kagent, acp, agent substrate and other concepts
本文最后更新于 2026年11月11日 下午
关于 kagent
上游:https://github.com/kagent-dev/kagent
写点 tldr 的核心要素:
- 一个 pod 里面跑一个 agent runtime
- k8s 负责管理 agents 运行
- 与其说是 coding agent,更像是把之前类似于 dashboard 的功能通过暴露给 agent 的接口整合到同一个平台之上,因为平台可以共享 agent
上游更像分布式的(指 kagent 这个整体),二开的部分是中心化部署的。
Agent 的 Runtime 和 Agent 的定义是解耦的,Agent 通过类似声明式的方式定义(模型、system prompt、mcp、tool lists 等等)。
我感觉,kagent 与其说是大家理解的 coding agent,更像是(或者说我现在认为的)终极形态就是 chatgpt web 那样的
因为现在本来就更像是把之前类似于 dashboard 的功能通过暴露给 agent 的接口整合到同一个平台之上,因为平台可以共享 agent
chatgpt web 也是每个 session 有个虚拟机可以跑东西,然后可以随时恢复随时继续,背后肯定也是类似的方案
ACP
(目前)二开的部分使用的都是 Google ADK 开发的 Agent Runtime
就是一个比较像 Langchain 的 Agent 开发框架,提供诸如 Agent 的定义、Tool Schema 的接口等等。
但是上游实现了所谓「Harness 与 Agent Runtime 的解耦」,简而言之,就是可以使用如 Codex, Pi 等作为 Harness,而不需要用 Google ADK 搓。
考虑到这个需求的时候,我首先想到的是 ACP,即 Agent-Client Protocol。这个协议主要是在 Zed 这个编辑器上用的比较多。不细究技术细节,单说 UX 的话,就是编辑器提供一个 agent panel,这个 panel 可以唤起本机的 agent,并且直接正常使用。背后简单来说,就是一套统一协议,给 Agent 实现 ACP Client 之后,客户端就能在一套 Interface 之下使用任意的 Agent Runtime 。
假设 Zed 想支持 Claude Code。Zed 需要完成以下工作:
- 启动 Claude Code 进程。
- 创建一个 Agent Session。
- 向 Agent 发送用户输入。
- 接收 Agent 的流式输出。
- 显示 Agent 正在调用什么工具。
- 处理 Agent 的权限申请。
- 用户取消任务时,通知 Agent。
Zed 实现一次 ACP Client,就能接入所有兼容 ACP 的 Agent。
具体来说,ACP 规定了这些内容:
initialize,建立连接的「握手」环节;- session 的生命周期的管理:创建、加载、恢复、关闭;
- session 的交互:prompt, cancel, update;
- 双向交互,比如 agent request persmission from user
但是很显然这一套东西似乎是有点少了...市面上的各路 agent 有太多太多的独家功能,所以上游先引入了 ACP,后面又去掉,改成了自己写 Runtime 接口。
ACP 应该没有这么不堪吧?不然为什么 Zed 还一直在用呢?况且我觉得核心的功能支持了之后,剩下的在对话框里面单纯实现 slash command 的面板,这样我也想不到有什么功能是不能支持的,就好比是 QQ Bot 的接口,通过 Slash Command 就可以做很多事情了,然而用户只是在简单的聊天框中与之互动罢了。
Agent Substrate
kagent 上游接入的一个功能,由 Google 开发,表现出来是这样的:
- 之前,开一个 agent 就是一个 pod
- 传统 Kubernetes Deployment 的方式,每个 Agent 分配一个 Pod,那么即使 Agent 有 99% 的时间处于空闲状态,也需要持续占用相应的 Pod 资源。
对于 Agent Substrate:
- 有一个 Worker Pool
- Worker 是一个预先启动的 Pod,负责 Actor
- 一个 Worker,可以承载多个隔离的 Actor
- Actor 是一个独立的 Agent 运行实例,拥有自己的进程、内存、文件系统和运行状态
- 一个 Agent Session 对应一个 Actor
- 创建 session 的时候,actor 是 suspend 状态,发送消息时才恢复
- Actor 空闲时将状态 snapshot 保存到 OSS,释放计算资源
- resume 的时候再恢复 snapshot
从这个机制,其实容易想到 Cloudflare 的 Durable Objects 和 Containers,无非就是这里的 Container 运行的是 Agent。
关于 Snapshot:需要考虑是单纯恢复持久化的数据还是恢复整个运行时的状态:
- 如果是前者,考虑创建基于 BTRFS 文件系统的 subvolume,这个 snapshot 非常方便
- 后者,就有点麻烦了,但是其实我感觉意义不大,毕竟平时用电脑的时候,关了再让 Agent 继续也不是什么很麻烦的事情
- 不过完整的进程 Sandbox 的实现技术有两种:gVisor 和 microVM,这里暂时不展开。
对标 ChatGPT Chat (Web)
kagent 的终极目标肯定不是客户端分发级别的,而是集中部署,提供服务的 SaaS 类,并且还具有以下特征:
- 一般来说不能读取用户本机的环境,用户也无法自由操作 agent 所属的环境
- 前者使之有别于一般的 Coding Agent,后者使之有别于如 Dot 或 Grok Bot 之流
- agent 可用工具受限,或者说是权限管理比较多
- 从 UX 的角度,主要是给一般的 LLM 提供一些内网的服务的接口,用户可以方便地让 Agent 去使用这些服务
所以怎么看都觉得是和 ChatGPT Web 很相似的:
- ChatGPT Web 每个 Session 都有一个 Agent,Agent Runtime 必然依赖于一个虚拟机
- 不可能一个 Session 背后的 VM 都一直存在,必然是根据计算资源的分配动态释放的
- 这不就是 Agent Substrate 吗
- Session 需要 resume,resume 的时候恢复程度是有限的
- 对于 OpenAI 还需要考虑模型本身 KV Cache 的问题(也许),不过我们这里就不需要了
不过说实话,感觉说到这份上了,基本上就是对着造轮子,无非就是做些特化,如不同的 Agent 的使用依据用户或用户所属的组织进行权限的暴露,但是这都是更上层的内容,之后套就行了,似乎没有什么特别的新意。
事实上轮子也不用造...感觉真开源的也是一抓一大把。之前看到腾讯、阿里等都开源了自己的 Agent 沙箱,但似乎编排策略没有看到,可以日后调研一下。
一旦最底下的功能都搭好了,这边需要做的就是接入各种内部工具罢了,这个和 kagent 本身关系不大,而是各个负责部门开发对应的 CLI Tool / Skill / MCP etc 的事情。