Runta：为AI Agent打造下一代执行基础设施

近期，AI Agent基础设施赛道迎来了一家备受关注的硅谷创业公司Runta。这家初创团队刚刚完成由a16z领投的2000万美元种子轮融资，创始人兼CEO戴冠兰拥有十余年云计算与基础设施领域的深耕经验，曾担任Cloudflare边缘云核心技术负责人，后作为早期核心成员加入Kong担任工程总监，主导云原生网关与AI网关的研发工作。

戴冠兰在访谈中提到，他选择此时创业的核心判断非常清晰：当前大模型的能力已经足够成熟，未来AI Agent的数量将远超人类，行业的关键问题将转向：这些智能体将运行在何处？如何实现规模化管理？出现问题时责任如何界定？

短短半年时间，AI领域的Token使用文化发生了剧烈反转。早期随着推理模型的推出，人们发现为大模型提供充足的思考步骤能显著提升其能力，因此Token消耗越多被视为越贴近AI原生的工作方式，不少企业甚至将Token使用量作为员工绩效的考核指标，头部科技企业纷纷推动相关变革，甚至有企业在办公场景设置实时展示Token消耗的屏幕，将Token使用量与年终考核挂钩。

但到了今年年初，这种趋势迅速转向严格的Token成本控制，企业开始重新计算AI部署的投入产出比。戴冠兰提到，这种转变的核心原因在于企业发现粗放式的Token消耗成本远超预期，而AI的普及教育已经完成，精细化的成本管控成为必然。他还分享了一些极端案例：部分员工为了刷取Token指标，不惜使用顶级模型处理简单工作，甚至在代码中添加无意义的循环来消耗Token。

关于种子轮融资与顶级投资人的认可，戴冠兰分享了细节：他曾与分布式系统领域的传奇人物Jeff Dean进行过深度对谈，对方提出的核心问题是“当LLM让计算机系统的底层执行单元变成概率性时，基础设施该如何构建？”这一问题直击传统系统工程的根基——过去数十年的系统设计都是基于软件确定性的前提，而大模型带来的不确定性让这套体系面临挑战。

戴冠兰的团队凭借在Cloudflare和Kong时期从零构建基础设施的实战经验，以及对Agent运行场景的深刻理解，最终获得了Jeff Dean和李飞飞的个人投资。甚至在融资过程中，Jeff Dean曾提出追加投资，但由于份额限制被戴冠兰婉拒，这段经历也成为他创业路上的一段有趣回忆。

a16z罕见地为这家早期初创公司撰写了专属博客，合伙人在文章中指出，这不仅是一款产品或功能，而是一次计算范式的代际迁移。如同从客户端服务器架构到容器化的历次技术浪潮，每一次都会催生巨大的平台级机会，而本次的核心变化在于，底层托管的对象从静态软件和服务转向了AI Agent，这是一个体量庞大的全新赛道。

Runta的核心业务是为AI Agent打造底层基础设施，在非确定性、概率性的工作流中加入确定性的管控能力，帮助企业安全、规模化地落地Agent应用。具体来说，包括Agent的运行调度、权限隔离、安全审计以及弹性扩容等能力，解决传统基础设施无法适配长周期Agent运行的痛点。

例如，当智能体需要访问客户数据或生产环境权限时，Runta的执行层可以实现严格的隔离、管控和审计，并支撑其规模化扩展。

谈及放弃高管职位创业的原因，戴冠兰表示，传统的云与SaaS时代的基础设施都是为确定性软件设计的，而Agent的概率性执行特性让现有架构完全无法适配。Agent既像软件又像人类，但又不完全属于两者，这种全新的工作流带来了巨大的基础设施空白，这也是他决定创业的核心动力。

他提到，当智能体运行周期从几分钟的对话扩展到数小时甚至数天，传统基础设施无法很好地处理隔离、分叉、热迁移等高难度问题，而这些都是Agent落地生产环境必须解决的挑战。

对于为何创业公司更有机会在Agent Infra赛道胜出，戴冠兰认为，现有公有云都是为上一代SaaS和传统软件设计的，从底层架构到资源分配、计费模型都背负着沉重的历史包袱，就像早期数据中心为CPU设计，无法适配GPU时代的需求一样。颠覆性创新的机会往往属于轻装上阵的创业团队，而公有云巨头在这一赛道的布局会受到现有业务体系的制约。

面对大模型厂商的Agent Infra布局，戴冠兰表示，企业不会将业务深度绑定在单一模型或云服务上，多模型、多云部署是刚需。大模型厂商的核心使命始终是提升基础模型能力，其布局Agent Infra更多是为了获取更多优化模型的信号，而Runta则专注于Agent执行底座的构建，两者的产业分工完全不同。

针对沙盒技术团队，戴冠兰指出，传统沙盒技术来自上一代Serverless架构，主要针对短时任务，能够实现短暂的代码隔离，但无法适配长周期运行的Agent。长周期Agent需要动态迁移、GPU弹性分配、内存动态收缩等能力，这需要从第一性原理出发，重新构建专为智能体定制的底层基础设施，而非在现有技术上打补丁。

目前Runta的订单规模已达数十万美金级别，但团队并未将短期营收作为核心指标，而是专注于从底层构建通用平台。戴冠兰表示，团队当前重点服务两类客户：一是Agent Builder，即开发智能体给其他用户使用的开发者；二是垂直领域的智能体公司，如专注视频剪辑、营销的垂类企业。同时团队也会与大型企业保持沟通，了解传统企业的部署痛点。

关于Agent的边界定义，行业目前尚无统一标准，主要有两种逻辑：一是拟人化定义，为智能体设定身份与分工；二是功能化定义，以其完成的任务来界定。这背后涉及智能体权限管理等一系列技术挑战，需要实现动态权限分配，在任务完成后立即收回权限。

在谈及AI如何影响人类权限边界时，戴冠兰提到，不少用户会因为审核疲劳而逐步放开对智能体的权限限制，但权限管理必须设定硬规则，例如限定读写权限、禁止访问敏感文件夹等。他预测未来必然会发生一起因Agent权限失控导致的灾难性安全事故，这将推动行业对安全管控的重视。

传统的网络安全依赖扫描和匹配，而Runta则通过将Agent的行为限定在安全沙盒内，实现完全可审计、可恢复的管控，让企业能够放心地将生产权限交给智能体。

Runta团队95%以上的基础开发工作都由智能体完成，但人类工程师的价值依然不可替代，例如API设计、模块耦合、分布式底层痛点的洞察等涉及基础设施经验和底层架构决策的工作，依然需要人类来完成。

谈及Agent安全问题的根源，戴冠兰表示，只要大模型仍采用当前主流架构，就无法从根本上解决安全漏洞，因为其本质是概率性的预测系统，无法区分输入的数据和控制指令。因此基础设施侧的管控至关重要，需要通过控制网络、存储、虚拟化操作系统等周边环境，用确定性的环境包裹非确定性的模型大脑。

戴冠兰提出一个核心判断：模型能力已经足够，下一阶段的竞争将聚焦于基础设施。当前大模型的性能爬坡已经放缓，在很多日常场景中，不同模型的体验差异已经不大，而支撑Agent落地的基础设施和工具链尚未跟上。

目前赛道内已有不少团队在做相关工作，但行业尚未形成“Agent需要专属执行底座”的共识，他希望一年后，这一观点能像“数据需要存在数据库中”一样成为行业共识。

对于刚参加工作的工程师，戴冠兰建议先利用年轻没有包袱的优势快速积累经验，同时要对底层技术保持敬畏之心，锻炼架构能力和底层思考能力。他还分享了自己选择创业团队的经验：一是识别浪潮的方向，二是选择团队含金量高、敢想敢拼、技术背景扎实的团队，关注团队是否具备从底层解决问题的能力。

Runta团队目前在新加坡和旧金山设有办公室，他们希望在五年内，让Agent执行底座成为AI应用的标配基础设施，就像今天的数据库、身份权限控制一样不可或缺。如果你对内核、分布式系统、虚拟化和Agent技术感兴趣，欢迎加入团队。