Tilde.run:让 AI Agent 安全运行在生产环境的沙盒平台

AI Agent 越来越强大,但把它们放到生产环境中运行让人提心吊胆——万一 Agent 失控删除文件、泄露数据或者调用了不该调用的接口怎么办?Tilde.run 试图解决这个问题:让 AI Agent 在安全的沙盒中运行,每次操作都可回滚。

核心特性

1. 可回滚的版本化文件系统

Tilde 把来自 GitHub、S3 和 Google Drive 的数据组合成一个统一的 POSIX 文件系统 ~/sandbox。每个文件从第一次提交开始就有版本记录,任何 Agent 运行都可以一键回滚。

~/sandbox
├── code/     ← 来自 GitHub
├── data/     ← 来自 S3
├── docs/     ← 来自 Google Drive
└── output/   ← 本地输出

2. 安全沙盒

每次 Agent 运行都在独立的隔离容器中进行。正常退出时,变更原子性提交;失败时,什么都不改变。不需要手动备份或清理。

3. 网络隔离与审计

默认阻止云元数据访问、私有网络和未授权主机。每个出站请求都经过策略检查,并记录是哪个 Agent 发起的:

默认策略:default-deny
✓ ALLOW  api.openai.com     (AI 调用)
✓ ALLOW  pypi.org           (包管理)
✗ DENY   evil-exfil.io      (数据外泄)
✗ DENY   169.254.169.254    (云元数据)

4. 人类审批门控

可以为关键操作设置人工审批流程,Agent 必须获得批准才能执行特定操作。

使用场景

  • 代码审查 Agent:让 AI Agent 在沙盒中审查代码变更,确保不直接修改生产代码
  • 数据分析 Agent:Agent 可以安全地访问 S3 中的真实数据进行分析
  • 文档处理 Agent:从 Google Drive 读取文档,处理后输出到本地
  • CI/CD 集成:在 Agent 运行失败时自动回滚,不影响主干代码

快速开始

curl -fsSL https://tilde.run/install | sh

Tilde 支持与 Claude、Hugging Face、LangGraph 等主流 AI 框架集成,也支持 AWS S3 和 Google Drive 作为数据源。

适合谁

  • 正在构建 AI Agent 应用的开发者
  • 需要在生产环境中安全运行 AI 自动化任务的团队
  • 关注 AI 安全和数据隔离的技术负责人
  • 使用 Claude/GPT 进行代码生成和数据分析的工程师

简评

AI Agent 的安全运行一直是个痛点。Tilde.run 的设计思路很好——把 Agent 运行变成”事务”,失败就回滚。加上网络隔离和审计日志,这让 Agent 从”黑盒”变成了”受控环境”。目前处于免费预览阶段,值得尝试。

来源:tilde.run 官网Tilde 文档

© 版权声明
THE END
喜欢就支持一下吧
点赞6 分享
相关推荐
<p>GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。</p>

<h2>项目简介</h2>

<p>TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:<a href=GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

-枫选">

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应用领域的标杆项目。这个基于大语言模型的多Agent金融交易框架,让”AI炒股”从概念走向了可实验的开源工具。

项目简介

TradingAgents是一个开源的多Agent金融交易分析框架,核心思路是让多个AI Agent各司其职,协同完成金融市场的分析和交易决策。项目地址:GitHub – TauricResearch/TradingAgents

架构设计

TradingAgents的设计借鉴了真实金融交易团队的分工模式,将不同职责分配给不同的Agent:

  • 分析师Agent:负责分析市场数据、财报、新闻等信息,产出分析报告。
  • 研究员Agent:深入研究特定行业或公司,提供基本面分析。
  • 交易员Agent:根据分析结果制定交易策略和执行计划。
  • 风控Agent:评估交易风险,设置止损和仓位控制。
  • 决策Agent:综合各方意见,做出最终交易决策。

这种多Agent协作的模式,模拟了真实对冲基金的决策流程。每个Agent可以使用不同的LLM模型,甚至可以使用同一模型的不同温度参数来产生多样化的观点。

使用场景

学术研究

TradingAgents是研究多Agent系统在金融领域应用的优秀平台。研究人员可以修改Agent的提示词、调整协作机制、测试不同的决策算法。

策略回测

框架支持接入历史市场数据,可以用来回测AI交易策略的表现。这对于量化交易团队评估AI辅助决策的价值很有帮助。

学习和教育

对于想了解AI在金融领域应用的开发者,TradingAgents是一个很好的学习项目。代码结构清晰,文档完善,适合上手研究。

安装和运行

# 克隆项目
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑 .env 文件,填入 OpenAI API key

重要风险提示

⚠️ 以下几点需要特别注意:

  • 不要用真金白银:TradingAgents是一个研究和实验框架,不是成熟的交易系统。绝对不要用它来做实盘交易。
  • AI不是万能的:金融市场受到无数因素影响,AI模型无法预测黑天鹅事件、政策变化、市场情绪等非理性因素。
  • 回测不等于实盘:在历史数据上表现好的策略,在真实交易中可能完全失败(过拟合问题)。
  • 合规风险:在某些司法管辖区,使用AI进行自动化交易可能受到监管限制。

同类项目参考

如果你对AI+金融感兴趣,还可以关注以下项目:

  • FinRL:深度强化学习金融交易框架
  • Qlib:微软开源的量化投资平台
  • GPT-Financial-Analyst:基于GPT的财务分析工具

来源:

GitHub本周最火的项目之一,TradingAgents在短短时间内获得了超过7万星标,成为多Agent AI应...

3天前 50
评论 抢沙发

请登录后发表评论

    暂无评论内容