模 Agent 模型的 AI 研究团队与基础设施团队，尤其是没有专职平台工程组的中小 AI 实验室。市场规模小众且门槛高：信号中给出的参照系是 DeepSeek 这类头部实验室的生产规模，能触达的付费买家数量未知。

• 统一沙箱 API：封装 DSec Python SDK，屏蔽 FnCall、Container、MicroVM、Full VM 四种后端的差异，一行代码提交隔离执行任务
• 可组合环境层：预置常用 Agent 训练/评测环境模板，支持用户自定义环境层叠加
• 镜像按需加载 + 共享缓存：基于 EROFS/virtio-pmem 思路降低冷启动与存储成本，实现秒级沙箱创建
• 高密度资源管理：参考 DSec 的超卖与 DAMON 内存回收机制，提升单机并发密度、降低单位成本
• AI 的角色：这是为 AI 而建的基础设施本身——服务于 Agent 模型训练、评测与数据预处理的隔离执行

DeepSeek 于 2026-09-30 公开 DSec：这是支撑 DeepSeek-V4 全部训练、评测与数据预处理流程的沙盒基础设施，统一 SDK 接入四种执行后端，配合镜像按需加载与高密度资源管理（超卖率超 50 倍）。这套此前只在头部实验室内部存在的能力首次开源，使外部团队有机会在它之上构建托管服务——但这是唯一的时间窗口证据，没有配套的需求侧变化。

第一版只做一件事：把 DSec 的 Python SDK 封装成托管 API，用户提交 Agent 训练/评测任务，平台负责沙箱生命周期、环境层组合和资源回收。明确不做：自研沙箱底层（直接复用 DSec/Firecracker）、不做训练框架本身、不做跨云多区域部署、不承诺 DeepSeek 级别的超卖密度。

需求风险：信号全部来自厂商发布而非用户痛点，可能只是基础设施新闻而非真实可收费的市场缺口。平台依赖：产品完全建立在 DeepSeek 刚开源的 DSec 之上，上游方向变化、API 不稳定或文档不足都会直接冲击产品。竞争对手即底座：目标用户（AI 基础设施团队）恰恰是最有能力和意愿自己部署开源 DSec 的人群。运营风险：50 倍超卖率级别的资源管理需要深度内核与虚拟化经验，小团队难以复制。付费意愿未知：无任何价格或付费信号支撑商业模式。