跳转到主要内容
现阶段的 AI Agent 在执行复杂任务时面临着一个根本性的限制：“n of 1”问题——AI 和开发者被限制在单一工作环境中进行串行推理。这种模式导致了以下几个关键问题：
  1. 实验冲突与环境污染。当 AI Agent 尝试多种解决方案时，实验性的代码变更可能会干扰开发者的主要工作流程，或者污染当前的运行环境。一旦实验出错，往往只能通过回滚来恢复，无法保留有价值的探索路径。
  2. 无法并行探索多个方案。受限于单一环境，AI Agent 只能按顺序测试不同的解决思路。这种串行模式不仅效率低下，更重要的是限制了 AI 的探索广度——无法同时验证多个并行的假设或实现方案。
  3. 计算能力扩展受限。当面对需要 “广度并行探索” (Wide-Research) 的任务时（例如同时比较 100 个解决方案、批量生成多个实现版本），单一环境的架构从根本上制约了任务的并行化处理能力。
“沙箱克隆” 功能实现了从 “深度单线探索”（Deep-Research）到 “广度并行探索” (Wide-Research)的转变：
  1. 多时间线探索架构：就像决策树一样，AI Agent 可以从同一个基准状态出发，创建多个独立的沙箱副本，每个副本探索一条不同的解决路径，互不干扰。
  2. 真正的并行计算能力：通过将大任务拆分成批量子任务，AI Agent 能够将计算能力扩展数十倍甚至上百倍，同时处理数十个、上百个探索分支。
  3. 零风险实验环境：克隆出的沙箱完全隔离，AI 可以在其中自由实验、测试各种可能性，而不会影响原始环境或开发者的主工作流程。
  4. 高效的资源利用：虽然可能同时启动多个沙箱实例，但通过动态管理和及时终止不再有价值的分支（沙箱实例），总体计算资源消耗可以保持在合理范围内。
这种能力使 AI Agent 能够突破当前的性能瓶颈，从提供理论建议转变为交付经过并行验证、实际测试的可靠方案，真正实现自主探索、迭代和解决复杂问题的能力。 “沙箱克隆” 功能允许复制正在运行或处于暂停状态的沙箱实例，克隆出的沙箱和原沙箱的文件系统、内存状态保持一致。
如果您克隆正在运行的沙箱时，被克隆的沙箱将被短暂挂起，这个时间段内该沙箱实例将不可用，挂起时间接近 暂停沙箱 需要的时间。
参数说明：
  • count：要克隆的沙箱实例数量。最小值为 1，最大值不超过平台限制的并发运行的沙箱实例数（参考：沙箱并发限制）；
  • strict：是否严格按照 count 参数中指定的数量进行克隆，默认为 false。设置为 true 时，如果克隆成功的数量少于 count，则返回克隆失败错误，其他已经创建成功的沙箱也会被释放。设置为 false 时，返回克隆成功的实际沙箱实例数量。
  • timeout(timeoutMs)：克隆沙箱实例的超时时间。如果没指定该参数时，当父沙箱正在运行时，则继承父沙箱的超时时间配置，当父沙箱处于暂停状态时，则使用默认值 5min。
import { Sandbox } from 'ppio-sandbox';

const sandbox = await Sandbox.create();
console.log('Sandbox created', sandbox.sandboxId)

const sbxClones = await Sandbox.clone(sandbox.sandboxId, 
    {
        count: 2,
        strict: false,
        timeoutMs: 100000
    }
);
console.log('Sandbox clones created', sbxClones.map(sbxClone => sbxClone.sandboxId))

await sandbox.kill()
for (const sbxClone of sbxClones) {
    await sbxClone.kill()
}
同时，您还可以使用 PPIO 沙箱命令行工具来克隆指定的沙箱实例：
Bash
# ppio-sandbox-cli sandbox clone [sandboxID] -c [count] -s [strict] -t [timeout]
ppio-sandbox-cli sandbox clone 0r0efkbfwzfp9p7qpc1c -c 2