<div class="key-takeaways"><ul><li>AgentENV แก้ปัญหาการจำกัดสภาพแวดล้อมรันไทม์ด้วย Firecracker microVM</li><li>รองรับการกู้คืนและบูตระบบในเวลาน้อยกว่า 50 มิลลิวินาที</li><li>ความสามารถ Fork ช่วยให้แยกแซนด์บ็อกซ์เป็นเด็กได้สูงสุด 16 ตัว</li><li>เข้ากันได้กับ E2B API ช่วยให้เปลี่ยนมาใช้ระบบเซิร์ฟเวอร์เองได้ทันที</li></ul></div><p>การฝึกอบรมแบบ Agentic Reinforcement Learning (RL) มีความซับซ้อนมากกว่าการสุ่มตัวอย่างข้อความทั่วไป เนื่องจากโมเดลจำเป็นต้องปฏิบัติงานจริงภายในคอมพิวเตอร์จริงๆ ซึ่งการทำงานแต่ละครั้ง (rollout) จำเป็นต้องอาศัยสภาพแวดล้อม Linux ที่แยกเป็นอิสระ มีระบบไฟล์ เน็ตเวิร์กสแต็ก และกระบวนการทำงานที่รันอยู่ ความต้องการเหล่านี้สร้างความท้าทายในการตัดสินใจเลือกระหว่างคอนเทนเนอร์ที่เริ่มทำงานได้รวดเร็วแต่แชร์เคอร์เนลร่วมกันจนความปลอดภัยลดลง กับเวอร์ชวลเครื่องเสมือน (VM) เต็มรูปแบบที่แยกส่วนได้ดีแต่บูตช้าและใช้หน่วยความจำค้างไว้</p><p>โครงการ AgentENV เข้ามาแก้ช่องว่างดังกล่าวโดยใช้ Firecracker microVM ทำให้การปล่อยให้เครื่องว่าง การรีสตาร์ท และการแยกกิ่งก้าน (branching) มีต้นทุนต่ำเพียงพอต่อการนำไปใช้งานในระดับการฝึกอบรมขนาดใหญ่ ภายในแซนด์บ็อกซ์แต่ละตัวจะประกอบด้วยเคอร์เนล Linux, ระบบไฟล์ และเน็ตเวิร์กเนมสเปซของตนเอง โดยมี Axum HTTP API ทำหน้าที่รับคำขอและส่งต่อให้กับออร์เคสตราเตอร์เพื่อจัดการวงจรชีวิตของแซนด์บ็อกซ์</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/kimi_ai_kvcache_ai_agentenv_agentic_rl_ms3u9n3g_inline_1_0c05812249.jpg" alt="virtual machine code development terminal" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">50 ms</span><span class="stat-label">บูตหรือคืนค่าแซนด์บ็อกซ์</span></div><div class="stat-item"><span class="stat-number">16</span><span class="stat-label">แซนด์บ็อกซ์ลูกสูงสุดต่อโหนด</span></div></div><p>ในด้านการจัดเก็บข้อมูล โครงการนี้ใช้ ublk userspace block device ที่ทำงานร่วมกับภาพเลเยอร์ overlaybd โดยเลเยอร์ฐานแบบอ่านอย่างเดียวจะถูกแชร์ร่วมกัน และแต่ละแซนด์บ็อกซ์จะเขียนข้อมูลลงในเลเยอร์บนของตนเอง นอกจากนี้ยังมีฟีเจอร์สำคัญอย่าง Fork ที่ออกแบบมาเพื่อ RL โดยเฉพาะ ช่วยให้แซนด์บ็อกซ์ที่กำลังทำงานอยู่สามารถโคลนตัวเองออกเป็นแซนด์บ็อกซ์ลูกที่เป็นอิสระได้สูงสุด 16 ตัวบนโหนดเดียวกัน โดยทุกตัวจะสืบทอดระบบไฟล์ หน่วยความจำ และการกำหนดค่าทรัพยากรมาจากต้นฉบับทั้งหมด</p><div class="ai-insight"><p>การที่ AgentENV เลือกใช้ Firecracker microVM ร่วมกับระบบ snapshot แบบเพิ่มปริมาณ (incremental) ถือเป็นก้าวสำคัญในการลดคอขวดด้านโครงสร้างพื้นฐานสำหรับการฝึก AI Agent สมัยใหม่ การจำลองสภาพแวดล้อมที่รวดเร็วระดับมิลลิวินาทีช่วยให้กระบวนการ trial-and-error ของโมเดล RL ทำได้อย่างต่อเนื่องโดยไม่เสียเวลาเตรียมสถานะเริ่มต้นซ้ำๆ ซึ่งเป็นหัวใจสำคัญในการเร่งความเร็วการพัฒนาโมเดลตระกูล Kimi K3</p></div><p>สำหรับข้อกำหนดเบื้องต้นในการใช้งาน ระบบเซิร์ฟเวอร์จำเป็นต้องรันบน Linux เคอร์เนล 6.8 ขึ้นไป และเข้าถึง /dev/kvm ได้ ขณะที่สคริปต์ติดตั้งกำหนดให้ใช้ Ubuntu 24.04 สำหรับเครื่องมือ CLI รองรับทั้ง Linux และ macOS บนสถาปัตยกรรม x86_64 และ arm64 พร้อมกันนี้ระบบยังรองรับ E2B API ทำให้ทีมพัฒนาสามารถสลับมาใช้เซิร์ฟเวอร์ของตนเองได้โดยไม่ต้องแก้ไขโค้ดแต่อย่างใด</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/27/kimi-ai-and-kvcache-ai-open-sources-agentenv/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>AgentENV solves environment isolation using Firecracker microVMs</li><li>Snapshot-backed environments boot or resume in under 50 ms</li><li>Fork feature enables cloning up to 16 independent child sandboxes</li><li>E2B-compatible API allows seamless self-hosting without code rewrites</li></ul></div><p>Agentic reinforcement learning (RL) extends far beyond simple text sampling by requiring models to take actions inside an actual computer system. Each rollout demands an isolated Linux environment complete with its own filesystem, network stack, and live processes. This requirement forces a difficult compromise between containers, which start rapidly but share the host kernel and weaken isolation, and full virtual machines, which isolate properly but boot slowly and hold memory while idle.</p><p>AgentENV targets this exact operational gap by running Firecracker microVMs and making idle states, restarts, and branching inexpensive enough for large-scale training workloads. Every sandbox functions as an independent microVM equipped with a dedicated Linux kernel, filesystem, and network namespace, managed via an Axum HTTP API that forwards requests to an underlying orchestrator.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/kimi_ai_kvcache_ai_agentenv_agentic_rl_ms3u9n3g_inline_1_0c05812249.jpg" alt="virtual machine code development terminal" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><div class="stat-row"><div class="stat-item"><span class="stat-number">50 ms</span><span class="stat-label">Sandbox boot or resume time</span></div><div class="stat-item"><span class="stat-number">16</span><span class="stat-label">Max child sandboxes per node</span></div></div><p>Storage architecture leverages a ublk userspace block device backed by overlaybd layered images, where read-only base layers are shared and individual sandboxes write to distinct upper layers. A standout feature tailored specifically for RL is the Fork capability, allowing a running sandbox to clone itself into up to 16 independent child sandboxes on the same node instantly, inheriting all filesystem and memory configurations from the parent source.</p><div class="ai-insight"><p>The integration of Firecracker microVMs with incremental snapshotting represents a major architectural leap for infrastructure supporting modern AI agents. By reducing environment initialization overhead to mere milliseconds, AgentENV removes the primary bottleneck in trial-and-error loops for reinforcement learning, thereby accelerating the training cycles for advanced models like Kimi K3.</p></div><p>Prerequisites for server deployment require Linux kernel 6.8+ alongside /dev/kvm access, with the installation script specifically requiring Ubuntu 24.04. The native CLI supports both Linux and macOS across x86_64 and arm64 architectures. Furthermore, AgentENV provides an E2B-compatible HTTP API, enabling engineering teams already utilizing E2B to self-host the runtime environment without making any modifications to their existing agent codebase.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/07/27/kimi-ai-and-kvcache-ai-open-sources-agentenv/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_article-557.jpg

small_article-557.jpg

thumbnail_article-557.jpg

article-557.jpg

Kimi AI ร่วมกับ kvcache-ai เปิดซอร์ส AgentENV ระบบกระจายอำนาจสำหรับการฝึกอบรม Agentic Reinforcement Learning ที่ใช้ Firecracker microVM และรองรับการทำ Snapshot ความเร็วสูง

Kimi AI and kvcache-ai have open-sourced AgentENV, a distributed system leveraging Firecracker microVMs to power agentic reinforcement learning training at scale.

Inewgen

Inewgen

#Firecracker

Kimi AI and kvcache-ai Open Source AgentENV for Agentic RL Training

Inewgen